监测污染排放发电厂,机器学习从太空怎么做
来源 IEEE
编译 杨威
矿物燃料发电厂是引起温室效应的最大气体排放源之一。
18000座电厂温室气体排放量占全球总排放量的30%,其中包括了每年大约150亿公吨的二氧化碳,燃烧矿物燃料产生的污染物也严重降低了空气质量和公共卫生,因此会导致心脏病和呼吸系统疾病以及肺癌,这将接近全世界十分之一的人口死亡数量。
为了避免空气污染和气候变化带来的严重影响,人们需要了解排放源。现有的技术可以检测大气中的CO2和其他气体含量,但其颗粒度还不够精确,无法确定谁排放了多少碳。
今年7月,一项名为Climate TRACE的新计划启动了,旨在准确跟踪的人为CO2排放源头,当然无论该源头在世界上的任何地方。由9个组织和前美国副总统阿尔·戈尔组成的联盟已经开始在七个部门(包括电力、交通运输和森林火灾)中追踪此类排放。
本文作者是机器学习研究员,与非营利组织WattTime,Carbon Tracker和世界资源研究所一起正在研究Climate TRACE的发电厂项目,他们主要使用了现有的卫星图像和人工智能技术,来估算世界上每一个化石燃料发电厂的排放量。
太空监测气体排放的瓶颈
美国是公开发布有关单个发电厂排放量的高分辨率数据的几个国家之一。美国的每个工厂都有现场排放监测设备,并向环境保护局报告数据。但是安装和维护这些设备的成本对许多其他国家而言简直高得离谱。因此其他国家报告的年度排放总量可能只是粗略估算,而不是实际测量值。这些估算值缺乏核实,可能会低估其排放量。
温室气体排放量之所以难以评估。一方面原因是,这些气体并非全部来源于人造,例如从海洋、火山分解以及土壤、植物和动物的呼吸中释放出的CO2和甲烷也将温室气体排放到大气中。另一方面,则是人类间接产生的,例如水泥生产和肥料。即使你知道排放源,由于排放量波动,估算量也可能很困难。而燃烧矿物燃料的发电厂会根据当地需求和电价等因素调整发电量。
在夏威夷的莫纳罗亚(Mauna Loa)天文台和美国国家航空航天局(NASA)的OCO-2等卫星,对CO2的浓度进行了局部测量。卫星不是直接测量浓度,而是根据从地球反射的阳光中有多少被空气中的二氧化碳分子吸收来估算浓度。欧洲航天局的Sentinel-5P使用类似的技术来测量其他温室气体。光谱测量非常适合创建大气CO2浓度的区域图。在大流行期间,这样的区域估计尤其显著,因为居家定单导致污染物减少。据报道,在城市周围,主要是由于交通运输量的减少。
但是这些测量的分辨率太低。例如,OCO-2的每次测量都代表地面上1.1平方英里(2.9平方公里)的区域,因此它无法揭示单个发电厂的排放量(更不用说自然发电厂的CO2了)。OCO-2每天提供每个位置的观测结果,但由于云、风和其他大气变化而产生大量噪声。为了获得可靠的信号并抑制嘈杂的数据点,应在一个月内对同一站点的多次观测求平均值。
要估算源头的排放量,我们既需要足够高的空间分辨率以查看工厂运行情况,又需要不断观察这些测量值随时间的变化情况。
来自欧洲航天局哥白尼前哨卫星网络的图像显示了该发电厂运行时的烟雾和水蒸气流。
如何使用AI对电厂排放进行建模
我们很幸运,数十个卫星网络和数百个卫星正在实时捕获我们所需的那种高分辨率图像。大多数的地球观测卫星都在可见光谱中进行观测。此外,我们还使用热红外来检测热信号。
让分析人员查看来自多颗卫星的图像并将它们与其他数据进行交叉引用非常耗时,这种方式不仅非常昂贵且容易出错。随着我们合并来自其他卫星的数据,图像的数量将会增加。一些观测包含多个波长的信息,这意味着需要分析甚至更多的数据,并且需要经过微调,眼睛才能准确地识别。目前没有任何一个团队能在一定的时间内处理那么多数据。
借助AI,游戏准则发生了变化。人类已经将深度学习应用于自动驾驶汽车的语音识别和避障,我们通过将相同的深度学习方法应用于气体检测,从而可以更快地预测排放,并增强从多种波长的卫星图像提取模式的能力,该算法的准确度取决于卫星的类型和电厂的技术。
我们首先将历史卫星图像与工厂报告的发电量进行匹配,以创建可以学习它们之间关系的机器学习模型。只要给定一个新的工厂图像,该模型就可以预测工厂的发电量和排放量。
我们在发电方面有足够的基础知识和数据来训练模型。美国和台湾是报告每小时排放量和发电量的少数几个国家中的两个。澳大利亚和欧洲国家仅报告发电量,而其他国家/地区则报告每日累计发电量。了解发电量和燃料类型后,我们可以估算未报告该数据的排放量。
在使用已知发电能力的电厂对算法模型进行训练后,我们便可以将模型应用于全球任何发电厂。我们的算法为各种类型的发电厂创建了预测模型,并且可以根据预测结果估算一段时间内的排放。
深度学习模型在卫星图像中寻找什么特征
在典型的矿物燃料发电厂中,温室气体通过烟囱排出,生成了模型可以发现的烟雾。效率更高的植物或采取二次收集措施以减少排放的植物可能会很难看到羽状流。在这种情况下,当发电厂的特性已知时,我们的模型会寻找其他视觉和热指标特征。
模型寻找的另一个特征是冷却。矿物燃料发电厂燃烧燃料使水沸腾,产生水蒸气,使涡轮旋转发电,然后必须将蒸汽冷却回水中,以便可以重复使用以产生更多的电能。根据冷却技术的类型,可能会从冷却塔中产生大量的水蒸气羽流,或将热量排放为附近的热水而释放出热量,而我们便使用可见光成像和热成像来量化这些特征。
将深度学习模型应用于监控全球电厂排放
到目前为止,我们已经使用来自美国和欧洲的发电数据创建并验证了一套燃煤电厂的初始模型。一支由科学家和工程师组成的跨学科团队,将继续收集和分析其他国家的真实数据。当我们开始在全球范围内测试我们的模型时,我们还将根据报告的年度国家总数和燃油消耗数据对它们进行验证。我们从CO2排放开始,但希望扩展到其他温室气体。
我们的目标是覆盖化石燃料发电厂的全球排放量,也就是说,对于任何国家的任何化石燃料发电厂,我们都能够准确预测其温室气体排放量。
接下来是什么?我们将公开排放数据。可再生能源开发商将能够使用它来确定新的风电场或太阳能发电场将产生最大影响的位置。监管机构将能够制定和执行新的环境政策。公民个人可以看到他们当地的发电厂对气候变化的贡献。它甚至可能有助于追踪《巴黎气候协定》的进展,该协定将于2021年重新谈判。