মিথেন (CH4) হল একটি প্রধান নৃতাত্ত্বিক গ্রিনহাউস গ্যাস যা অন্যান্য উত্সগুলির মধ্যে তেল এবং গ্যাস নিষ্কাশন, কয়লা খনির, বড় আকারের পশু চাষ এবং বর্জ্য নিষ্পত্তির উপজাত। বৈশ্বিক উষ্ণায়নের সম্ভাবনা CH4 হল CO86 এর 2 গুণ এবং আন্তঃসরকারি প্যানেল অন ক্লাইমেট চেঞ্জ (IPCC) অনুমান করেছে যে আজ অবধি পর্যবেক্ষণ করা বিশ্ব উষ্ণায়নের 30 শতাংশের জন্য মিথেন দায়ী. বায়ুমণ্ডলে CH4 এর ফুটো দ্রুত হ্রাস করা জলবায়ু পরিবর্তনের বিরুদ্ধে লড়াইয়ে একটি গুরুত্বপূর্ণ উপাদান উপস্থাপন করে। 2021 সালে, জাতিসংঘ প্রবর্তন করে গ্লোবাল মিথেন অঙ্গীকার ক্লাইমেট চেঞ্জ কনফারেন্সে (COP26), লক্ষ্য নিয়ে "1.5C ভবিষ্যত নাগালের মধ্যে রাখতে মিথেনের উপর দ্রুত পদক্ষেপ নেওয়া।" অঙ্গীকার আছে 150 জন স্বাক্ষরকারী মার্কিন যুক্তরাষ্ট্র এবং ইইউ সহ।

মিথেন উত্সগুলির প্রাথমিক সনাক্তকরণ এবং চলমান পর্যবেক্ষণ মিথেনের উপর অর্থপূর্ণ পদক্ষেপের একটি মূল উপাদান এবং তাই নীতি নির্ধারক এবং সংস্থাগুলির জন্য একইভাবে উদ্বেগের বিষয় হয়ে উঠছে। সাশ্রয়ী মূল্যের, কার্যকর মিথেন সনাক্তকরণ সমাধানগুলি স্কেলে প্রয়োগ করা - যেমন-সাইট মিথেন ডিটেক্টর বা বিমান-মাউন্ট করা স্পেকট্রোমিটার - চ্যালেঞ্জিং, কারণ এগুলি প্রায়শই অব্যবহারিক বা নিষিদ্ধভাবে ব্যয়বহুল। অন্যদিকে, স্যাটেলাইট ব্যবহার করে রিমোট সেন্সিং বিশ্ব-স্কেল, উচ্চ-ফ্রিকোয়েন্সি, এবং খরচ-কার্যকর সনাক্তকরণ কার্যকারিতা প্রদান করতে পারে যা স্টেকহোল্ডারদের ইচ্ছা।

এই ব্লগ পোস্টে, আমরা আপনাকে দেখাই কিভাবে আপনি ব্যবহার করতে পারেন সেন্টিনেল 2 স্যাটেলাইট চিত্রগুলি ওপেন ডেটার AWS রেজিস্ট্রিতে হোস্ট করা হয়েছে আমি তাল মিলাতে চেষ্টা করছি আমাজন সেজমেকার ভূ-স্থানিক ক্ষমতা CH4 নির্গমনের বিন্দু উৎস সনাক্ত করা এবং সময়ের সাথে তাদের নিরীক্ষণ করা। অঙ্কন পৃথিবী পর্যবেক্ষণ সাহিত্য থেকে সাম্প্রতিক ফলাফল আপনি শিখবেন কিভাবে আপনি একটি কাস্টম মিথেন সনাক্তকরণ অ্যালগরিদম প্রয়োগ করতে পারেন এবং সারা বিশ্ব জুড়ে বিভিন্ন সাইট থেকে মিথেন লিকেজ সনাক্ত এবং নিরীক্ষণ করতে এটি ব্যবহার করতে পারেন। এই পোস্ট অন্তর্ভুক্ত GitHub এ সহগামী কোড এটি অতিরিক্ত প্রযুক্তিগত বিশদ প্রদান করে এবং আপনাকে আপনার নিজস্ব মিথেন পর্যবেক্ষণ সমাধান দিয়ে শুরু করতে সহায়তা করে।

