面向间接自顶向下道路交通排放估计

道路交通是影响气候变化的最大温室气体（GHG）排放部门之一。作为全球社会应对气候变化，将需要新的能力来测量与编制道路交通排放清单。然而，车辆排放的规模大且分散的特性使该部门对现有清单方法尤为挑战。本工作中，我们开发使用卫星影像的机器学习模型，以执行道路交通排放的间接自顶向下估计。我们的初始实验聚焦于美国，那里有自底向上清单可用于训练模型。我们在 Sentinel-2 影像上以逐像素（100 m$^{2}$）为基础计算，实现了 39.5 kg CO$_{2}$ 的年度道路交通排放平均绝对误差（MAE）。我们还讨论了为使模型能泛化至全球地理所需解决的关键模型假设与挑战。我们相信本工作是首个发表的利用视觉影像自动间接自顶向下估计道路交通部门排放的方法，并代表了迈向可扩展、全球、近实时道路交通排放清单的关键一步，该清单以独立且客观的方式测量。