监测甲烷排放源的检测与高频监控

关键要点

甲烷CH4是一种主要的人为温室气体，它是石油和天然气开采、煤矿开采、大规模动物养殖和废物处理等多种来源的副产品。甲烷的全球变暖潜力是CH4比CO2高86倍，而气候变化政府间专门委员会IPCC估计甲烷已导致30的全球变暖。快速减少甲烷泄漏进入大气，对抗气候变化至关重要。在2021年，联合国在气候变化大会COP26上提出了全球甲烷承诺，目标是“迅速采取行动以控制甲烷，使未来的15C目标保持在可达到之内。”该承诺已有150个缔约方，包括美国和欧盟。

早期检测和持续监控甲烷源是实施有效行动的关键，因此引起了政策制定者和组织的关注。大规模实施经济实惠、有效的甲烷检测解决方案如现场甲烷检测仪或机载光谱仪面临挑战，因为这些方案通常既不切实际又非常昂贵。而远程传感技术借助卫星，能够提供所需的全球范围内高频率、成本效益的检测功能。

在本博文中，我们将展示如何利用Amazon SageMaker地理空间功能与AWS公开数据注册表中的Sentinel 2卫星影像来检测甲烷排放源的点状来源并随时间监控。基于近期的地球观测文献，您将学会如何实现自定义甲烷检测算法并利用它来检测和监控全球不同地点的甲烷泄漏。本文还包括GitHub上的示例代码，提供额外的技术细节，并帮助您开始自己的甲烷监测解决方案。

传统上，进行复杂的地理空间分析是一项艰巨的、耗时的、资源密集的工作。利用Amazon SageMaker的地理空间功能，数据科学家和机器学习工程师能够更方便地构建、训练和部署基于地理空间数据的模型。通过SageMaker的地理空间功能，您可以高效地转换或丰富大规模的地理空间数据集，加速使用预训练机器学习ML模型构建模型，并利用3D加速图形和内置可视化工具在互动地图上探索模型预测和地理空间数据。

使用多光谱卫星图像进行甲烷排放源的遥感

基于卫星的甲烷感测方法通常依赖于CH4的独特透射特性。在可见光谱中，CH4的透射率大于等于1，这意味着人眼无法检测到它。然而，在某些波长范围内，甲烷会吸收光透射率lt1，这一特性可以用于检测。为此，通常选择短波长红外SWIR光谱15002500 nm，这是甲烷最易于检测的波段。超光谱和多光谱卫星任务即那些具有在电磁波谱多条波段内捕捉影像数据的光学仪器覆盖这些SWIR波段，因而是潜在的检测工具。图1展示了甲烷在SWIR光谱中的透射特性以及各种候选多光谱卫星仪器的SWIR覆盖情况改编自此研究。

图1 甲烷在SWIR光谱中的透射特性及Sentinel2多光谱任务的覆盖情况

许多多光谱卫星任务的限制在于低重访频率例如，PRISMA超光谱约为16天或低空间分辨率例如，Sentinel 5为75 km x 75 km。访问数据的成本也是一项额外挑战：一些专用星座作为商业任务运行，这可能使得甲烷排放的洞察力由于财务限制而不容易获得。欧洲航天局的Sentinel2多光谱任务正是基于此方案，在重访频率约5天、空间分辨率约20米与开放访问托管于AWS公开数据注册表之间取得了适当的平衡。

Sentinel2有两个波段覆盖SWIR光谱以20米分辨率计：波段111610 nm中心波长和波段122190 nm中心波长。这两个波段都适合用于甲烷检测，其中波段12对甲烷吸收的敏感性显著更高见图1。直观上，有两种使用此SWIR反射率数据进行甲烷检测的方法。首先，可以专注于单个SWIR波段理想情况下是对甲烷吸收最敏感的那个，并计算两次卫星经过时像素之间的反射率差异。或者，也可以使用单个卫星经过的数据，利用两个相邻的光谱SWIR波段，这两个波段在表面和气溶胶反射特性相似，但对甲烷吸收特性有所不同。

我们在本博文中实施的检测方法结合了这两种方法。我们借鉴了地球观测文献中的最新发现，计算两个卫星经过时的顶层大气TOA反射率的分数变化即Sentinel2测得的反射率，包含来自大气气溶胶和气体的贡献，一个是没有甲烷存在的基线经过基础，另一个是怀疑存在活动甲烷源的监测经过监测。数学上可以表示为：

公式 (1)

其中，为Sentinel2测得的TOA反射率，cmonitor和cbase为通过回归全场景中波段12与波段11的TOA反射率值计算得出的即b11 = c b12。有关更多细节，请参考这项关于利用多光谱Sentinel2卫星观测进行高频监测异常甲烷排放源的研究。

