論文の概要: Methane projections from Canada's oil sands tailings using scientific deep learning reveal significant underestimation

• arxiv url: http://arxiv.org/abs/2411.06741v1
• Date: Mon, 11 Nov 2024 06:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:07.298681
• Title: Methane projections from Canada's oil sands tailings using scientific deep learning reveal significant underestimation
• Title（参考訳）: 科学的深層学習によるカナダのオイルサンド尾根からのメタンの投射は、重大な過小評価を明らかにする
• Authors: Esha Saha, Oscar Wang, Amit K. Chakraborty, Pablo Venegas Garcia, Russell Milne, Hao Wang,
• Abstract要約: メタン(Methane)は、炭化水素の嫌気性生分解によって生成される温室効果ガスである。 我々は,活性油砂が池を尾行する方向を特定するために,機械学習モデルを訓練する。 主要油田周辺の排出量を1年で約12%削減する必要があると見積もっている。
• 参考スコア（独自算出の注目度）: 3.453764239572358
• License:
• Abstract: Bitumen extraction for the production of synthetic crude oil in Canada's Athabasca Oil Sands industry has recently come under spotlight for being a significant source of greenhouse gas emission. A major cause of concern is methane, a greenhouse gas produced by the anaerobic biodegradation of hydrocarbons in oil sands residues, or tailings, stored in settle basins commonly known as oil sands tailing ponds. In order to determine the methane emitting potential of these tailing ponds and have future methane projections, we use real-time weather data, mechanistic models developed from laboratory controlled experiments, and industrial reports to train a physics constrained machine learning model. Our trained model can successfully identify the directions of active ponds and estimate their emission levels, which are generally hard to obtain due to data sampling restrictions. We found that each active oil sands tailing pond could emit between 950 to 1500 tonnes of methane per year, whose environmental impact is equivalent to carbon dioxide emissions from at least 6000 gasoline powered vehicles. Although abandoned ponds are often presumed to have insignificant emissions, our findings indicate that these ponds could become active over time and potentially emit up to 1000 tonnes of methane each year. Taking an average over all datasets that was used in model training, we estimate that emissions around major oil sands regions would need to be reduced by approximately 12% over a year, to reduce the average methane concentrations to 2005 levels.
• Abstract（参考訳）: カナダのアサバスカ油田産業における合成原油生産のためのビチューメン抽出は、温室効果ガスの排出源として最近注目されている。 主な原因はメタンであり、石油砂の残留物中の炭化水素の嫌気性生分解によって生じる温室効果ガスである。 これらの尾池のメタン放出ポテンシャルを推定し,将来的なメタン放出予測を行うために,実時間気象データ,実験室制御実験から開発された力学モデル,および産業報告を用いて物理制約された機械学習モデルを訓練する。 我々の訓練されたモデルでは,データサンプリングの制約により一般的には入手が困難であるアクティブ池の向きを識別し,その排出レベルを推定することができる。 その結果, 年間950～1500トンのメタンを排出し, 環境影響は少なくとも6000台以上のガソリン車から排出される二酸化炭素に匹敵することがわかった。 放棄された池は、しばしば重要な放射能を持つと推定されるが、我々の発見は、これらの池は時間とともに活発になり、毎年最大1000トンのメタンを放出する可能性があることを示唆している。 モデルトレーニングで使用されたすべてのデータセットの平均値から、平均メタン濃度を2005年レベルまで下げるためには、主要油田周辺の排出量を1年で約12%削減する必要があると見積もった。

関連論文リスト

• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Black carbon plumes from gas flaring in North Africa identified from multi-spectral imagery with deep learning [0.0]
  ブラックカーボン (BC) は、ガスフレアを含む多くの人間の活動によって放出される重要な汚染物質エアロゾルである。 以前の研究は、衛星画像から推定されるフレア体積に放射係数を適用することで、BCの排出量を間接的に定量化した。 そこで我々は,2022年に北アフリカ上空のSentinel-2画像に深層学習フレームワークを適用し,ガス火花からのBC排出を検出し定量化する。
  論文  参考訳（メタデータ） (2024-06-10T11:27:46Z)
• Autonomous Detection of Methane Emissions in Multispectral Satellite Data Using Deep Learning [73.01013149014865]
  メタンは最も強力な温室効果ガスの1つである。 現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。 深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
  論文  参考訳（メタデータ） (2023-08-21T19:36:50Z)
• MethaneMapper: Spectral Absorption aware Hyperspectral Transformer for Methane Detection [13.247385727508155]
  メタンは地球規模の気候変動に大きく貢献している。 本稿では, 放射を検出・定量化するために, 端から端までのスペクトル吸収波長を考慮したトランスネットワークMethaneMapperを提案する。 MethaneMapperは検出時に0.63mAPを達成し、現在の技術と比べてモデルサイズ(5倍)を縮小する。
  論文  参考訳（メタデータ） (2023-04-05T22:15:18Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model [72.65502770895417]
  176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。 BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。 本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
  論文  参考訳（メタデータ） (2022-11-03T17:13:48Z)
• METER-ML: A Multi-sensor Earth Observation Benchmark for Automated Methane Source Mapping [2.814379852040968]
  深層学習はメタン源の位置と特性を特定することができる。 機械学習の研究者や実践者が自動マッピングのアプローチを構築できるような、公開データの欠如がある。 我々は、米国内で86,625のジオレファレンスNAIP、Sentinel-1、Sentinel-2画像を含むMETER-MLと呼ばれるマルチセンサーデータセットを構築した。 本モデルでは, 油田精油所および石油ターミナルにおける集中給餌作業の精度を0.915の精度で再現し, 油田精油所および石油ターミナルの0.821の精度で評価した。
  論文  参考訳（メタデータ） (2022-07-22T16:12:07Z)
• OGNet: Towards a Global Oil and Gas Infrastructure Database using Deep Learning on Remotely Sensed Imagery [8.471461072749472]
  地球が現在経験している温暖化の少なくとも4分の1は、人為的なメタンの放出によるものである。 本研究では,石油やガスのインフラを自動的に検出するために,高解像度の高解像度空中画像を利用するディープラーニングアルゴリズムを開発した。 我々は,OGNetが,石油・ガスインフラの4つの標準公開データセットに存在しない多くの施設を検出していることを示す。
  論文  参考訳（メタデータ） (2020-11-14T06:20:21Z)
• Averaging Atmospheric Gas Concentration Data using Wasserstein Barycenters [68.978070616775]
  ハイパースペクトル衛星画像は、世界中の温室効果ガス濃度を毎日報告している。 気象データと組み合わさったワッサーシュタイン・バリセンタを用いて, ガス濃度データセットの平均化と, 質量集中性の向上を提案する。
  論文  参考訳（メタデータ） (2020-10-06T14:31:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。