相关实验视频
Updated: May 26, 2025

Surface Mapping of Earth-like Exoplanets using Single Point Light Curves
Published on: May 10, 2020
将高斯过程机器学习和现代概率编程应用于卫星数据,以推断CO2排放
Seongeun Jeong1, Sofia D Hamilton1, Matthew S Johnson2
1Energy Analysis and Environmental Impacts Division, Lawrence Berkeley National Laboratory, Berkeley, California 94720, United States.
这项研究引入了一个新的高斯过程 (GP) 机器学习 (ML) 模型,以更好地分析卫星二氧化碳数据. 该模型准确估计了排放和噪声,改善了大气逆转.
科学领域:
- 地球和大气科学 地球和大气科学
- 机器学习 机器学习
- 环境监测 环境监测
背景情况:
- 卫星观测对于了解二氧化碳分布至关重要,但目前的模型在空间时间数据相关性方面存在困难.
- 在大气逆向模型中精确估计空间长度尺度仍然是一个挑战.
研究的目的:
- 使用高斯过程 (GP) 机器学习 (ML) 开发一个先进的推理模型,以处理卫星二氧化碳数据中的时空共变.
- 估计诸如共变长度尺度之类的超参数,并改善排放的大气逆转.
- 将GP ML与概率编程语言 (PPL) 和GEOS-Chem模型集成,以进行增强的二氧化碳排放分析.
主要方法:
- 开发了一个GP ML反转系统,利用现代的PPL和GEOS-Chem化学运输模型.
- 在监督学习框架内,使用轨道碳观测站-2/3 (OCO-2/3) 2020年7月数据模拟大气二氧化碳度.
- 采用特定行业的排放缩放因素作为GP模型的隐藏预测因素.
主要成果:
- 通过支持GPU的PPL加速的GP模型成功地检索了真正的排放缩放因子.
- 该系统有效地推断了卫星二氧化碳度数据中的隐藏噪音水平.
- 证明了该模型在时空数据中处理复杂的共变性结构的能力.
结论:
- 拟议的GP ML方法通过准确处理时空相关性来增强卫星二氧化碳数据的分析.
- 这种方法为大气逆转提供了一个强大的框架,改善了二氧化碳排放的估计.
- 该方法可扩展到更大的区域和复杂的数据集,推进OCO-2/3和类似卫星任务的分析.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
07:13Early Detection of Cyanobacterial Blooms and Associated Cyanotoxins using Fast Detection Strategy
Published on: February 25, 2021
相关概念视频
Field Application of Global Positioning System
GIS Software, Hardware, and Sources of GIS Data
Maxwell-Boltzmann Distribution: Problem Solving
This distribution function f(v) is defined by saying that the expected number N (v1,v2) of particles with speeds between v1 and v2 is given by
Introduction to Global Positioning System
Levels of Use of a GIS
Types of Global Positioning System Surveys