利用深度学习中的超分辨率方法和领域自适应技术提高卫星监测中生物挥发性有机化合物（BVOC）的精度。

Jun, 2023

SuperBench是第一个带有高分辨率数据集的基准数据集，包括流体流动、宇宙学和天气数据，旨在验证空间分辨率性能并评估数据退化任务鲁棒性的方法。深度学习为基础的SR方法在某些任务上表现出色，但在捕捉微妙的细节和保留科学数据的基本物理属性和约束方面存在局限性，这凸显了将领域知识纳入ML模型的重要性和细微差别。

Jun, 2023

利用深度学习方法可以自动化检测卫星多光谱数据中的甲烷泄漏，无需事先了解潜在泄漏点，从而大幅降低误报率，为全球点源甲烷排放的自动化、高清晰度和高频率监测铺平了道路。

Aug, 2023

GeoViT是一种紧凑的视觉转换模型，熟练处理卫星图像以进行多模式分割、分类和回归任务，目标是CO2和NO2排放。利用GeoViT，我们在估计发电率、燃料类型、CO2的尾气覆盖率和高分辨率NO2浓度地图方面获得了卓越的准确性，超过了先前的最先进模型，同时显著减小了模型尺寸。GeoViT表明了视觉转换器架构在利用卫星数据提升温室气体排放见解方面的功效，对全球气候变化监测和排放规章制度的推进具有关键作用。

Nov, 2023

利用敏感性分析方法对Energy Exascale Earth System Model (E3SM)的甲烷模型的19个关键生物地球化学过程参数进行研究，并通过机器学习算法模拟复杂的生物地球化学行为以减少计算成本，发现甲烷生产和扩散参数通常具有最高的敏感性，并通过参数校准进一步提高模拟的排放性能。

Dec, 2023

通过结合视觉转换器模块和高效的时间序列转换器模块，GeoFormer模型在预测地表二氧化氮（NO2）浓度方面取得了高准确度（MAE 5.65），证明了使用卫星数据进行增强温室气体排放洞察力的有效性，对于推进全球气候变化监测和排放调控工作具有重要意义。

Feb, 2024

优化的动态模态分解算法用于构建自适应且具有高计算效率的全球大气化学动力学的降阶模型和预测工具，通过利用低维度的全球时空模态，可以计算出对应的可解释的空间和时间尺度特征，并通过线性模型实现预测。该方法在三个月的全球化学动力学数据上展示了其在计算速度和可解释性方面的显著性能，成功提取了大气化学的知名主要特征，如夏季地表污染和生物质燃烧活动，并且动态模态分解算法可以迅速重构基础线性模型，以适应非平稳数据和动态变化。

Apr, 2024

通过使用多张卫星图像，本研究提出了一种针对Sentinel-2时间序列的多图像超分辨率重建算法，并展示了多图像对超分辨率性能的显著改善，同时探讨了光谱保真度和感知质量之间的权衡关系。

Apr, 2024

本研究解决了传统甲烷检测方法在效率和准确性上的不足，通过对短波红外（SWIR）带操作甲烷源检测传感器的现有信息进行扩展，提出了机器学习（ML）方法作为新的解决方案。研究发现，基于卷积神经网络（CNN）架构的ML模型在甲烷检测中表现优于传统方法，能够更准确地提取甲烷敏感光谱数据的信息，并探讨未来在模型可比性和数据集创建方面的潜在进展。

Aug, 2024

本研究解决了大气成分计算模型中物理一致性不足的问题，特别是原子守恒法律的遵循。提出了一种新的方法，通过最小扰动预测浓度，确保原子守恒，同时提高低浓度物种的准确预测。结果表明，这种不确定性加权的修正方法可以稍微改善整体预测的准确性，并推动结果达到更合理的守恒状态。

Aug, 2024