aalto1 untyped-item.component.html
Methods of emission estimation from satellite measurements
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Electrical Engineering |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Language
en
Pages
24
Series
Abstract
Accurate and reliable assessment of atmospheric emissions is essential for mitigating climate change and achieving acceptable air quality. This bachelor's thesis is a comparative literature review of satellite-based emission estimation methods. The methods are divided into mathematical methods and machine learning methods. The mathematical methods are the mass-balance method, the Gaussian plume model, the flux divergence method, Bayesian inversion, and the Gaussian random field method. The machine learning methods are convolutional neural networks, tree-based models, a neural network model, and a regression model.
The estimation methods make use of data from the TROPOspheric Monitoring Instrument (TROPOMI), launched into orbit in 2017, specifically vertical column densities for the target gas. TROPOMI enables unprecedented precision in satellite observations, facilitating the development of new estimation methods. TROPOMI measures radiation backscattered from Earth across the shortwave infrared, visible, and ultraviolet spectral ranges. This allows the detection of vertical column densities for several trace gases, including nitrogen dioxide, sulfur dioxide, carbon monoxide, and methane.
In all of the above methods, raw data is filtered before the estimation model is applied. Sources of disruption include cloud cover, wind fields, and the chemical lifetime of gases in the atmosphere. Additionally, the TROPOMI data retrieval algorithm introduces errors into the data. Handling and accounting for error sources is important for obtaining realistic emission estimates. Quality control and data filtering are therefore particularly important steps in emission estimation.
The estimation methods are compared on the basis of their application context and emission source type. Different methods are suited to point-like emission sources, such as remote power plants or oil platforms, than to larger distributed sources such as cities. Different methods also perform best over marine, forested, and urban environments respectively. The target gas and the computational resources available also influence the choice of method. The comparison showed that no single method is optimal for all gases, emission sources, and application contexts. TROPOMI-based methods have revealed significant underreporting in declared emission figures in recent years. Some methods expose underreporting of as much as 60%, highlighting the critical role of satellite-based independent monitoring in international emissions regulation.
Päästökaasujen tarkka ja luotettava arviointi on keskeistä ilmastonmuutoksen hillinnän ja hyvän ilmanlaadun saavuttamiseksi. Tämä kandidaatintyö on vertaileva kirjallisuuskatsaus satelliittimittauksiin perustuvista päästöjen arviointimenetelmistä. Arviointimenetelmät on luokiteltu matemaattisiin menetelmiin sekä koneoppimismenetelmiin. Matemaattisia menetelmiä ovat massatasapainomenetelmä, gaussinen päästöpatsasmalli, vuodivergenssi, bayesilainen inversio ja gaussinen satunnaiskenttämenetelmä. Koneoppimismenetelmiä ovat konvoluutioneuroverkot (engl. convolutional neural networks), puupohjaiset mallit, neuroverkko (engl. neural network) ja regressiomalli.
Arviointimenetelmissä hyödynnetään vuonna 2017 kiertoradalle laukaistusta troposfäärisestä mittalaitteesta, (engl. tropospheric measuring instrument, TROPOMI) saatua dataa eli pystysuoria saraketiheyksiä (engl. vertical column density) halutulle kaasulle. TROPOMI mahdollistaa ennennäkemättömän tarkkuuden satelliittihavaintoihin ja sitä kautta uudenlaisten arviointimenetelmien luomisen. TROPOMI mittaa maapallolta takaisinheijastuvaa säteilyä lyhytaaltoinfrapunan, näkyvän valon sekä ultraviolettisäteilyn alueilta. Tämä mahdollistaa useiden erilaisten päästökaasujen, kuten typpi- ja rikkidioksidin, hiilioksidin ja metaanin saraketiheyksien tunnistuksen.
Menetelmissä suodatetaan raakaa dataa ennen arviontimallin käyttöä. Häiriölähteitä ovat esimerkiksi pilvipeitteet, tuulikentät ja kaasujen kemiallinen elinaika ilmassa. Lisäksi TROPOMI datan hakualgoritmi aiheuttavaa virheitä dataan. Häiriölähteiden käsittely on tärkeää todenmukaisten päästötietojen arvioinnissa.
Arviointimenetelmiä verrataan käyttökohteiden sekä päästölähteiden perusteella. Pistemäisille päästölähteille, kuten syrjäisille voimalaitoksille tai öljyporauslautoille, sopii eri menetelmät kuin laajemmille kaasulähteille, kuten kaupungeille. Meri-, metsä- ja kaupunkialueille sopii keskenään erilaiset menetelmät. Myös kohdekaasu sekä menetelmään käytetyt resurssit vaikuttavat mallin valintaan. Vertailu osoitti, että yksikään menetelmä ei ole kaikille kaasuille, päästölähteille ja käyttökohteille optimaalinen. TROPOMI-dataan perustuvat menetelmät ovat paljastaneet merkittäviä aliarviointeja viime vuosien raportoiduissa päästömäärissä. Jotkin menetelmät paljastavat jopa 60 %:n aliarvioinnin, mikä korostaa satelliittipohjaisen valvonnan keskeistä roolia kansainvälisessä sääntelyssä.