基于碳卫星与电力排放数据的碳计量

目前,基于温室气体卫星遥感探测技术的碳感知正逐步成为新一代碳计量方法的重要组成部分。然而,从碳卫星数据中准确提取由人类活动产生的碳排放数据是一项至关重要且极具挑战性的任务。文中结合碳卫星与电力排放数据,提出一种新的人工智能算法,以实现准确的碳排放计量。首先,介绍了所使用的包括碳卫星和电力数据在内的多模态数据源,并设计了相应的数据筛选方法。然后,提出了考虑此多模态数据特性的深度学习方法,构建反映碳卫星数据、发电量数据与碳源碳排放量之间函数关系的数据驱动模型。最后,基于美国OCO-2碳卫星的碳浓度遥感数据及美国1304家火力发电厂的连续烟气监测系统数据验证了所提方法在发电厂碳排放量计量问题上的有效性。

图像背景在图像超分辨率中的作用研究

图像超分辨率是底层视觉领域的一项代表性任务,相关研究发现,图像某个像素位置的重建质量与其周围的背景有关。基于这一发现,该文探索了通过分割输入图像解释网络的新视角,提出了一种简单组合数据集,该数据集信息量丰富,但单张图中仅包含单一的纹理信息。实验证明,与目标区域纹理相近的背景,较有利于模型在该区域的超分辨率重建;对比分析注意力机制与传统卷积神经网络,结果显示,注意力结构更能帮助网络关注长程有效信息。