Французские учёные применили сверточные нейронные сети для количественной оценки шлейфов CO₂ на спутниковых снимках OCO-3

Дайджест исследований

В этой статье представлена разработка и применение метода, основанного на глубоком обучении, для преобразования атмосферных выбросов CO2 от электростанций с использованием спутниковых снимков общего соотношения смешивания CO2 в атмосферном столбе (XCO2). Мы представляем комплексный метод сверточной нейронной сети (CNN), который обрабатывает спутниковые снимки XCO2 для получения оценок выбросов от электростанций, который устойчив к отсутствию данных на изображениях из-за облачности или частичной видимости шлейфа из-за ограниченной протяженности спутниковой полосы.

CNN прошел обучение и валидацию исключительно на основе результатов моделирования выбросов CO2 на восьми электростанциях в Германии в 2015 году. Оценка на основе этого синтетического набора данных показывает отличную производительность CNN с относительной погрешностью, близкой к 20%, на которую существенно влияет только значительный облачный покров. Затем метод применяется к 39 изображениям выбросов XCO2 с девяти электростанций, полученным с помощью орбитальной углеродной обсерватории-3 Snapshot Area Maps (OCO3 SAMs), и полученные прогнозы сравниваются со среднегодовыми данными о выбросах. Результаты очень многообещающие, они показывают, что относительная разница между прогнозируемыми и заявленными выбросами лишь немного превышает относительную погрешность, выявленную в результате экспериментов с синтетическими изображениями. Кроме того, анализ площади изображений, в которых инверсия на основе CNN извлекает информацию для количественной оценки выбросов, основанный на методах интегрированного градиента, демонстрирует, что CNN эффективно определяет местоположение шлейфов на изображениях OCO-3 SAM. Это исследование демонстрирует возможность применения нейронных сетей, обученных на синтетических наборах данных, для инверсии атмосферных шлейфов на реальных спутниковых снимках XCO2 и предоставляет инструменты для будущих применений.

Исследование опубликовано в журнале Geoscientific Model Development.