在SageMaker地理空间功能中实现甲烷检测算法

为了实现甲烷检测算法，我们在Amazon SageMaker Studio中使用SageMaker地理空间笔记本。地理空间笔记本内核预装了必要的地理空间库，如GDAL、GeoPandas、Shapely、xarray和Rasterio，使催生直接在Python笔记本环境中可视化和处理地理空间数据的能力。请参阅入门指南，了解如何开始使用SageMaker地理空间功能。

SageMaker提供了一种专为检索卫星影像而设计的API，通过SearchRasterDataCollection API调用，使用集中式界面。SearchRasterDataCollection依赖以下输入参数：

该方法支持从多种栅格数据源查询，可通过调用ListRasterDataCollections进行探索。我们的甲烷检测实现使用Sentinel2卫星影像，可以通过以下ARN进行全球引用：arnawssagemakergeospatialuswest2378778860802rasterdatacollection/public/nmqj48dcu3g7ayw8。

该ARN代表经过处理的Sentinel2影像Level 2A表面反射率，经过大气校正。就甲烷检测而言，我们将使用顶层大气TOA反射率数据Level 1C，该数据不包括表面级的大气校正，这样甲烷泄漏的气溶胶成分和密度变化会变得不可检测。

为了识别特定点源可能的排放，我们需要两个输入参数：可疑点源的坐标和用于甲烷排放监测的指定时间戳。考虑到SearchRasterDataCollection API使用多边形或多重多边形来定义兴趣区域AOI，我们的方法首先需将点坐标扩展为边界框，然后使用该多边形通过SearchRasterDataCollection查询Sentinel2影像。

在本例中，我们正在监测来自北非油田的已知甲烷泄漏。这是遥感文献中的标准验证案例，如在此研究中所述。GitHub上的亚马逊SageMaker示例提供了完整可执行的代码库。在这里，我们只突出显示一些关键代码段，这些段落是利用SageMaker地理空间功能实现甲烷检测解决方案的关键构建块。有关更多细节，请查看该代码库。

我们首先初始化示例的坐标和目标监测日期。

python

北非油田的坐标和日期

请参阅此处以供参考：https//doiorg/105194/amt1427712021

pointlongitude = 59053pointlatitude = 316585targetdate = 20191120

周围点的边界框大小

distanceoffsetmeters = 1500

以下代码片段为给定的点坐标生成边界框，然后基于边界框和指定的监测日期搜索可用的Sentinel2影像：

pythondef bboxaroundpoint(lon lat distanceoffsetmeters) # 地球赤道半径km，取自 https//nssdcgsfcnasagov/planetary/factsheet/earthfacthtml earthradiusmeters = 6378137 latoffset = mathdegrees(distanceoffsetmeters / earthradiusmeters) lonoffset = mathdegrees(distanceoffsetmeters / (earthradiusmeters mathcos(mathradians(lat)))) return geometryPolygon([ [lon lonoffset lat latoffset] [lon lonoffset lat latoffset] [lon lonoffset lat latoffset] [lon lonoffset lat latoffset] [lon lonoffset lat latoffset] ])

生成边界框并提取多边形坐标

aoigeometry = bboxaroundpoint(pointlongitude pointlatitude distanceoffsetmeters)aoipolygoncoordinates = geometrymapping(aoigeometry)[coordinates]

设置查询参数

searchparams = { Arn arnawssagemakergeospatialuswest2378778860802rasterdatacollection/public/nmqj48dcu3g7ayw8 # Sentinel2 L2 数据 RasterDataCollectionQuery { AreaOfInterest { AreaOfInterestGeometry { PolygonGeometry { Coordinates aoipolygoncoordinates } } } TimeRangeFilter { StartTime {}T000000Zformat(asisodate(targetdate)) EndTime {}T235959Zformat(asisodate(targetdate)) } }}

使用SageMaker地理空间功能查询栅格数据

sentinel2items = geospatialclientsearchrasterdatacollection(searchparams)

响应包含匹配的Sentinel2项及其相应的元数据。这包括所有云优化GeoTIFFs (COG)的Sentinel2波段以及图像视觉波段的缩略图图像用于快速预览。显然，访问完整分辨率的卫星图像RGB图也是可能的，如图2所示。

图2 AOI的卫星图像RGB图

如前所述，我们的检测方法依赖于顶层大气TOASWIR反射率的分数变化。为了有效实施，识别良好基线至关重要。找到一个良好的基线可能会迅速变成一项繁琐的工作，涉及大量的尝试和错误。然而，一些好的启发式方法可以大大简化这一搜索过程。适用于过去研究的启发式搜索方式如下：在过去的dayoffset=n天内获取所有卫星影像，去除此期间的云并剪切至AOI范围。然后计算AOI中的波段12反射率的平均值。返回平均反射率最高的图像的Sentinel切片ID。

此逻辑在以下代码片段中实现。其原理依赖于波段12对甲烷吸收的高度敏感性见图1。更高的平均反射率值对应于更低的吸收率如甲烷排放源，因而为无排放基线场景提供强有力的指示。

pythondef approximatebestreferencedate(lon lat