El metano (CH4) es un importante gas de efecto invernadero antropogénico que es un subproducto de la extracción de petróleo y gas, la minería del carbón, la cría de animales a gran escala y la eliminación de desechos, entre otras fuentes. El potencial de calentamiento global de El CH4 es 86 veces mayor que el CO2 y el Panel Intergubernamental sobre Cambio Climático (IPCC) estima que El metano es responsable del 30 por ciento del calentamiento global observado hasta la fecha.. La rápida reducción de las fugas de CH4 a la atmósfera representa un componente crítico en la lucha contra el cambio climático. En 2021, la ONU introdujo El Compromiso Global de Metano en la Conferencia sobre Cambio Climático (COP26), con el objetivo de tomar “medidas rápidas sobre el metano para mantener un futuro de 1.5°C a nuestro alcance”. El compromiso tiene 150 signatarios incluidos Estados Unidos y la UE.

La detección temprana y el monitoreo continuo de las fuentes de metano es un componente clave de una acción significativa sobre el metano y, por lo tanto, se está convirtiendo en una preocupación tanto para los formuladores de políticas como para las organizaciones. Implementar soluciones de detección de metano efectivas y asequibles a escala, como detectores de metano in situ o espectrómetros montados en aviones – es un desafío, ya que a menudo son poco prácticos o prohibitivamente costosos. La teledetección mediante satélites, por otro lado, puede proporcionar la funcionalidad de detección rentable, de alta frecuencia y a escala global que desean las partes interesadas.

En esta publicación de blog, le mostramos cómo puede utilizar Imágenes satelitales Sentinel 2 alojadas en el Registro de Datos Abiertos de AWS en combinación con Capacidades geoespaciales de Amazon SageMaker para detectar fuentes puntuales de emisiones de CH4 y monitorearlas a lo largo del tiempo. Dibujar en Hallazgos recientes de la literatura de observación de la Tierra. Aprenderá cómo implementar un algoritmo de detección de metano personalizado y utilizarlo para detectar y monitorear fugas de metano desde una variedad de sitios en todo el mundo. Esta publicación incluye código adjunto en GitHub que proporciona detalles técnicos adicionales y le ayuda a comenzar con su propia solución de monitoreo de metano.

Tradicionalmente, ejecutar análisis geoespaciales complejos era una tarea difícil, que requería mucho tiempo y recursos. Capacidades geoespaciales de Amazon SageMaker Facilite a los científicos de datos y a los ingenieros de aprendizaje automático la creación, el entrenamiento y la implementación de modelos utilizando datos geoespaciales. Al utilizar las capacidades geoespaciales de SageMaker, puede transformar o enriquecer de manera eficiente conjuntos de datos geoespaciales a gran escala, acelerar la creación de modelos con modelos de aprendizaje automático (ML) previamente entrenados y explorar predicciones de modelos y datos geoespaciales en un mapa interactivo utilizando gráficos 3D acelerados e integrados. herramientas de visualización.

Teledetección de fuentes puntuales de metano utilizando imágenes satelitales multiespectrales

Los métodos de detección de metano basados ​​en satélites suelen basarse en las características únicas de transmitancia del CH4. En el espectro visible, el CH4 tiene valores de transmitancia iguales o cercanos a 1, lo que significa que es indetectable a simple vista. Sin embargo, en ciertas longitudes de onda, el metano absorbe luz (transmitancia <1), una propiedad que puede aprovecharse con fines de detección. Para ello, normalmente se elige el espectro infrarrojo de longitud de onda corta (SWIR) (rango espectral de 1500 a 2500 nm), que es donde el CH4 es más detectable. Las misiones de satélites hiperespectrales y multiespectrales (es decir, aquellas con instrumentos ópticos que capturan datos de imágenes dentro de múltiples rangos (bandas) de longitud de onda en todo el espectro electromagnético) cubren estos rangos SWIR y, por lo tanto, representan posibles instrumentos de detección. La Figura 1 muestra las características de transmitancia del metano en el espectro SWIR y la cobertura SWIR de varios instrumentos satelitales multiespectrales candidatos (adaptado de así estudiar).