ঐতিহ্যগতভাবে, জটিল ভূ-স্থানিক বিশ্লেষণ চালানো একটি কঠিন, সময়সাপেক্ষ, এবং সম্পদ-নিবিড় উদ্যোগ ছিল। আমাজন সেজমেকার ভূ-স্থানিক ক্ষমতা ডেটা সায়েন্টিস্ট এবং মেশিন লার্নিং ইঞ্জিনিয়ারদের জন্য জিওস্পেশিয়াল ডেটা ব্যবহার করে মডেল তৈরি, ট্রেনিং এবং স্থাপন করা সহজ করে তোলে। সেজমেকার ভূ-স্থানিক ক্ষমতা ব্যবহার করে, আপনি দক্ষতার সাথে বড় আকারের ভূ-স্থানিক ডেটাসেটগুলিকে রূপান্তরিত করতে বা সমৃদ্ধ করতে পারেন, প্রি-প্রশিক্ষিত মেশিন লার্নিং (এমএল) মডেলগুলির সাহায্যে মডেল বিল্ডিংকে ত্বরান্বিত করতে পারেন এবং 3D অ্যাক্সিলারেটেড গ্রাফিক্স এবং বিল্ট-ইন ব্যবহার করে একটি ইন্টারেক্টিভ মানচিত্রে মডেল ভবিষ্যদ্বাণী এবং ভূ-স্থানিক ডেটা অন্বেষণ করতে পারেন। ভিজ্যুয়ালাইজেশন টুল।

মাল্টিস্পেকট্রাল স্যাটেলাইট ইমেজ ব্যবহার করে মিথেন বিন্দু উৎসের রিমোট সেন্সিং

স্যাটেলাইট-ভিত্তিক মিথেন সেন্সিং পদ্ধতিগুলি সাধারণত CH4 এর অনন্য ট্রান্সমিট্যান্স বৈশিষ্ট্যের উপর নির্ভর করে। দৃশ্যমান বর্ণালীতে, CH4 এর ট্রান্সমিট্যান্স মান 1 এর সমান বা কাছাকাছি, যার অর্থ এটি খালি চোখে সনাক্ত করা যায় না। কিছু নির্দিষ্ট তরঙ্গদৈর্ঘ্য জুড়ে, তবে, মিথেন আলো শোষণ করে (ট্রান্সমিট্যান্স <1), এমন একটি সম্পত্তি যা সনাক্তকরণের উদ্দেশ্যে ব্যবহার করা যেতে পারে। এর জন্য, সংক্ষিপ্ত তরঙ্গদৈর্ঘ্য ইনফ্রারেড (SWIR) বর্ণালী (1500–2500 nm বর্ণালী পরিসীমা) সাধারণত বেছে নেওয়া হয়, যেখানে CH4 সবচেয়ে সনাক্তযোগ্য। হাইপার- এবং মাল্টিস্পেকট্রাল স্যাটেলাইট মিশনগুলি (অর্থাৎ, অপটিক্যাল যন্ত্রগুলির সাথে যেগুলি ইলেক্ট্রোম্যাগনেটিক স্পেকট্রাম জুড়ে একাধিক তরঙ্গদৈর্ঘ্য রেঞ্জের (ব্যান্ড) মধ্যে ইমেজ ডেটা ক্যাপচার করে) এই SWIR রেঞ্জগুলিকে কভার করে এবং তাই সম্ভাব্য সনাক্তকরণ যন্ত্রগুলির প্রতিনিধিত্ব করে। চিত্র 1 SWIR বর্ণালীতে মিথেনের ট্রান্সমিট্যান্স বৈশিষ্ট্য এবং বিভিন্ন প্রার্থী মাল্টিস্পেকট্রাল স্যাটেলাইট যন্ত্রের SWIR কভারেজ (এর থেকে অভিযোজিত এই অধ্যয়ন).

চিত্র 1 - SWIR বর্ণালীতে মিথেনের ট্রান্সমিট্যান্স বৈশিষ্ট্য এবং সেন্টিনেল-2 মাল্টি-স্পেকট্রাল মিশনের কভারেজ

অনেক মাল্টিস্পেকট্রাল স্যাটেলাইট মিশন হয় কম রিভিজিট ফ্রিকোয়েন্সি দ্বারা সীমিত (উদাহরণস্বরূপ, PRISMA হাইপারস্পেকট্রাল আনুমানিক 16 দিনে) বা কম স্থানিক রেজোলিউশন দ্বারা (উদাহরণস্বরূপ, সেন্টিনেল 5 7.5 কিমি x 7.5 কিমি)। ডেটা অ্যাক্সেস করার খরচ একটি অতিরিক্ত চ্যালেঞ্জ: কিছু উত্সর্গীকৃত নক্ষত্রপুঞ্জ বাণিজ্যিক মিশন হিসাবে কাজ করে, সম্ভাব্য CH4 নির্গমন অন্তর্দৃষ্টিগুলিকে আর্থিক সীমাবদ্ধতার কারণে গবেষক, সিদ্ধান্ত গ্রহণকারী এবং অন্যান্য সংশ্লিষ্ট পক্ষের কাছে কম সহজলভ্য করে তোলে। ESA এর সেন্টিনেল-২ মাল্টিস্পেকট্রাল মিশন, যার উপর ভিত্তি করে এই সমাধানটি, পুনর্বিবেচনার হার (প্রায় 5 দিন), স্থানিক রেজোলিউশন (প্রায় 20 মিটার) এবং উন্মুক্ত অ্যাক্সেসের মধ্যে একটি উপযুক্ত ভারসাম্য বজায় রাখে (হোস্ট করা ওপেন ডেটার AWS রেজিস্ট্রি).

