基于人工智能的卫星运营甲烷排放监测
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
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
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
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
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
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
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
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