据悉，研究职员剖析了碳卫星数据形式，网络了由碳卫星数据、碳排放数据、环境数据等组成的多模态数据，设计了针对该多模态数据特性的数据处理算法，提出了符合此多模态数据构造的人工智能模型，终极建立了从碳卫星数据到碳排放数据之间的映射。
据先容，经由剖析，碳卫星所测得的碳浓度数据在地理上表现为稀疏的、含有缺失落值的轨道状条带数据，其仅表示碳卫星当前扫描的区域、时候下的碳浓度值。然而该碳浓度值除了碳排放量外，还受到了大气中原本存在的二氧化碳和大气中二氧化碳运动的影响。
为了更准确的估算碳排放量，该研究除了碳卫星数据外，还网络了实际碳排放数据和环境数据等组成多模态数据；设计了针对多模态数据特性的数据处理算法。
针对上述多模态数据特性，为了充分利用碳卫星数据，该研究同时对大规模无排放标签碳卫星数据，提出了前辈的无监督预演习深度模型(CarbonNet)，用以提取碳卫星数据的深度特色。实验证明该深度特色高效地表达了卫星条带数据的信息，且能够有效重修碳卫星条带数据中缺失落值。
此外，该项研究可以用于基于碳卫星的区域和企业碳排放准实时监测，并有效核验IPCC国家温室气体清单数据。同时也为实现从碳卫星碳浓度数据中提取人类活动产生的排放数据供应了新的认识和研究策略，为未来通过下一代碳卫星星座网络实现环球碳排放的高时频、高定量、高覆盖不雅观测打下根本。(完)