Clustering semántico ambiental guiado por fusión multimodal para una mejor interpretabilidad en la predicción de...

Área de la Ciencia:

• Ciencias Ambientales
• Química Atmosférica
• Inteligencia Artificial

Sus antecedentes:

• El metano es un potente gas de efecto invernadero, 84 veces más impactante que el CO2 durante 20 años.
• La predicción precisa de la concentración de metano es crucial para el monitoreo ambiental y la identificación de fuentes de emisión.
• La fusión de datos terrestres dispersos con imágenes satelitales extensas presenta desafíos significativos.

Objetivo del estudio:

• Introducir una novedosa Red de Atención Cruzada Espacio-Temporal (ST-CAN) para fusionar observaciones terrestres dispersas de alta frecuencia con imágenes satelitales temporalmente infrecuentes.
• Mejorar la resolución temporal de los mapas de concentración de metano utilizando IA.
• Mejorar la precisión y robustez de las predicciones de concentración de metano, especialmente cerca de fuentes industriales.

Principales métodos:

• Descomposición de wavelet para transformar mediciones terrestres de alta frecuencia en características temporales multiescala.
• Agrupación semántica ambiental para identificar patrones atmosféricos distintos y proporcionar etiquetas contextuales.
• Un mecanismo de atención cruzada bidireccional para guiar dinámicamente la fusión de datos terrestres y satelitales en función de los estados ambientales identificados.

Principales resultados:

• ST-CAN supera significativamente a los modelos de referencia en precisión predictiva y robustez para la concentración de metano.
• El mecanismo bidireccional interpola eficazmente durante las brechas de datos satelitales causadas por la cobertura de nubes o la escasez.
• El modelo genera predicciones de concentración de metano de alta fidelidad y representativas espacialmente al integrar diversas fuentes de datos.

Conclusiones:

• ST-CAN ofrece un marco transparente y escalable para la modelización de la concentración de metano de alta resolución.
• El estudio avanza las capacidades de monitoreo ambiental para gases de efecto invernadero.
• El enfoque de IA desarrollado apoya los esfuerzos de mitigación climática específicos al mejorar la identificación de fuentes de emisión.