Figura 1 – Características de transmitancia del metano en el espectro SWIR y cobertura de las misiones multiespectrales Sentinel-2

Muchas misiones de satélites multiespectrales están limitadas por una baja frecuencia de revisitación (por ejemplo, PRISMA Hiperespectral aproximadamente a los 16 días) o por baja resolución espacial (por ejemplo, Centinela 5 a 7.5 km x 7.5 km). El costo de acceder a los datos es un desafío adicional: algunas constelaciones dedicadas operan como misiones comerciales, lo que potencialmente hace que los conocimientos sobre las emisiones de CH4 estén menos disponibles para los investigadores, los tomadores de decisiones y otras partes interesadas debido a limitaciones financieras. de la ESA Misión multiespectral Sentinel-2, en el que se basa esta solución, logra un equilibrio adecuado entre la tasa de revisita (aproximadamente 5 días), la resolución espacial (aproximadamente 20 m) y el acceso abierto (alojado en el Registro de Datos Abiertos de AWS).

Sentinel-2 tiene dos bandas que cubren el espectro SWIR (con una resolución de 20 m): banda 11 (longitud de onda central de 1610 nm) y banda 12 (longitud de onda central de 2190 nm). Ambas bandas son adecuadas para la detección de metano, mientras que la banda 12 tiene una sensibilidad significativamente mayor a la absorción de CH4 (ver Figura 1). Intuitivamente, existen dos enfoques posibles para utilizar estos datos de reflectancia SWIR para la detección de metano. En primer lugar, podría centrarse en una sola banda SWIR (idealmente la que es más sensible a la absorción de CH4) y calcular la diferencia píxel a píxel en la reflectancia entre dos pases de satélite diferentes. Alternativamente, se pueden utilizar datos de un solo pase de satélite para la detección mediante el uso de dos bandas espectrales SWIR adyacentes que tienen propiedades similares de reflectancia de superficie y aerosol, pero tienen diferentes características de absorción de metano.

El método de detección que implementamos en esta publicación de blog combina ambos enfoques. nos basamos en Hallazgos recientes de la literatura de observación de la Tierra. y calcular el cambio fraccionario en la reflectancia Δρ de la parte superior de la atmósfera (TOA) (es decir, la reflectancia medida por Sentinel-2, incluidas las contribuciones de los aerosoles y gases atmosféricos) entre dos pasos de satélite y las dos bandas SWIR; un pase de referencia donde no hay metano presente (base) y un pase de monitoreo donde se sospecha una fuente puntual activa de metano (monitor). Matemáticamente, esto se puede expresar de la siguiente manera:

Ecuación (1)

donde ρ es la reflectancia TOA medida por Sentinel-2, c^monitorear y C^bases se calculan haciendo una regresión de los valores de reflectancia TOA de la banda 12 con los de la banda 11 en toda la escena (es decir, ρ_b11 = c * ρ_b12). Para más detalles, consulte este estudio sobre Monitoreo de alta frecuencia de fuentes puntuales anómalas de metano con observaciones multiespectrales del satélite Sentinel-2..

Implementar un algoritmo de detección de metano con las capacidades geoespaciales de SageMaker

Para implementar el algoritmo de detección de metano, utilizamos el cuaderno geoespacial SageMaker dentro de Amazon SageMaker Studio. El núcleo del cuaderno geoespacial está preequipado con bibliotecas geoespaciales esenciales como Gdal, geopandas, Bien proporcionado, radiografíay rasterio, lo que permite la visualización y el procesamiento directo de datos geoespaciales dentro del entorno del cuaderno Python. Ver el consulte la guía de inicio para aprender cómo comenzar a utilizar las capacidades geoespaciales de SageMaker.

SageMaker proporciona una herramienta especialmente diseñada API diseñado para facilitar la recuperación de imágenes satelitales a través de una interfaz consolidada utilizando el BuscarColecciónRasterData Llamada API. SearchRasterDataCollection Se basa en los siguientes parámetros de entrada:

• Arn: El nombre del recurso de Amazon (ARN) de la recopilación de datos ráster consultados.
• AreaOfInterest: un objeto poligonal (en formato GeoJSON) que representa la región de interés para la consulta de búsqueda.
• TimeRangeFilter: Define el rango de tiempo de interés, indicado como {StartTime: <string>, EndTime: <string>}
• PropertyFilters: También se pueden incorporar filtros de propiedad complementarios, como especificaciones para la cobertura de nubes máxima aceptable.

