カナダにおける高度なAI駆動メタン排出量検知,定量化および局所化:ハイブリッドマルチソース融合フレームワーク
Abbas Yazdinejad1, Hao Wang2, Jude Kong3
1Artificial Intelligence and Mathematical Modeling lab (AIMMlab), Dalla Lana School of Public Health, University of Toronto, Toronto, ON, Canada.
The Science of the total environment
|August 20, 2025
まとめ
メタンの排出量の正確なモニタリングは困難です. 新しいハイブリッドAIフレームワークは,カナダにおける正確な検出とソース識別のために衛星,気候,地理空間データを融合させ,気候変動緩和の取り組みを改善します.
科学分野:
- 環境科学
- 気候変動に関する研究
- リモートセンシング技術
背景:
- メタン (CH4) は強力な短期的な気候変動因子ですが,正確な検出と正確な局所化は技術的に困難です.
- 現地センサーと単一ソースの衛星データを用いた従来のモニタリング方法は,限られた範囲,データの正確性問題,ソースの特定に困難があります.
研究 の 目的:
- 新しいハイブリッドマルチソースデータ融合フレームワークを導入し,AIによるメタン排出量モニタリングを強化する.
- カナダにおけるメタン排出量検知,測定,源の特定の精度を向上させる.
主な方法:
- センチネル5Pの衛星データ,ERA5の気候再分析,OpenStreetMap (OSM) とGoogle Earth Engine (GEE) のジオスペースインテリジェンスを統合したハイブリッドフレームワーク.
- 大気,気象,産業の特徴を組み込む特性のレベル,時空,およびハイブリッドモデリングのデータ融合技術を使用した.
- 空間時間分析のために深層学習 (CNN-GRU,LSTM-CNN) とアンサンブル回帰 (LSTM+XGBoost) を採用し,源発見のために地統計学的方法 (Kriging,IDW) と風感のKDTreeを使用した.
主要な成果:
- ハイブリッドモデルは,異常検出と定量化において92%以上の分類精度を達成し,単一の方法と比較して予測誤差を大幅に削減しました.
- CNN-GRUアーキテクチャは,メタンの濃度予測において優れたパフォーマンスを示し,最低のRMSEと最高のR2スコアを得ました.
- 地理統計技術と風の感知分析を組み合わせて,メタンの排出源の信頼性の高い発見が可能になり,空間的解像度と属性を向上させました.
結論:
- 開発されたハイブリッドフレームワークは,政策立案者や環境機関のメタン排出量監視と制御のための強力でスケーラブルなソリューションを提供します.
- 地上のシステムと遠隔検知を統合することで,ほぼリアルタイムで異常を特定し,ホットスポットを検出できます.
- この方法論は,堅牢な規制構造と効果的な気候変動緩和戦略の開発を支援します.
