该研究建立了一个名为 METER-ML 的多传感器数据集，包含标记 85,599 张图像的美国甲烷源设施，并实验了不同的模型，最终找到了一个精度召回曲线下面积达到 0.915 和 0.821 的最佳模型，证明了大规模映射的潜力。

Jul, 2022

通过基于物理仿真的遥感影像监测方法，我们提出了一种新的基于深度学习的定量甲烷排放监测框架，该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务，并引入多任务学习模型来提高准确性。

Jan, 2024

本研究提供了一个完整的框架，利用 PRISMA 卫星任务的图像和深度学习模型识别甲烷 (CH4) 云，并通过转换 Sentinel-2 的高分辨率云到 PRISMA 训练该模型实现了大面积检测，为未来的高光谱传感器的甲烷云大规模检测奠定了基础。

Nov, 2022

提出了一种新型的光谱吸收波长感知变换器网络 MethaneMapper，它可以定位和准确地定量化甲烷的排放，通过对 1200 AVIRIS-NG 飞行线的超过 4000 个甲烷排放数据集的详细评估表明，MethaneMapper 在检测中获得了 0.63 mAP，并将模型大小与现有技术相比减小了 5 倍。

Apr, 2023

全球变暖引发的甲烷 (CH4) 排放对环境的影响，催生了大量的研究项目，旨在开发能够主动和快速检测 CH4 的新技术。本文使用多个数据驱动的机器学习（ML）模型测试了它们在识别泄漏的 CH4 及其相关强度方面的表现。模拟中包含了多种气象特征，包括风速、温度、压力、相对湿度、水蒸气和热通量。我们采用集成学习方法，构建了一系列基于多个较弱低层 ML 模型的加权集成 ML 模型，用于 (i) 作为分类问题检测 CH4 的存在和 (ii) 作为回归问题预测 CH4 的强度。

Dec, 2023

本文针对当前深度学习方法在计算机视觉和遥感专业任务中应用普及的情况，讨论了解决办法。结合地理位置信息，提出利用不标注数据进行自我监督预训练，探讨了联合嵌入方法在多种遥感图像模态下的应用，最终在甲烷源分类任务上获得良好的性能。

Jun, 2023

本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

Feb, 2018

本文应用 Koopman 算子理论灵感，训练了一个自监督深度学习模型，用于建模未经标注的多光谱和高光谱卫星图像，同时证明了该模型可以用于数据同化。

May, 2023

使用图像分割和迭代背景估计算法为燃气云层下的各种背景材料创建局部估计，以增加深度学习识别的置信度。

Jan, 2024

利用 Copernicus 计划（ESA）的 Sentinel 卫星和 Google Earth Engine 的云计算设施，我们提供一个包括 180,662 个样本的数据集，该数据集由双极化合成孔径雷达（SAR）图像，多光谱 Sentinel-2 图像和 MODIS 地表覆盖映射的三元组组成，拥有 10 m 的地面采样距离，并覆盖所有有人居住的大陆和所有气象季节。期望该数据支持社区开发面向场景分类或地表映射的语义分割等常见任务的深度学习算法。

Jun, 2019