Este método admite consultas desde varias fuentes de datos ráster que se pueden explorar llamando Lista de colecciones de datos rasterizados. Nuestra implementación de detección de metano utiliza Imágenes de satélite Sentinel-2, al que se puede hacer referencia globalmente mediante el siguiente ARN: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8.

Este ARN representa imágenes de Sentinel-2, que han sido procesadas al Nivel 2A (reflectancia de la superficie, corregida atmosféricamente). Para fines de detección de metano, utilizaremos datos de reflectancia de la parte superior de la atmósfera (TOA) (Nivel 1C), que no incluyen las correcciones atmosféricas a nivel de la superficie que harían que los cambios en la composición y densidad de los aerosoles (es decir, fugas de metano) sean indetectables. .

Para identificar emisiones potenciales de una fuente puntual específica, necesitamos dos parámetros de entrada: las coordenadas de la fuente puntual sospechosa y una marca de tiempo designada para el monitoreo de emisiones de metano. Dado que el SearchRasterDataCollection API utiliza polígonos o múltiples polígonos para definir un área de interés (AOI), nuestro enfoque implica expandir primero las coordenadas del punto en un cuadro delimitador y luego usar ese polígono para consultar imágenes de Sentinel-2 usando SearchRasterDateCollection.

En este ejemplo, monitoreamos una fuga de metano conocida que se origina en un campo petrolífero en el norte de África. Este es un caso de validación estándar en la literatura sobre teledetección y se hace referencia, por ejemplo, en así estudiar. Se proporciona una base de código completamente ejecutable en el repositorio de GitHub de amazon-sagemaker-examples. Aquí, destacamos solo secciones de código seleccionadas que representan los componentes clave para implementar una solución de detección de metano con capacidades geoespaciales de SageMaker. Consulte el repositorio para obtener detalles adicionales.

Comenzamos inicializando las coordenadas y la fecha de seguimiento objetivo para el caso de ejemplo.

#coordinates and date for North Africa oil field
#see here for reference: https://doi.org/10.5194/amt-14-2771-2021
point_longitude = 5.9053
point_latitude = 31.6585
target_date = '2019-11-20'
#size of bounding box in each direction around point
distance_offset_meters = 1500

El siguiente fragmento de código genera un cuadro delimitador para las coordenadas del punto dado y luego realiza una búsqueda de las imágenes de Sentinel-2 disponibles en función del cuadro delimitador y la fecha de monitoreo especificada:

def bbox_around_point(lon, lat, distance_offset_meters): #Equatorial radius (km) taken from https://nssdc.gsfc.nasa.gov/planetary/factsheet/earthfact.html earth_radius_meters = 6378137 lat_offset = math.degrees(distance_offset_meters / earth_radius_meters) lon_offset = math.degrees(distance_offset_meters / (earth_radius_meters * math.cos(math.radians(lat)))) return geometry.Polygon([ [lon - lon_offset, lat - lat_offset], [lon - lon_offset, lat + lat_offset], [lon + lon_offset, lat + lat_offset], [lon + lon_offset, lat - lat_offset], [lon - lon_offset, lat - lat_offset], ]) #generate bounding box and extract polygon coordinates
aoi_geometry = bbox_around_point(point_longitude, point_latitude, distance_offset_meters)
aoi_polygon_coordinates = geometry.mapping(aoi_geometry)['coordinates'] #set search parameters
search_params = { "Arn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8", # Sentinel-2 L2 data "RasterDataCollectionQuery": { "AreaOfInterest": { "AreaOfInterestGeometry": { "PolygonGeometry": { "Coordinates": aoi_polygon_coordinates } } }, "TimeRangeFilter": { "StartTime": "{}T00:00:00Z".format(as_iso_date(target_date)), "EndTime": "{}T23:59:59Z".format(as_iso_date(target_date)) } },
}
#query raster data using SageMaker geospatial capabilities
sentinel2_items = geospatial_client.search_raster_data_collection(**search_params)

La respuesta contiene una lista de elementos de Sentinel-2 coincidentes y sus metadatos correspondientes. Éstas incluyen GeoTIFF optimizados para la nube (COG) para todos Sentinel-2 bandas, así como uña del pulgar imágenes para obtener una vista previa rápida de las bandas visuales de la imagen. Naturalmente, también es posible acceder a la imagen satelital de resolución completa (gráfico RGB), que se muestra en la Figura 2 a continuación.

