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

本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家（EU27＆英国，意大利，德国，西班牙）和印度的电力，工业，陆上交通，国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者，并利用 LSTM 模型进行准确的预测，为政策决策，缓解策略和应对气候变化提供洞察。

Jul, 2023

本研究使用深度卷积神经网络寻找人为气溶胶引起的云层扰动，以评估它们的特性和普遍性，为气候效应提供有价值的洞见。

Nov, 2019

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

空气污染每年夺走 700 万人的生命。砖瓦制造行业是最大的煤炭消费者之一，导致印度 - 恒河平原（印度次大陆人口密集地带）空气污染的 8%-14%。由于砖瓦窑是一个无组织的部门，并且数量庞大，所以检测与居住地的距离等政策违规行为并不容易。空气质量和其他领域的专家依赖于人工手动标注来维护砖瓦窑清单。以往的研究使用基于计算机视觉的机器学习方法从卫星图像中检测砖瓦窑，但其范围有限且标记数据的工作量很大。本文中，我们提出了一个框架，用于在像印度这样大的国家中部署可扩展的砖瓦窑检测系统，并从印度 - 恒河平原的 28 个地区的 5 个州识别出 7477 个新的砖瓦窑。然后，我们展示了检查政策违规行为（如高空间密度的窑炉和某一地区随时间异常增长）的有效方式。我们发现 90% 的德里 - 国家首都区的砖瓦窑违反了基于密度的政策。我们的框架可以直接被全球各国政府采用，以自动化砖瓦窑的政策监管。

Feb, 2024

研究探讨了气候因素对空气质量的影响，通过对比回归模型与 K-Means 聚类、层次聚类和随机森林技术来分析。我们使用基于物理学的深度学习 (Physics-based Deep Learning, PBDL) 和长短期记忆 (Long Short-Term Memory, LSTM) 方法来研究空气污染预测。分析使用了挪威三个主要城市 2009 年至 2018 年的每日交通、天气和空气污染数据。特征选择的结果显示，采暖度日增加与空气污染水平增加之间存在相关性，这表明挪威的采暖活动是空气质量恶化的一个因素。PBDL 方法在空气污染预测方面表现出较高的准确性，相较于 LSTM 方法更为优越。本文对于基于环境变量的 PBDL 方法进行更准确的空气污染预测的增长文献做出了贡献，有助于决策者制定有效的数据驱动型气候政策。

May, 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

本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。

Nov, 2022

大气氮氧化物主要来自燃料燃烧，会对健康和环境造成急性和慢性影响。本研究提出了一种基于物理知识的深度学习框架，结合了传输模型和机器学习的优势，可以准确预测 NO2 和 NOx 的地面浓度，并降低估计偏差。该框架在空气质量暴露、健康和政策应用方面取得了显著的改进。

Aug, 2023