সেন্টিনেল-২ এর দুটি ব্যান্ড রয়েছে যা SWIR স্পেকট্রামকে কভার করে (20 মিটার রেজোলিউশনে): ব্যান্ড-11 (1610 এনএম কেন্দ্রীয় তরঙ্গদৈর্ঘ্য) এবং ব্যান্ড-12 (2190 এনএম কেন্দ্রীয় তরঙ্গদৈর্ঘ্য)। উভয় ব্যান্ডই মিথেন সনাক্তকরণের জন্য উপযুক্ত, যখন ব্যান্ড-12-এর CH4 শোষণের জন্য উল্লেখযোগ্যভাবে উচ্চ সংবেদনশীলতা রয়েছে (চিত্র 1 দেখুন)। স্বজ্ঞাতভাবে মিথেন সনাক্তকরণের জন্য এই SWIR প্রতিফলিত ডেটা ব্যবহার করার দুটি সম্ভাব্য পন্থা রয়েছে। প্রথমত, আপনি শুধুমাত্র একটি একক SWIR ব্যান্ডের উপর ফোকাস করতে পারেন (আদর্শভাবে যেটি CH4 শোষণের জন্য সবচেয়ে সংবেদনশীল) এবং দুটি ভিন্ন স্যাটেলাইট পাস জুড়ে প্রতিফলনের ক্ষেত্রে পিক্সেল-বাই-পিক্সেল পার্থক্য গণনা করতে পারেন। বিকল্পভাবে, আপনি দুটি সংলগ্ন বর্ণালী SWIR ব্যান্ডগুলি ব্যবহার করে সনাক্তকরণের জন্য একটি একক স্যাটেলাইট পাস থেকে ডেটা ব্যবহার করেন যেগুলির পৃষ্ঠ এবং এরোসল প্রতিফলন বৈশিষ্ট্য রয়েছে কিন্তু ভিন্ন মিথেন শোষণ বৈশিষ্ট্য রয়েছে৷

এই ব্লগ পোস্টে আমরা যে সনাক্তকরণ পদ্ধতি প্রয়োগ করি তা উভয় পন্থাকে একত্রিত করে। আমরা আঁকা পৃথিবী পর্যবেক্ষণ সাহিত্য থেকে সাম্প্রতিক ফলাফল এবং দুটি স্যাটেলাইট পাস এবং দুটি SWIR ব্যান্ডের মধ্যে টপ-অফ-দ্য-অ্যাটমোস্ফিয়ার (TOA) প্রতিফলন Δρ (অর্থাৎ, বায়ুমণ্ডলীয় অ্যারোসল এবং গ্যাসের অবদান সহ সেন্টিনেল-2 দ্বারা পরিমাপ করা প্রতিফলন) এর ভগ্নাংশের পরিবর্তন গণনা করুন; একটি বেসলাইন পাস যেখানে কোন মিথেন নেই (বেস) এবং একটি মনিটরিং পাস যেখানে একটি সক্রিয় মিথেন পয়েন্ট উত্স সন্দেহ করা হয় (মনিটর)। গাণিতিকভাবে, এটি নিম্নরূপ প্রকাশ করা যেতে পারে:

সমীকরণ (1)

যেখানে ρ হল সেন্টিনেল-২ দ্বারা পরিমাপ করা TOA প্রতিফলন, c^{মনিটর} এবং গ^{ভিত্তি} সমগ্র দৃশ্য জুড়ে ব্যান্ড-12-এর বিপরীতে ব্যান্ড-11-এর TOA প্রতিফলিত মানগুলিকে রিগ্রেস করে গণনা করা হয় (অর্থাৎ, ρ_b11 = গ * ρ_b12) আরো বিস্তারিত জানার জন্য, এই গবেষণা পড়ুন মাল্টিস্পেকট্রাল সেন্টিনেল-২ স্যাটেলাইট পর্যবেক্ষণের সাথে অস্বাভাবিক মিথেন বিন্দু উত্সের উচ্চ-ফ্রিকোয়েন্সি পর্যবেক্ষণ.

