迈向可操作的自动化温室气体羽流检测与轮廓描绘

尽管深度学习方法近期取得了进展，但对于高空间分辨率成像光谱仪而言，将全自动设施级温室气体（GHG）羽流检测系统投入业务化部署仍具挑战性。然而，随着数据可用性的急剧增加，自动化在排放监测中的重要性不断提升。本工作回顾并解决了该领域中的几个关键障碍：数据和标签质量控制、防止时空偏差以及正确对齐的建模目标。我们通过使用来自机载和星载仪器的多任务数据的严格实验证明，当这些障碍得到缓解时，卷积神经网络（CNN）能够实现业务化的检测性能。我们证明，同时学习实例检测和像素级分割的多任务模型能够成功引领通向业务化的路径。我们评估了模型在不同排放源类型和区域的羽流可检测性，确定了业务化部署的阈值。最后，我们提供了可复现的即用型数据、模型和源代码，并致力于定义一套最佳实践和验证标准，以促进对该领域的未来贡献。