礦物燃料發(fā)電廠是引起溫室效應的最大氣體排放源之一。

18000 座電廠溫室氣體排放量占全球總排放量的 30%，其中包括了每年大約 150 億公噸的二氧化碳，燃燒礦物燃料產生的污染物也嚴重降低了空氣質量和公共衛(wèi)生，因此會導致心臟病和呼吸系統(tǒng)疾病以及肺癌，這將接近全世界十分之一的人口死亡數(shù)量。

為了避免空氣污染和氣候變化的帶來的嚴重影響，人們需要了解排放源?，F(xiàn)有的技術可以檢測大氣中的 CO2 和其他氣體含量，但其顆粒度還不夠精確，無法確定誰排放了多少碳。

上個月，一項名為 Climate TRACE 的新計劃啟動了，旨在準確跟蹤的人為 CO2 排放源頭，當然無論該源頭在世界上的任何地方。由 9 個組織和前美國副總統(tǒng)阿爾 · 戈爾組成的聯(lián)盟已經開始在七個部門（包括電力，交通運輸和森林火災）中追蹤此類排放。

本文作者是機器學習研究員，與非營利組織 WattTime，Carbon Tracker 和世界資源研究所一起正在研究 Climate TRACE 的發(fā)電廠項目，他們主要使用了現(xiàn)有的衛(wèi)星圖像和人工智能技術，來估算世界上每一個化石燃料發(fā)電廠的排放量。

一起來看看吧。

美國是公開發(fā)布有關單個發(fā)電廠排放量的高分辨率數(shù)據(jù)的幾個國家之一。美國的每個工廠都有現(xiàn)場排放監(jiān)測設備，并向環(huán)境保護局報告數(shù)據(jù)。但是安裝和維護這些設備的成本對許多其他國家而言簡直高的離譜。因此其他國家報告的年度排放總量可能只是粗略估算，而不是實際測量值。這些估算值缺乏核實，可能會低估其排放量。

溫室氣體排放量之所以難以評估。一方面原因是，這些氣體并非全部來源于人造，例如從海洋，火山，分解以及土壤，植物和動物的呼吸中釋放出的 CO 2 和甲烷也將溫室氣體排放到大氣中。另一方面，則是人類間接產成的，例如水泥生產和肥料。即使你知道排放源，由于排放量波動，估算量也可能很困難。而燃燒礦物燃料的發(fā)電廠會根據(jù)當?shù)匦枨蠛碗妰r等因素調整發(fā)電量。

在夏威夷的莫納羅亞（Mauna Loa）天文臺和美國國家航空航天局（NASA）的 OCO-2 等衛(wèi)星，對 CO 2 的濃度進行了局部測量。衛(wèi)星不是直接測量濃度，而是根據(jù)從地球反射的陽光中有多少被空氣中的二氧化碳分子吸收來估算濃度。歐洲航天局的 Sentinel-5P 使用類似的技術來測量其他溫室氣體。光譜測量非常適合創(chuàng)建大氣 CO2 濃度的區(qū)域圖。在大流行期間，這樣的區(qū)域估計尤其顯著，因為居家定單導致污染物減少據(jù)報道，在城市周圍，主要是由于交通運輸量的減少。

但是這些測量的分辨率太低。例如，OCO-2 的每次測量都代表地面上 1.1 平方英里（2.9 平方公里）的區(qū)域，因此它無法揭示單個發(fā)電廠的排放量（更不用說自然發(fā)電廠的 CO 2 了）。該地區(qū)的資源）。OCO-2 每天提供每個位置的觀測結果，但由于云，風和其他大氣變化而產生大量噪聲。為了獲得可靠的信號并抑制嘈雜的數(shù)據(jù)點，應在一個月內對同一站點的多次觀測求平均值。

