基于机器学习的太平洋 methane 检测与定量化 - 综述
计算机视觉与模式识别
2024-08-28 v1 大气与海洋物理
摘要
甲烷 () 是一种强大的人为温室气体，相对于二氧化碳 () 在20年期间引起的全球变暖作用高达86倍，同时它也作为空气污染物发挥作用。鉴于其巨大的辐射强迫潜力和相对较短的大气寿命（9±1年），甲烷对气候变化具有重要意义，因此削减甲烷排放对于有效的气候变暖缓解至关重要。本工作扩展了关于短波红外（SWIR）波段中操作性甲烷点源检测传感器的现有信息。它综述了传统方法和机器学习（ML）方法的最新进展。将分别讨论此类ML模型的架构和用于甲烷 plume 分割和排放率估计的数据。传统上，专家依赖于耗时的手动调整方法进行甲烷检测。然而，ML方法具有更好的可扩展性。我们的分析表明，ML模型在性能上优于传统方法，特别是基于卷积神经网络（CNN）的方法，这些方法基于U-net和transformer架构。这些ML模型从甲烷敏感光谱数据中提取有价值的信息，从而实现更精确的检测。由于数据、传感器规格和评估指标的差异，这些方法进行比较时会出现挑战。为此，我们讨论了现有数据集和指标，提供了可用资源的概览，并确定开放的研究问题。最后，我们探讨了ML的潜在未来进展，强调方法以实现模型可比性、大规模数据集创建以及欧盟即将推出的甲烷战略等方面的可能性。
引用
@article{arxiv.2408.15122,
title = {Machine Learning for Methane Detection and Quantification from Space - A survey},
author = {Enno Tiemann and Shanyu Zhou and Alexander Kläser and Konrad Heidler and Rochelle Schneider and Xiao Xiang Zhu},
journal= {arXiv preprint arXiv:2408.15122},
year = {2024}
}