সেজমেকার ভূ-স্থানিক ক্ষমতা সহ একটি মিথেন সনাক্তকরণ অ্যালগরিদম প্রয়োগ করুন

মিথেন সনাক্তকরণ অ্যালগরিদম বাস্তবায়ন করতে, আমরা অ্যামাজন সেজমেকার স্টুডিওতে সেজমেকার জিওস্পেশিয়াল নোটবুক ব্যবহার করি। জিওস্পেশিয়াল নোটবুক কার্নেল অত্যাবশ্যকীয় জিওস্পেশিয়াল লাইব্রেরিগুলির সাথে প্রাক-সজ্জিত যেমন জিডিএএল, জিওপান্ডাস, সুষম, xarray, এবং রাস্টেরিও, পাইথন নোটবুক পরিবেশের মধ্যে ভূ-স্থানিক ডেটার সরাসরি ভিজ্যুয়ালাইজেশন এবং প্রক্রিয়াকরণ সক্ষম করে। দেখুন শুরু করার নির্দেশিকা সেজমেকার জিওস্পেশিয়াল ক্ষমতা ব্যবহার শুরু করতে শিখতে।

সেজমেকার একটি উদ্দেশ্য-নির্মিত প্রদান করে এপিআই ব্যবহার করে একত্রিত ইন্টারফেসের মাধ্যমে উপগ্রহ চিত্র পুনরুদ্ধার সহজতর করার জন্য ডিজাইন করা হয়েছে সার্চ রাস্টারডেটা কালেকশন API কল। SearchRasterDataCollection নিম্নলিখিত ইনপুট পরামিতিগুলির উপর নির্ভর করে:

• Arn: জিজ্ঞাসা করা রাস্টার ডেটা সংগ্রহের Amazon সম্পদের নাম (ARN)
• AreaOfInterest: একটি বহুভুজ বস্তু (GeoJSON বিন্যাসে) অনুসন্ধান ক্যোয়ারির জন্য আগ্রহের অঞ্চলের প্রতিনিধিত্ব করে
• TimeRangeFilter: সুদের সময়সীমা সংজ্ঞায়িত করে, হিসাবে চিহ্নিত করা হয় {StartTime: <string>, EndTime: <string>}
• PropertyFilters: সম্পূরক সম্পত্তি ফিল্টার, যেমন সর্বাধিক গ্রহণযোগ্য ক্লাউড কভারের স্পেসিফিকেশন, এছাড়াও অন্তর্ভুক্ত করা যেতে পারে

এই পদ্ধতিটি বিভিন্ন রাস্টার ডেটা উত্স থেকে অনুসন্ধান সমর্থন করে যা কল করে অন্বেষণ করা যেতে পারে ListRasterData Collections. আমাদের মিথেন সনাক্তকরণ বাস্তবায়ন ব্যবহার করে সেন্টিনেল-২ স্যাটেলাইটের ছবি, যা বিশ্বব্যাপী নিম্নলিখিত ARN ব্যবহার করে উল্লেখ করা যেতে পারে: arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8.

এই ARN সেন্টিনেল -2 চিত্রের প্রতিনিধিত্ব করে, যা 2A স্তরে প্রক্রিয়া করা হয়েছে (পৃষ্ঠের প্রতিফলন, বায়ুমণ্ডলীয়ভাবে সংশোধন করা হয়েছে)। মিথেন সনাক্তকরণের উদ্দেশ্যে, আমরা টপ-অফ-অ্যাটমোস্ফিয়ার (TOA) প্রতিফলন ডেটা (লেভেল 1C) ব্যবহার করব, যার মধ্যে পৃষ্ঠ স্তরের বায়ুমণ্ডলীয় সংশোধনগুলি অন্তর্ভুক্ত নয় যা অ্যারোসোল রচনা এবং ঘনত্বে (অর্থাৎ, মিথেন লিকস) পরিবর্তন করবে যা সনাক্ত করা যায় না। .

একটি নির্দিষ্ট বিন্দু উৎস থেকে সম্ভাব্য নির্গমন সনাক্ত করতে, আমাদের দুটি ইনপুট পরামিতি প্রয়োজন: সন্দেহজনক বিন্দু উৎসের স্থানাঙ্ক এবং মিথেন নির্গমন নিরীক্ষণের জন্য একটি নির্ধারিত টাইমস্ট্যাম্প। প্রদত্ত যে SearchRasterDataCollection API আগ্রহের একটি ক্ষেত্র (AOI) সংজ্ঞায়িত করতে বহুভুজ বা বহু-বহুভুজ ব্যবহার করে, আমাদের পদ্ধতির মধ্যে বিন্দু স্থানাঙ্কগুলিকে প্রথমে একটি বাউন্ডিং বাক্সে প্রসারিত করা এবং তারপর সেন্টিনেল-2 চিত্রের জন্য অনুসন্ধান করার জন্য সেই বহুভুজ ব্যবহার করে SearchRasterDateCollection.

