团队使用人工智能和卫星图像首次发布全球道路交通温室气体排放估算

环境保护署估计，交通运输部门每年约占美国所有温室气体排放量的27%，而由产生碳的内燃机驱动的道路交通排放量占其中的大部分。

多年来，研究人员一直试图更密切地测量这些排放量，但现有的清单往往是过时的、不完整的和有限的。

现在，位于马里兰州劳雷尔的约翰霍普金斯应用物理实验室(APL)的科学家们利用人工智能和机器学习(ML)对全球500强排放城市的道路交通排放量进行了准确估算。

“特别是，我们能够估算城市地区各个路段的年平均每日交通流量，并将其与车辆排放因子的本地估算相结合，以产生总排放估算，”环境复原力助理项目经理MarisaHughes解释说在APL的研究和探索性发展任务区。

“计算每个路段排放量的能力提供了前所未有的详细程度和全球覆盖范围，”帮助管理实验室气候变化工作的休斯说。“将ML预测的道路活动与特定区域的排放因子数据相结合，可以创建自动化、准确、全球、及时和可操作的道路运输温室气体排放估算。”

可操作是关键词，休斯说。“你无法改变你无法衡量的东西，这在应对气候变化方面是一个巨大的挑战。我们需要知道温室气体排放的来源，但这意味着要考虑大量微不足道的贡献跨越时间和地域。”

学分：约翰霍普金斯大学APL

让不可见的可见

全世界估计有14亿辆汽车。APL的一个遥感和计算机视觉专家团队认为，他们可以通过从视觉卫星数据中提取排​​放特征来测量这些车辆的温室气体，从根本上使不可见的可见。他们着手查看现有的排放数据，将其与这些图像相关联，并利用神经网络梳理出他们所能做的任何事情。

休斯说，然后团队意识到还有另一种方法可以应对挑战。APL在一个名为“世界功能地图”的项目中为情报界绘制生活模式的经验，专家在该项目中绘制了土地利用和结构，并使用一天中不同时间的卫星数据来理解和区分外观相似的结构，比如办公楼与公寓大楼。

APL的高级ML研究员DerekRollend回忆说：“我们想，如果我们采用同样的‘生活模式’分析，而不是关注建筑物，而是关注连接它们的道路网络，会怎样。”“我们建立了一个深度神经网络，它将接受全球可用的输入：卫星图像、道路网络数据和人口。”

因为一些地区有细粒度的排放和车辆数量数据，“我们能够用这些关于车辆活动的真实数据训练我们的机器学习模型，然后首先在国家层面应用模型预测，最近在全球500强城市，”他继续说道。

这项工作为在全球范围内监测温室气体排放的更大努力做出了重要贡献，该工作由气候跟踪[跟踪实时大气碳排放]进行，这是一个国际联盟，旨在通过独立跟踪温室气体来更快、更容易地采取有意义的气候行动以前所未有的细节和速度排放气体。

这项工作代表了APL如何利用其独特的专业知识为应对全球气候变化挑战做出可持续的贡献。

“这是一个很好的例子，展示了我们在机器学习、卫星成像和系统建模方面的独特技能和能力如何应用于理解并有朝一日解决复杂问题，”BobbyArmiger说，他与Hughes共同领导Labwide专注于气候变化研究。

11月9日，ClimateTRACE发布了有史以来最详细的温室气体排放清单，提供了全球81,087个单独来源的资产级排放数据——APL的交通数据是该发布的一部分。除了发布设施级信息外，ClimateTRACE还更新了每个国家的独立排放清单，以包括2021年的数据，提供自2015年以来年度温室气体排放的完整视图——《巴黎协定》是一项国际气候条约改变。

为全球排放带来彻底的透明度

气候追踪联盟的成员围绕一个他们称之为激进透明度的目标团结起来。

“这是关于了解所有温室气体在哪里，排放来自哪里，同时对我们如何计算这些排放保持开放态度，”休斯说。“这是一个非常大的挑战。但如果你有这种彻底的透明度，那么你可以潜入并开始做一些分析和一些比较，以找出在减少排放方面什么是有效的，什么是无效的。”

该联盟来年的目标之一是了解如何将不同来源、重叠的数据集和排放清单整合在一起，以对实际情况做出新的最佳估计。

休斯说：“实现彻底透明的梦想，以及通过每张新的卫星图像实时了解所有排放物的来源，仍然是我们前进的道路。”“但现在感觉触手可及。”