揭开潜力：多任务深度学习用于空间定量监测挥发性甲烷泄漏

Jan, 2024

揭开潜力：多任务深度学习用于空间定量监测挥发性甲烷泄漏

Unlocking the Potential: Multi-task Deep Learning for Spaceborne Quantitative Monitoring of Fugitive Methane Plumes

Guoxin Si, Shiliang Fu, Wei Yao

TL;DR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。

Abstract

With the intensification of global warming, the monitoring of methane emission and detection of gas plumes from landfills have increasingly received attention. We decompose methane emission monitoring into three sub-tasks: methane concentration inversion, plume segmentation, and emission rate estimation. Conventional algorithms have limitations: methane conc

methane emissions landfill gas remote sensing deep learning-based framework multi-task learning models

发现论文，激发创造

利用深度学习在多光谱卫星数据中进行甲烷排放的自主检测

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

利用 PRISMA 探测甲烷云：深度学习模型和数据增强

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

METER-ML: 自动甲烷源映射的多传感器地球观测基准

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

基于集成学习的环境甲烷检测与强度预测模型的开发与评估

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

遥感联合多模态自监督预训练：甲烷源分类应用

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

MethaneMapper: 使用光谱吸收意识的高光谱变换器进行甲烷检测

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

改进高光谱图像中气体云识别的局部背景估计

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

通过深度学习联合反演时间变化的地表重力和地震数据以监测三维 CO$_2$ 气体云层

我们引入了一种完全基于深度学习的三维方法，用于同时反演时间序列表面重力和地震数据，以重建地下密度和速度模型，该方法的目标应用是预测地下 CO₂羽流，作为监测 CO₂封存部署的补充工具，我们的联合反演技术优于基于深度学习的仅有重力或仅有地震的反演模型，实现了改进的密度和速度重建，准确的分割以及更高的 R-squared 系数，这些结果表明基于深度学习的联合反演是一种有效的 CO₂储存监测工具，未来的工作将侧重于使用更大的数据集验证我们的方法，进行其他地质封存地点的模拟，最终验证现场数据。

Sep, 2023

利用深度学习进行有毒都市烟雾的时空预测

ST-GasNet 是一种新颖的深度学习模型，通过学习由高分辨率大涡模拟模型生成的地面有毒城市羽流的时间序列，准确预测了随时间演化的空间特征，对于即使建筑物将大型羽流分裂成小型羽流的情况也能准确预测后期的时空演变，且通过结合大尺度风边界条件信息，在整个预测期内达到至少 90% 的预测准确度。

May, 2024

Gasformer：用于光学气体成像中分割畜禽排放的基于 Transformer 的架构

通过 Gasformer 以及光学气体成像技术，我们成功引入了一种新的语义分割方法，用于检测来自畜牧业低流量甲烷排放。在两个数据集上，Gasformer 表现出优于其他先进模型的性能，证明其在受控和真实场景中检测和分割甲烷羽流的有效性，从畜牧业数据集上的结果来看，Gasformer 达到了 88.56% 的 mIoU，超过了其他先进模型。

Apr, 2024