এই উদাহরণে, আমরা উত্তর আফ্রিকার একটি তেলক্ষেত্র থেকে উদ্ভূত একটি পরিচিত মিথেন লিক নিরীক্ষণ করি। এটি রিমোট সেন্সিং লিটারেচারে একটি স্ট্যান্ডার্ড ভ্যালিডেশন কেস এবং এটি উল্লেখ করা হয়েছে, উদাহরণস্বরূপ, এই অধ্যয়ন. একটি সম্পূর্ণরূপে নির্বাহযোগ্য কোড বেস প্রদান করা হয় amazon-sagemaker-উদাহরণ GitHub সংগ্রহস্থল. এখানে, আমরা শুধুমাত্র নির্বাচিত কোড বিভাগগুলিকে হাইলাইট করি যা সেজমেকার ভূ-স্থানিক ক্ষমতা সহ একটি মিথেন সনাক্তকরণ সমাধান বাস্তবায়নের জন্য মূল বিল্ডিং ব্লকগুলিকে উপস্থাপন করে। অতিরিক্ত বিবরণের জন্য সংগ্রহস্থল দেখুন.

আমরা উদাহরণের ক্ষেত্রে স্থানাঙ্ক এবং লক্ষ্য পর্যবেক্ষণের তারিখ শুরু করে শুরু করি।

#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

নিম্নলিখিত কোড স্নিপেট প্রদত্ত বিন্দু স্থানাঙ্কের জন্য একটি বাউন্ডিং বাক্স তৈরি করে এবং তারপরে বাউন্ডিং বাক্স এবং নির্দিষ্ট পর্যবেক্ষণ তারিখের উপর ভিত্তি করে উপলব্ধ সেন্টিনেল-2 চিত্রের জন্য অনুসন্ধান করে:

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)

প্রতিক্রিয়াতে মিলিত সেন্টিনেল -2 আইটেমগুলির একটি তালিকা এবং তাদের সংশ্লিষ্ট মেটাডেটা রয়েছে৷ এই অন্তর্ভুক্ত ক্লাউড-অপ্টিমাইজড জিওটিআইএফএফ (সিওজি) সবার জন্য সেন্টিনেল-২ ব্যান্ড, পাশাপাশি হিসাবে ছোট চিত্রের ভিজ্যুয়াল ব্যান্ডগুলির একটি দ্রুত পূর্বরূপের জন্য চিত্রগুলি। স্বাভাবিকভাবেই, পূর্ণ-রেজোলিউশন স্যাটেলাইট ইমেজ (RGB প্লট) অ্যাক্সেস করাও সম্ভব, যা চিত্র 2 এ দেখানো হয়েছে যা অনুসরণ করা হয়েছে।

ছবি 2 – AOI এর স্যাটেলাইট ইমেজ (RGB প্লট)

পূর্বে বিস্তারিত হিসাবে, আমাদের সনাক্তকরণ পদ্ধতি টপ-অফ-দ্য-অ্যামমস্ফিয়ার (TOA) SWIR প্রতিফলনের ভগ্নাংশের পরিবর্তনের উপর নির্ভর করে। এটি কাজ করার জন্য, একটি ভাল বেসলাইনের সনাক্তকরণ অত্যন্ত গুরুত্বপূর্ণ। একটি ভাল বেসলাইন খোঁজা দ্রুত একটি ক্লান্তিকর প্রক্রিয়া হয়ে উঠতে পারে যাতে প্রচুর ট্রায়াল এবং ত্রুটি জড়িত থাকে। যাইহোক, ভাল হিউরিস্টিক এই অনুসন্ধান প্রক্রিয়াটিকে স্বয়ংক্রিয় করতে অনেক দূর যেতে পারে। একটি অনুসন্ধান হিউরিস্টিক যা অতীতে তদন্ত করা মামলাগুলির জন্য ভাল কাজ করেছে তা নিম্নরূপ: অতীতের জন্য day_offset=n দিন, সমস্ত স্যাটেলাইট ছবি পুনরুদ্ধার করুন, যেকোনও ক্লাউড সরিয়ে দিন এবং স্কোপের মধ্যে AOI তে ছবিটি ক্লিপ করুন। তারপর AOI জুড়ে গড় ব্যান্ড-12 প্রতিফলন গণনা করুন। ব্যান্ড-12-এ সর্বোচ্চ গড় প্রতিফলন সহ ছবির সেন্টিনেল টাইল আইডি ফেরত দিন।

