طريقة تقسيم التدفقات الضعيفة للميثان في الاستشعار الطيفي الفائق بناءً على قيود شكل التدفق وفصل الخصائص
摘要
الميثان (CH4) هو ثاني أكبر غاز دفيئة من صنع الإنسان بعد ثاني أكسيد الكربون، ويُعد التعرف السريع والدقيق على مصادر انبعاث الميثان ذا أهمية كبيرة في مراقبة تغير المناخ. مع تزايد الاهتمام بقضايا تغير المناخ، أصبح استخدام تقنية الاستشعار الطيفي الفائق في مراقبة تدفقات الميثان موضوع بحثي ناشئ، حيث ركزت الدراسات الحالية على أحداث انبعاث الميثان واسعة النطاق مع قلة الاهتمام بالتدفقات الصغيرة والكثيفة. غالبًا ما تظهر التدفقات الضعيفة للميثان بشكل غير مكتمل في الصور الطيفية الفائقة وتتميز بحدود غير واضحة، كما أنها تتأثر بعوامل متعددة مثل الغلاف الجوي، وسطح الأرض، واستجابة الأجهزة. لمواجهة مشاكل تداخل الضوضاء الخلفية مع حدود التدفقات الضعيفة، اقترح هذا البحث نموذج تعلم عميق يسمى LightMethaneNet (LM-Net). يقوم LM-Net بتحسين نماذج التعلم العميق الحالية للكشف عن تدفقات الميثان، من خلال إدخال وحدة جاوس الديناميكية (DGMM) لتعزيز الخصائص الفضائية للتدفقات وآلية الانتباه المختلطة لتصفية الضوضاء الخلفية، مما يحل مشكلة التوازن بين الدقة والكفاءة في طرق التقسيم الحالية المعتمدة على التعلم العميق للغازات. تم تدريب النموذج وتقييمه على مجموعة البيانات العامة STARCOP، حيث بلغت دقة كشف التدفقات الضعيفة 53٪ ونسبة الاستدعاء 82.7٪. مقارنةً بنماذج التقسيم الكلاسيكية، حقق LM-Net تحسينات قصوى في mIoU وF1 والدقة بنسبة 32.34٪ و38.01٪ و34.57٪ على التوالي. تحسن هذا النهج من دقة الكشف عن التدفقات الضعيفة للميثان، مما يتيح التعرف بشكل أفضل على التدفقات الضعيفة ومناطق الانبعاث المحتملة، ويقدم حلاً تقنياً قابلاً للتطبيق للرصد الطيفي الدقيق لتدفقات الميثان في البيئات ذات الخلفية المعقدة.
关键词
الميثان; التعلم العميق; الكشف عن التدفقات الضعيفة; آلية الانتباه المختلطة; وحدة جاوس الديناميكية
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website