Figura 2 – Imagen de satélite (gráfico RGB) de AOI

Como se detalló anteriormente, nuestro enfoque de detección se basa en cambios fraccionarios en la reflectancia SWIR de la parte superior de la atmósfera (TOA). Para que esto funcione, la identificación de una buena línea de base es crucial. Encontrar una buena línea de base puede convertirse rápidamente en un proceso tedioso que implica mucho ensayo y error. Sin embargo, una buena heurística puede contribuir en gran medida a automatizar este proceso de búsqueda. Una heurística de búsqueda que ha funcionado bien para casos investigados en el pasado es la siguiente: para el pasado day_offset=n días, recupere todas las imágenes satelitales, elimine las nubes y recorte la imagen en el AOI en el alcance. Luego calcule la reflectancia promedio de la banda 12 en todo el AOI. Devuelve el ID del mosaico Sentinel de la imagen con la reflectancia promedio más alta en la banda 12.

Esta lógica se implementa en el siguiente extracto de código. Su fundamento se basa en el hecho de que la banda 12 es muy sensible a la absorción de CH4 (ver Figura 1). Un mayor valor de reflectancia promedio corresponde a una menor absorción de fuentes como las emisiones de metano y, por lo tanto, proporciona una fuerte indicación de una escena de referencia libre de emisiones.

def approximate_best_reference_date(lon, lat, date_to_monitor, distance_offset=1500, cloud_mask=True, day_offset=30): #initialize AOI and other parameters aoi_geometry = bbox_around_point(lon, lat, distance_offset) BAND_12_SWIR22 = "B12" max_mean_swir = None ref_s2_tile_id = None ref_target_date = date_to_monitor #loop over n=day_offset previous days for day_delta in range(-1 * day_offset, 0): date_time_obj = datetime.strptime(date_to_monitor, '%Y-%m-%d') target_date = (date_time_obj + timedelta(days=day_delta)).strftime('%Y-%m-%d') #get Sentinel-2 tiles for current date s2_tiles_for_target_date = get_sentinel2_meta_data(target_date, aoi_geometry) #loop over available tiles for current date for s2_tile_meta in s2_tiles_for_target_date: s2_tile_id_to_test = s2_tile_meta['Id'] #retrieve cloud-masked (optional) L1C band 12 target_band_data = get_s2l1c_band_data_xarray(s2_tile_id_to_test, BAND_12_SWIR22, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) #compute mean reflectance of SWIR band mean_swir = target_band_data.sum() / target_band_data.count() #ensure the visible/non-clouded area is adequately large visible_area_ratio = target_band_data.count() / (target_band_data.shape[1] * target_band_data.shape[2]) if visible_area_ratio <= 0.7: #<-- ensure acceptable cloud cover continue #update maximum ref_s2_tile_id and ref_target_date if applicable if max_mean_swir is None or mean_swir > max_mean_swir: max_mean_swir = mean_swir ref_s2_tile_id = s2_tile_id_to_test ref_target_date = target_date return (ref_s2_tile_id, ref_target_date)

El uso de este método nos permite aproximarnos a una fecha de referencia adecuada y la ID del mosaico Sentinel-2 correspondiente. Los ID de mosaico de Sentinel-2 contienen información sobre el ID de la misión (Sentinel-2A/Sentinel-2B), el número de mosaico único (como 32SKA) y la fecha en que se tomó la imagen, entre otra información, e identifican de forma única una observación (es decir, , una escena). En nuestro ejemplo, el proceso de aproximación sugiere el 6 de octubre de 2019 (mosaico Sentinel-2: S2B_32SKA_20191006_0_L2A), como el candidato de referencia más adecuado.