এই যুক্তিটি নিম্নলিখিত কোড উদ্ধৃতিতে প্রয়োগ করা হয়েছে। এর যৌক্তিকতা এই সত্যের উপর নির্ভর করে যে ব্যান্ড-12 CH4 শোষণের জন্য অত্যন্ত সংবেদনশীল (চিত্র 1 দেখুন)। একটি বৃহত্তর গড় প্রতিফলন মান মিথেন নির্গমনের মতো উত্স থেকে কম শোষণের সাথে মিলে যায় এবং তাই নির্গমন মুক্ত বেসলাইন দৃশ্যের জন্য একটি শক্তিশালী ইঙ্গিত দেয়।

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)

এই পদ্ধতিটি ব্যবহার করে আমাদেরকে একটি উপযুক্ত বেসলাইন তারিখ এবং সংশ্লিষ্ট সেন্টিনেল-2 টাইল আইডি আনুমানিক করার অনুমতি দেয়। সেন্টিনেল-2 টাইল আইডিগুলি মিশন আইডি (সেন্টিনেল-2এ/সেন্টিনেল-2বি), অনন্য টাইল নম্বর (যেমন, 32এসকেএ) এবং অন্যান্য তথ্যের মধ্যে ছবি তোলার তারিখের তথ্য বহন করে এবং অনন্যভাবে একটি পর্যবেক্ষণ সনাক্ত করে , একটি দৃশ্য)। আমাদের উদাহরণে, আনুমানিক প্রক্রিয়াটি 6 অক্টোবর, 2019 (সেন্টিনেল-2 টাইল: S2B_32SKA_20191006_0_L2A), সবচেয়ে উপযুক্ত বেসলাইন প্রার্থী হিসাবে।

এরপরে, আমরা বেসলাইন তারিখ এবং আমরা যে তারিখটি নিরীক্ষণ করতে চাই তার মধ্যে প্রতিফলনের মধ্যে সঠিক ভগ্নাংশের পরিবর্তন গণনা করতে পারি। কারেকশন ফ্যাক্টর c (পূর্ববর্তী সমীকরণ 1 দেখুন) নিম্নলিখিত কোড দিয়ে গণনা করা যেতে পারে:

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]

সমীকরণ 1 এর সম্পূর্ণ বাস্তবায়ন নিম্নলিখিত কোড স্নিপেটে দেওয়া হয়েছে:

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

অবশেষে, আমরা উপরোক্ত পদ্ধতিগুলিকে একটি এন্ড-টু-এন্ড রুটিনে আবৃত করতে পারি যা একটি প্রদত্ত দ্রাঘিমাংশ এবং অক্ষাংশ, পর্যবেক্ষণের তারিখ এবং বেসলাইন টাইলের জন্য AOI সনাক্ত করে, প্রয়োজনীয় উপগ্রহ চিত্র অর্জন করে এবং ভগ্নাংশের প্রতিফলন পরিবর্তন গণনা সম্পাদন করে।

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

আমরা পূর্বে নির্ধারিত পরামিতিগুলির সাথে এই পদ্ধতিটি চালানোর ফলে SWIR TOA প্রতিফলনে ভগ্নাংশের পরিবর্তন পাওয়া যায় xarray.DataArray. আমরা একটি সাধারণ চালানোর মাধ্যমে ফলাফলের প্রথম চাক্ষুষ পরিদর্শন করতে পারি plot() এই ডেটা অ্যারের উপর আহ্বান. আমাদের পদ্ধতিটি AOI এর কেন্দ্রে একটি মিথেন প্লুমের উপস্থিতি প্রকাশ করে যা পূর্বে দেখা আরজিবি প্লটে সনাক্ত করা যায় না।

চিত্র 3 - TOA প্রতিফলনে ভগ্নাংশের প্রতিফলন পরিবর্তন (SWIR বর্ণালী)

একটি চূড়ান্ত পদক্ষেপ হিসাবে, আমরা চিহ্নিত মিথেন প্লুম বের করি এবং গুরুত্বপূর্ণ ভৌগলিক প্রেক্ষাপট প্রদান করতে একটি কাঁচা RGB উপগ্রহ চিত্রের উপর এটিকে ওভারলে করি। এটি থ্রেশহোল্ডিং দ্বারা অর্জন করা হয়, যা নিম্নলিখিত হিসাবে দেখানো হিসাবে প্রয়োগ করা যেতে পারে:

