基于TROPOMI卫星数据与机器学习的异常NO2排放船舶检测
机器学习
2023-04-10 v2 大气与海洋物理
摘要
自2021年起，针对在北海与波罗的海水域运营的船舶引入了更严格的 排放限制。由于当前用于船舶合规监测的所有方法均耗费资金与时间，优先检查极有可能不合规的船舶十分重要。当前大规模船舶 估算的最先进方法，是基于监督机器学习对TROPOMI/S5P图像上的船舶羽流进行分割。然而，具有挑战性的数据标注以及用于验证的复杂度不足的船舶排放代理变量，限制了该模型在船舶合规监测中的适用性。在本研究中，我们提出了一种利用TROPOMI卫星数据上机器学习模型组合自动筛选潜在不合规船舶的方法。其基于所提出的回归模型，预测在特定大气条件下具有某些属性的船舶预期产生的 量。该模型无需人工标注，并直接用TROPOMI数据验证。预测与实际产生的 量之差随船舶随时间观测积分，并用作船舶检查价值度的度量。为确保结果稳健性，我们将所得结果与先前开发的基于分割的方法结果进行比较。依据分割方法也高度偏离的船舶需进一步关注。若检查TROPOMI数据找不到其他解释，则建议将相应船舶作为检查候选。
引用
@article{arxiv.2302.12744,
title = {Anomalous NO2 emitting ship detection with TROPOMI satellite data and machine learning},
author = {Solomiia Kurchaba and Jasper van Vliet and Fons J. Verbeek and Cor J. Veenman},
journal= {arXiv preprint arXiv:2302.12744},
year = {2023}
}