A continuación, podemos calcular el cambio fraccionario corregido en la reflectancia entre la fecha de referencia y la fecha que nos gustaría monitorear. Los factores de corrección c (ver Ecuación 1 anterior) se pueden calcular con el siguiente código:

def compute_correction_factor(tif_y, tif_x): #get flattened arrays for regression y = np.array(tif_y.values.flatten()) x = np.array(tif_x.values.flatten()) np.nan_to_num(y, copy=False) np.nan_to_num(x, copy=False) #fit linear model using least squares regression x = x[:,np.newaxis] #reshape c, _, _, _ = np.linalg.lstsq(x, y, rcond=None) return c[0]

La implementación completa de la Ecuación 1 se proporciona en el siguiente fragmento de código:

def compute_corrected_fractional_reflectance_change(l1_b11_base, l1_b12_base, l1_b11_monitor, l1_b12_monitor): #get correction factors c_monitor = compute_correction_factor(tif_y=l1_b11_monitor, tif_x=l1_b12_monitor) c_base = compute_correction_factor(tif_y=l1_b11_base, tif_x=l1_b12_base) #get corrected fractional reflectance change frac_change = ((c_monitor*l1_b12_monitor-l1_b11_monitor)/l1_b11_monitor)-((c_base*l1_b12_base-l1_b11_base)/l1_b11_base) return frac_change

Finalmente, podemos incluir los métodos anteriores en una rutina de extremo a extremo que identifique el AOI para una longitud y latitud determinadas, monitoree la fecha y el mosaico de línea de base, adquiera las imágenes satelitales requeridas y realice el cálculo del cambio de reflectancia fraccional.

def run_full_fractional_reflectance_change_routine(lon, lat, date_monitor, baseline_s2_tile_id, distance_offset=1500, cloud_mask=True): #get bounding box aoi_geometry = bbox_around_point(lon, lat, distance_offset) #get S2 metadata s2_meta_monitor = get_sentinel2_meta_data(date_monitor, aoi_geometry) #get tile id grid_id = baseline_s2_tile_id.split("_")[1] s2_tile_id_monitor = list(filter(lambda x: f"_{grid_id}_" in x["Id"], s2_meta_monitor))[0]["Id"] #retrieve band 11 and 12 of the Sentinel L1C product for the given S2 tiles l1_swir16_b11_base = get_s2l1c_band_data_xarray(baseline_s2_tile_id, BAND_11_SWIR16, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) l1_swir22_b12_base = get_s2l1c_band_data_xarray(baseline_s2_tile_id, BAND_12_SWIR22, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) l1_swir16_b11_monitor = get_s2l1c_band_data_xarray(s2_tile_id_monitor, BAND_11_SWIR16, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) l1_swir22_b12_monitor = get_s2l1c_band_data_xarray(s2_tile_id_monitor, BAND_12_SWIR22, clip_geometry=aoi_geometry, cloud_mask=cloud_mask) #compute corrected fractional reflectance change frac_change = compute_corrected_fractional_reflectance_change( l1_swir16_b11_base, l1_swir22_b12_base, l1_swir16_b11_monitor, l1_swir22_b12_monitor ) return frac_change

Ejecutar este método con los parámetros que determinamos anteriormente produce el cambio fraccionario en la reflectancia de SWIR TOA como un xarray.DataArray. Podemos realizar una primera inspección visual del resultado ejecutando un simple plot() invocación en esta matriz de datos. Nuestro método revela la presencia de una columna de metano en el centro del AOI que era indetectable en el gráfico RGB visto anteriormente.

Figura 3 – Cambio de reflectancia fraccional en la reflectancia TOA (espectro SWIR)

Como paso final, extraemos la columna de metano identificada y la superponemos en una imagen satelital RGB sin procesar para proporcionar el contexto geográfico importante. Esto se logra mediante umbrales, que se pueden implementar como se muestra a continuación:

def get_plume_mask(change_in_reflectance_tif, threshold_value): cr_masked = change_in_reflectance_tif.copy() #set values above threshold to nan cr_masked[cr_masked > treshold_value] = np.nan #apply mask on nan values plume_tif = np.ma.array(cr_masked, mask=cr_masked==np.nan) return plume_tif

Para nuestro caso, un umbral de -0.02 de cambio fraccionario en la reflectancia produce buenos resultados, pero esto puede cambiar de una escena a otra y tendrá que calibrarlo para su caso de uso específico. La Figura 4 que sigue ilustra cómo se genera la superposición de la columna de metano al combinar la imagen satelital sin procesar del AOI con la columna enmascarada en una única imagen compuesta que muestra la columna de metano en su contexto geográfico.

