28、利用AI监测电厂排放与识别灌木地

利用AI监测电厂排放与识别灌木地

1. Geoweaver助力环境独立研究实验

Geoweaver允许项目或工作流团队的所有成员导出并共享所有必要部分，其他用户可快速将其加载到自己的Geoweaver实例中，复制结果或编辑代码。目前，它支持Python代码、shell脚本和Jupyter笔记本。由于shell和Python可以调用任何其他程序，理论上Geoweaver可以运行计算平台上可用的任何应用程序。

可以在Geoweaver中创建工作流，其中本章实验的所有步骤在Geoweaver工作流中都有对应的流程。创建工作流后，用户可以在本地或远程执行它，Geoweaver会自动记录每次工作流执行的所有版本和执行输出，还能让用户通过简单的zip文件导出并共享整个实验。若要开始使用Geoweaver，可访问网页（https://esipfed.github.io/Geoweaver/ ）或公共GitHub仓库（https://github.com/ESIPFed/Geoweaver ）。

2. 机器学习在电厂NO₂排放监测中的应用

2.1 研究现状

大多数现有研究集中在NO₂浓度的大规模空间扩散上，未对微分辨率单点排放进行研究。而机器学习可以有效模拟遥感数据与精确地面排放源之间的关系，解决这些问题。

2.2 实验结果分析

实验结果显示，TROPOMI与EPA地面观测数据在大多数指定时间段内有很强的相关性，尽管TROPOMI曲线的变化频率和范围小于EPA观测值，但两者的时间序列数据的变化和波动总体上是一致的。

由于运行中的电厂通常持续运行，NO₂羽流应该靠近电厂，尽管卫星图像网格