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

আমাদের ক্ষেত্রে, প্রতিফলনে -0.02 ভগ্নাংশের একটি থ্রেশহোল্ড ভাল ফলাফল দেয় তবে এটি দৃশ্য থেকে দৃশ্যে পরিবর্তিত হতে পারে এবং আপনাকে আপনার নির্দিষ্ট ব্যবহারের ক্ষেত্রে এটি ক্যালিব্রেট করতে হবে। চিত্র 4 যেটি অনুসরণ করে তা ব্যাখ্যা করে যে কীভাবে AOI-এর কাঁচা উপগ্রহ চিত্রকে মুখোশযুক্ত প্লুমের সাথে একটি একক যৌগিক চিত্রে একত্রিত করে প্লাম ওভারলে তৈরি করা হয় যা তার ভৌগলিক প্রসঙ্গে মিথেন প্লুমকে দেখায়।

চিত্র 4 – আরজিবি চিত্র, TOA প্রতিফলন (SWIR স্পেকট্রাম) এ ভগ্নাংশীয় প্রতিফলন পরিবর্তন এবং AOI-এর জন্য মিথেন প্লুম ওভারলে

বাস্তব-বিশ্বের মিথেন নির্গমন ইভেন্টগুলির সাথে সমাধানের বৈধতা

একটি চূড়ান্ত পদক্ষেপ হিসাবে, আমরা বিভিন্ন উৎস এবং ভূগোল থেকে মিথেন লিকেজ সঠিকভাবে সনাক্ত এবং চিহ্নিত করার ক্ষমতার জন্য আমাদের পদ্ধতির মূল্যায়ন করি। প্রথমত, আমরা একটি নিয়ন্ত্রিত মিথেন রিলিজ পরীক্ষা ব্যবহার করি যার জন্য বিশেষভাবে ডিজাইন করা হয়েছে স্থান-ভিত্তিক বিন্দু-উৎস সনাক্তকরণের বৈধতা এবং উপকূলীয় মিথেন নির্গমনের পরিমাণ নির্ধারণ. 2021 সালের এই পরীক্ষায়, গবেষকরা অ্যারিজোনার এহরেনবার্গে 19 দিনের মধ্যে বেশ কয়েকটি মিথেন রিলিজ করেছেন। সেই পরীক্ষার সময় সেন্টিনেল -2 পাসগুলির একটির জন্য আমাদের সনাক্তকরণ পদ্ধতি চালানোর ফলে নিম্নলিখিত ফলাফলগুলি একটি মিথেন প্লুম দেখায়:

চিত্র 5 – অ্যারিজোনা নিয়ন্ত্রিত রিলিজ পরীক্ষার জন্য মিথেন প্লামের তীব্রতা

নিয়ন্ত্রিত প্রকাশের সময় উত্পন্ন প্লুম আমাদের সনাক্তকরণ পদ্ধতি দ্বারা স্পষ্টভাবে চিহ্নিত করা হয়। পূর্ব এশিয়ার একটি ল্যান্ডফিল (বাম) বা উত্তর আমেরিকায় (ডানে) তেল ও গ্যাস সুবিধার মতো উত্স থেকে অন্যান্য পরিচিত বাস্তব-জগতের লিকেজের ক্ষেত্রেও একই কথা সত্য।

চিত্র 6 – পূর্ব এশীয় ল্যান্ডফিল (বাম) এবং উত্তর আমেরিকায় একটি তেল ও গ্যাস ক্ষেত্রের (ডানে) জন্য মিথেন প্লামের তীব্রতা

সংক্ষেপে, আমাদের পদ্ধতিটি নিয়ন্ত্রিত রিলিজ এবং বিশ্বজুড়ে বিভিন্ন বাস্তব-বিন্দু উৎস থেকে মিথেন নির্গমন শনাক্ত করতে সাহায্য করতে পারে। এটি সীমিত আশেপাশের গাছপালা সহ অন-শোর পয়েন্ট উত্সের জন্য সর্বোত্তম কাজ করে। এটি অফ-শোর দৃশ্যের কারণে কাজ করে না জল দ্বারা SWIR স্পেকট্রামের উচ্চ শোষণ (অর্থাৎ কম ট্রান্সমিট্যান্স). প্রদত্ত যে প্রস্তাবিত সনাক্তকরণ অ্যালগরিদম মিথেনের তীব্রতার তারতম্যের উপর নির্ভর করে, আমাদের পদ্ধতিতেও প্রাক-লিকেজ পর্যবেক্ষণ প্রয়োজন। এটি ধ্রুবক নির্গমন হারের সাথে ফুটোগুলির নিরীক্ষণকে চ্যালেঞ্জিং করে তুলতে পারে।

