加拿大人工智能驱动的先进甲排放检测,量化和定位:混合多源融合框架
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
概括
精确的甲排放监测是一项挑战. 一个新的混合人工智能框架将卫星,气候和地理空间数据用于加拿大的精确检测和来源识别,改善气候变化缓解工作.
科学领域:
- 环境科学
- 气候变化研究
- 遥感技术
背景情况:
- 甲 (CH4) 是一个强大的短期气候强化剂,但其精确的检测和精确的定位仍然具有技术挑战性.
- 使用现场传感器和单一来源的卫星数据的传统监测方法覆盖范围有限,数据准确性问题存在,来源识别也存在困难.
研究的目的:
- 引入新的混合多源数据融合框架,以增强人工智能驱动的甲排放监测.
- 提高加拿大甲排放检测,测量和来源归因的准确性.
主要方法:
- 一个混合框架,集成Sentinel-5P卫星数据,ERA5气候再分析,以及来自OpenStreetMap (OSM) 和谷歌地球引擎 (GEE) 的地理空间情报.
- 使用特征级,时空和混合建模数据融合技术,结合大气,气象和工业特征.
- 采用深度学习 (CNN-GRU,LSTM-CNN) 和整体回归器 (LSTM+XGBoost) 进行时空分析,以及地缘统计方法 (Kriging,IDW) 和风感知KDTree用于源发现.
主要成果:
- 混合模型在异常检测和量化方面实现了超过92%的分类准确性,与单一方法相比,显著减少了预测错误.
- 在甲度预测方面,CNN-GRU架构表现出卓越的性能,产生了最低的RMSE和最高的R2得分.
- 地质统计技术与风能分析相结合,使得可靠的甲排放源发现成为可能,提高了空间分辨率和归因.
结论:
- 开发的混合框架为决策者和环境机构提供了一种强大,可扩展的解决方案,用于监测和控制甲排放.
- 远程传感与地面系统的整合可实现近乎实时的异常识别和热点检测.
- 该方法支持制定强有力的监管结构和有效的减缓气候变化的战略.
