科研动态
科研成果|我院任涛副教授团队开发AI模型,实现大气二氧化碳浓度遥感反演的突破性提升
近日,上海交通大学中英国际低碳学院任涛副教授团队在温室气体遥感领域取得重要进展,其研究成果《Transformer-Based Fast Mole Fraction of CO2 Retrievals from Satellite-Measured Spectra》发表于《Journal of Remote Sensing》(JRS)。JRS是《Science》合作期刊之一,由美国科学促进会(AAAS)发行。目前JRS在遥感领域全球排名第5,在“遥感”、“环境科学”、“地球科学”、“摄影科学与技术”四个学科领域均位列Q1区。
论文第一作者为上海交通大学中英国际低碳学院博士二年级研究生陈玮,通讯作者为任涛副教授。
突破传统算法瓶颈,构建高效AI反演模型
大气二氧化碳(CO₂)浓度的精准监测对于全球碳循环研究和气候政策制定至关重要。卫星遥感技术可以在全球尺度提供二氧化碳柱浓度(XCO2)的测量数据,但传统的反演方法依赖于辐射传输计算和优化迭代算法,计算成本高昂,难以满足实时监测需求。
本研究基于Transformer架构,提出了一种光谱Transformer(Spectrum Transformer, SpT)模型,用于高效、精准地从卫星测量光谱数据中反演XCO2。SpT 模型仅用历史数据进行训练,即可有效应对因大气CO2浓度逐年上升所导致的数据漂移问题。研究团队利用2017-2019年OCO-2卫星光谱数据训练该模型,并成功在2020-2022年数据上实现无偏误的预测,取得了均方根误差(RMSE)约1.5 ppm的高精度。进一步通过神经网络微调技术,模型精度可进一步提升至RMSE约1.2 ppm,并保持长期适用性,能够对最新测量数据的卫星数据进行高效反演。
Spectrum Transformer模型架构
计算效率大幅提升,推动实时碳监测
相较于传统反演方法,SpT模型在计算效率上实现了显著提升。传统算法通常需要数分钟完成一次XCO2反演,而SpT模型仅需毫秒级即可完成同样任务。基于GPU加速,1万次反演计算仅需8秒,展现出极高的计算效率。这一突破将使得大规模遥感数据的处理成为可能,为全球碳监测系统提供实时数据支持。
CO2柱浓度反演结果的逐月对比验证
模型验证与应用潜力
研究团队使用TCCON(全球碳柱总量观测网络)地基测量数据对SpT模型进行了严格验证,结果表明,该模型能够精准捕捉XCO2的季节性和区域性变化。此外,研究还展示了SpT模型在东亚地区的空间测试结果,并讨论了其全球范围内扩展应用的可行性。该模型也可用于未来多颗卫星数据的快速处理,为碳排放监测和碳交易市场提供高精度数据支撑。
与地基TCCON站点的CO2柱浓度测量对比及区域反演结果的对比验证
东亚地区全年的CO2柱浓度反演结果
人工智能助力碳监测迈向智能化
该研究由上海交通大学中英国际低碳学院、上海卫星工程研究所、中国科学院大气物理研究所等多家机构合作完成,并得到了国家自然科学基金(52276077, 52120105009)的支持。研究成果标志着机器学习技术在温室气体遥感监测领域的一次重要突破,为碳排放精细化管理提供了新思路。随着下一代温室气体遥感卫星向更高的时空分辨率、更大的测量幅宽和更高的光谱分辨率方向发展,遥感数据量将急剧增长,Spectrum Transformer模型有望在全球碳监测和气候变化研究中发挥更关键的作用。
作者介绍
第一作者:陈玮。上海交通大学中英国际低碳学院2023级博士研究生。研究方向:温室气体遥感监测。
通讯作者:任涛。上海交通大学中英国际低碳学院长聘副教授,博士生导师。研究方向:辐射换热、燃烧诊断、大气温室气体光学监测。
论文原文链接
https://doi.org/10.34133/remotesensing.0470