পরিষ্কার কর

মিথেন মনিটরিং কাজ শেষ হওয়ার পরে অবাঞ্ছিত চার্জ এড়াতে, নিশ্চিত করুন যে আপনি সেজমেকার ইন্সট্যান্সটি বন্ধ করেছেন এবং কোনও অবাঞ্ছিত স্থানীয় ফাইল মুছে ফেলেছেন।

উপসংহার

ওপেন জিওস্পেশিয়াল ডাটা সোর্সের সাথে সেজমেকার জিওস্পেশিয়াল ক্ষমতা একত্রিত করে আপনি স্কেলে আপনার নিজের উচ্চ কাস্টমাইজড রিমোট মনিটরিং সমাধান বাস্তবায়ন করতে পারেন। এই ব্লগ পোস্টটি মিথেন সনাক্তকরণের উপর দৃষ্টি নিবদ্ধ করে, সরকার, এনজিও এবং অন্যান্য সংস্থাগুলির জন্য একটি ফোকাল এলাকা যা সনাক্ত করতে এবং শেষ পর্যন্ত ক্ষতিকারক মিথেন নির্গমন এড়াতে চায়। আপনি SageMaker জিওস্পেশিয়াল কার্নেলের সাথে একটি নোটবুক ঘুরিয়ে এবং আপনার নিজস্ব সনাক্তকরণ সমাধান বাস্তবায়ন করে ভূ-স্থানীয় বিশ্লেষণে আপনার নিজের যাত্রা শুরু করতে পারেন। দেখুন GitHub সংগ্রহস্থল আপনার নিজস্ব স্যাটেলাইট-ভিত্তিক মিথেন সনাক্তকরণ সমাধান তৈরি করা শুরু করতে। এছাড়াও চেক আউট sagemaker- উদাহরণ অন্যান্য বাস্তব-বিশ্বের রিমোট সেন্সিং অ্যাপ্লিকেশানগুলিতে সেজমেকার ভূ-স্থানিক ক্ষমতাগুলি কীভাবে ব্যবহার করতে হয় সে সম্পর্কে আরও উদাহরণ এবং টিউটোরিয়ালের জন্য সংগ্রহস্থল।

---

লেখক সম্পর্কে

ডাঃ কার্স্টেন শ্রোয়ার AWS-এর একজন সলিউশন আর্কিটেক্ট। তিনি গ্রাহকদের তাদের আইটি অবকাঠামোর টেকসইতা চালনা করার জন্য ডেটা এবং প্রযুক্তির ব্যবহারে সহায়তা করেন এবং ক্লাউড-নেটিভ ডেটা-চালিত সমাধান তৈরি করেন যা তাদের নিজ নিজ উল্লম্বে টেকসই অপারেশন সক্ষম করে। ফলিত মেশিন লার্নিং এবং অপারেশন ম্যানেজমেন্টে পিএইচডি অধ্যয়নের পর কার্স্টেন AWS-এ যোগ দেন। তিনি সামাজিক চ্যালেঞ্জগুলির প্রযুক্তি-সক্ষম সমাধানগুলির বিষয়ে সত্যই উত্সাহী এবং এই সমাধানগুলির অন্তর্নিহিত পদ্ধতি এবং অ্যাপ্লিকেশন আর্কিটেকচারগুলির মধ্যে গভীরভাবে ডুব দিতে ভালবাসেন৷

জানোশ ওসচিৎজ এডব্লিউএস-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট, ভূ-স্থানিক এআই/এমএল বিশেষজ্ঞ। 15 বছরের বেশি অভিজ্ঞতার সাথে, তিনি ভূ-স্থানিক ডেটাকে পুঁজি করে এমন উদ্ভাবনী সমাধানের জন্য AI এবং ML ব্যবহারে বিশ্বব্যাপী গ্রাহকদের সমর্থন করেন। তার দক্ষতা মেশিন লার্নিং, ডেটা ইঞ্জিনিয়ারিং এবং স্কেলেবল ডিস্ট্রিবিউটেড সিস্টেমে বিস্তৃত, সফ্টওয়্যার ইঞ্জিনিয়ারিংয়ের একটি শক্তিশালী পটভূমি এবং স্বায়ত্তশাসিত ড্রাইভিং এর মতো জটিল ডোমেনে শিল্পের দক্ষতা দ্বারা পরিবর্ধিত।

• এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
• PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
• প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
• প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
• প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
• উত্স: https://aws.amazon.com/blogs/machine-learning/detection-and-high-frequency-monitoring-of-methane-emission-point-sources-using-amazon-sagemaker-geospatial-capabilities/