.png){kind=icon}
返回
Advancing Point Source Methane Emissions Quantification With UAV Sampling and Deep Learning: A Large-Eddy Simulation Study
.png){kind=icon}
PRE
AI
DOI：10.1029/2025JD045952.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
定量分析大气羽流观测中的点源甲烷排放对于气候变化缓解至关重要，但受到湍流诱导噪声的挑战。在此，我们介绍了一种深度学习框架，该框架整合了无人机（UAV）羽流采样与湍流不变性分析，以克服这一限制。通过覆盖广泛大气稳定条件的涡旋模拟（LESs），我们表明传统反演方法（包括逆高斯法和质量平衡法）会产生27%–46%的平均绝对百分比误差（MAPE），这主要由湍流诱导的羽流蜿蜒所致。此外，我们确定了无人机速度与羽流质心速度的比率是控制该误差的主要因素，较低比率可产生较低的MAPE。更密集的采样间距和多架次连续飞行可将多条件平均MAPE降低至25%–27%，但需付出约增加一倍时间和资源的代价。我们的方法采用U-Net模型将稀疏无人机观测映射到时间平均的羽流横截面，有效重建羽流形态并缓解湍流诱导偏差。当集成到逆高斯框架中时，我们的U-Net模型在LES数据中将MAPE从30%降至22%，在受控释放实验中从38%降至29%。这项工作建立了一种稳健的、基于物理的策略，用于准确且可扩展的甲烷监测，突显了深度学习在增强温室气体问责制方面的潜力。
Keyword:
methane point source
atmospheric turbulence
UAV observation
large-eddy simulation
deep learning
期刊
J
IF:
0
论文数:
437
被引数:
0
机构
引用论文
Retrieving CH4-emission rates from coal mine ventilation shafts using UAV-based AirCore observations and the genetic algorithm-interior point penalty function (GA-IPPF) model使用基于无人机的空芯观测值和遗传算法-内点罚函数 (ga-ippf) 模型从煤矿通风井中检索CH4-emission率
OAAI
OAAI分享收藏Quantitative estimate of several sources of uncertainty in drone-based methane emission measurementsOAAI
OAAI分享收藏Methods for quantifying methane emissions using unmanned aerial vehicles: a review.png)
PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY A-MATHEMATICAL PHYSICAL AND ENGINEERING SCIENCESOAAI
PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY A-MATHEMATICAL PHYSICAL AND ENGINEERING SCIENCESIF3.7
OAAI分享收藏
查看更多内容