要估算源頭的排放量，我們既需要足夠高的空間分辨率以查看工廠運行情況，又需要不斷觀察這些測量值隨時間的變化情況。

來自歐洲航天局哥白尼前哨衛(wèi)星網(wǎng)絡的圖像顯示了該發(fā)電廠運行時的煙霧和水蒸氣流。

我們很幸運，數(shù)十個衛(wèi)星網(wǎng)絡和數(shù)百個衛(wèi)星正在實時捕獲我們所需的那種高分辨率圖像。大多數(shù)的地球觀測衛(wèi)星都在可見光譜中進行觀測。此外，我們還使用熱紅外來檢測熱信號。

讓分析人員查看來自多顆衛(wèi)星的圖像并將它們與其他數(shù)據(jù)進行交叉引用非常耗時，這種方式不僅非常昂貴且容易出錯。隨著我們合并來自其他衛(wèi)星的數(shù)據(jù)，圖像的數(shù)量將會增加。一些觀測包含多個波長的信息，這意味著需要分析甚至更多的數(shù)據(jù)，并且需要經過微調，眼睛才能準確地識別。目前沒有任何一個團隊能在一定的時間內處理那么多數(shù)據(jù)。

借助 AI，游戲準則發(fā)生了變化。人類已經將深度學習應用于自動駕駛汽車的語音識別和避障，我們通過將相同的深度學習方法應用于氣體檢測，從而可以更快地預測排放，并增強從多種波長的衛(wèi)星圖像提取模式的能力，該算法的準確度取決于衛(wèi)星的類型和電廠的技術。

我們首先將歷史衛(wèi)星圖像與工廠報告的發(fā)電量進行匹配，以創(chuàng)建可以學習它們之間關系的機器學習模型。只要給定一個新的工廠圖像，該模型就可以預測工廠的發(fā)電量和排放量。

在使用已知發(fā)電能力的電廠對算法模型進行訓練后，我們便可以將模型應用于全球任何發(fā)電廠。我們的算法為各種類型的發(fā)電廠創(chuàng)建了預測模型，并且可以根據(jù)預測結果估算一段時間內的排放。

在典型的礦物燃料發(fā)電廠中，溫室氣體通過煙囪排出，生成了模型可以發(fā)現(xiàn)的煙霧。效率更高的植物或采取二次收集措施以減少排放的植物可能會很難看到羽狀流。在這種情況下，當發(fā)電廠的特性已知時，我們的模型會尋找其他視覺和熱指標特征。

模型尋找的另一個特征是冷卻。礦物燃料發(fā)電廠燃燒燃料使水沸騰，產生水蒸氣，使渦輪旋轉發(fā)電，然后必須將蒸汽冷卻回水中，以便可以重復使用以產生更多的電能。根據(jù)冷卻技術的類型，可能會從冷卻塔中產生大量的水蒸氣羽流，或將熱量排放為附近的熱水而釋放出熱量，而我們便使用可見光成像和熱成像來量化這些特征。

到目前為止，我們已經使用來自美國和歐洲的發(fā)電數(shù)據(jù)創(chuàng)建并驗證了一套燃煤電廠的初始模型。一支由科學家和工程師組成的跨學科團隊，將繼續(xù)收集和分析其他國家的真實數(shù)據(jù)。當我們開始在全球范圍內測試我們的模型時，我們還將根據(jù)報告的年度國家總數(shù)和燃油消耗數(shù)據(jù)對它們進行驗證。我們從 CO2 排放開始，但希望擴展到其他溫室氣體。

我們的目標是覆蓋化石燃料發(fā)電廠的全球排放量，也就是說，對于任何國家的任何化石燃料發(fā)電廠，我們都能夠準確預測其溫室氣體排放量。

接下來是什么？我們將公開排放數(shù)據(jù)?？稍偕茉撮_發(fā)商將能夠使用它來確定新的風電場或太陽能發(fā)電場將產生最大影響的位置。監(jiān)管機構將能夠制定和執(zhí)行新的環(huán)境政策。公民個人可以看到他們當?shù)氐陌l(fā)電廠對氣候變化的貢獻。它甚至可能有助于追蹤的進展，該協(xié)定將于 2021 年重新談判。