Figura 4: Imagen RGB, cambio de reflectancia fraccional en la reflectancia TOA (espectro SWIR) y superposición de penacho de metano para AOI

Validación de la solución con eventos de emisiones de metano del mundo real

Como paso final, evaluamos nuestro método por su capacidad para detectar e identificar correctamente fugas de metano de una variedad de fuentes y geografías. Primero, utilizamos un experimento de liberación controlada de metano diseñado específicamente para Validación de la detección de fuentes puntuales desde el espacio y la cuantificación de emisiones de metano en tierra.. En este experimento de 2021, los investigadores realizaron varias liberaciones de metano en Ehrenberg, Arizona, durante un período de 19 días. Ejecutar nuestro método de detección para uno de los pases de Sentinel-2 durante el tiempo de ese experimento produce el siguiente resultado que muestra una columna de metano:

Figura 5 – Intensidades de la pluma de metano para el Experimento de Liberación Controlada de Arizona

La columna generada durante la liberación controlada se identifica claramente mediante nuestro método de detección. Lo mismo ocurre con otras fugas conocidas en el mundo real (en la Figura 6 a continuación) de fuentes como un vertedero en el este de Asia (izquierda) o una instalación de petróleo y gas en América del Norte (derecha).

Figura 6: Intensidades de la columna de metano para un vertedero de Asia oriental (izquierda) y un campo de petróleo y gas en América del Norte (derecha)

En resumen, nuestro método puede ayudar a identificar las emisiones de metano tanto de liberaciones controladas como de diversas fuentes puntuales del mundo real en todo el mundo. Esto funciona mejor para fuentes puntuales en tierra con vegetación circundante limitada. No funciona para escenas en alta mar debido a la alta absorción (es decir, baja transmitancia) del espectro SWIR por el agua. Dado que el algoritmo de detección propuesto se basa en variaciones en la intensidad del metano, nuestro método también requiere observaciones previas a la fuga. Esto puede dificultar el seguimiento de las fugas con tasas de emisión constantes.

Limpiar

Para evitar incurrir en cargos no deseados después de que se haya completado un trabajo de monitoreo de metano, asegúrese de finalizar la instancia de SageMaker y eliminar cualquier archivo local no deseado.

Conclusión

Al combinar las capacidades geoespaciales de SageMaker con fuentes de datos geoespaciales abiertas, puede implementar sus propias soluciones de monitoreo remoto altamente personalizadas a escala. Esta publicación de blog se centró en la detección de metano, un área focal para gobiernos, ONG y otras organizaciones que buscan detectar y, en última instancia, evitar emisiones nocivas de metano. Puede comenzar hoy en su propio viaje hacia el análisis geoespacial activando una computadora portátil con el núcleo geoespacial de SageMaker e implementando su propia solución de detección. Ver el Repositorio GitHub para comenzar a construir su propia solución de detección de metano basada en satélites. Consulte también el ejemplos-de-sagemaker repositorio para obtener más ejemplos y tutoriales sobre cómo utilizar las capacidades geoespaciales de SageMaker en otras aplicaciones de detección remota del mundo real.

Sobre los autores

Dr. Karsten Schröer es arquitecto de soluciones en AWS. Apoya a los clientes en el aprovechamiento de los datos y la tecnología para impulsar la sostenibilidad de su infraestructura de TI y crear soluciones basadas en datos nativas de la nube que permitan operaciones sostenibles en sus respectivas verticales. Karsten se unió a AWS luego de sus estudios de doctorado en administración de operaciones y aprendizaje automático aplicado. Es un verdadero apasionado de las soluciones tecnológicas para los desafíos sociales y le encanta profundizar en los métodos y las arquitecturas de aplicaciones que subyacen a estas soluciones.

Janosch Woschitz es arquitecto senior de soluciones en AWS, especializado en IA/ML geoespacial. Con más de 15 años de experiencia, apoya a clientes de todo el mundo a aprovechar la IA y el aprendizaje automático para soluciones innovadoras que aprovechan los datos geoespaciales. Su experiencia abarca el aprendizaje automático, la ingeniería de datos y los sistemas distribuidos escalables, complementados con una sólida experiencia en ingeniería de software y experiencia en la industria en dominios complejos como la conducción autónoma.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/