High-Resolution Daily XCH4 Prediction Using New Convolutional Neural Network Autoencoder Model and Remote Sensing Data
Notice bibliographique
Résumé
Atmospheric methane (CH4) concentrations have increased to 2.5 times their pre-industrial levels, with a marked acceleration in recent decades. CH4 is responsible for approximately 30% of the global temperature rise since the Industrial Revolution. This growing concentration contributes to environmental degradation, including ocean acidification, accelerated climate change, and a rise in natural disasters. The column-averaged dry-air mole fraction of methane (XCH4) is a crucial indicator for assessing atmospheric CH4 levels. In this study, the Sentinel-5P TROPOMI instrument was employed to monitor, map, and estimate CH4 concentrations on both regional and global scales. However, TROPOMI data exhibits limitations such as spatial gaps and relatively coarse resolution, particularly at regional scales or over small areas. To mitigate these limitations, a novel Convolutional Neural Network Autoencoder (CNN-AE) model was developed. Validation was performed using the Total Carbon Column Observing Network (TCCON), providing a benchmark for evaluating the accuracy of various interpolation and prediction models. The CNN-AE model demonstrated the highest accuracy in regional-scale analysis, achieving a Mean Absolute Error (MAE) of 28.48 ppb and a Root Mean Square Error (RMSE) of 30.07 ppb. This was followed by the Random Forest (RF) regressor (MAE: 29.07 ppb; RMSE: 36.89 ppb), GridData Nearest Neighbor Interpolator (NNI) (MAE: 30.06 ppb; RMSE: 32.14 ppb), and the Radial Basis Function (RBF) Interpolator (MAE: 80.23 ppb; RMSE: 90.54 ppb). On a global scale, the CNN-AE again outperformed other methods, yielding the lowest MAE and RMSE (19.78 and 24.7 ppb, respectively), followed by RF (21.46 and 27.23 ppb), GridData NNI (25.3 and 32.62 ppb), and RBF (43.08 and 54.93 ppb).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».