卫星正在让这些看不见的东西变得可见。
克服地面监测的局限性
研究人员有许多可利用的工具来测量温室气体,从地面监测设备到气象气球再到海洋浮标。这些工具使他们能够较为精确地估算出大气中温室气体的总量。但它们在确定温室气体排放源方面并不出色。
地面传感器能够对局部的温室气体排放情况进行精确测量。无人机和飞机进行的空中勘测可以识别出局部的排放源。但这些方式缺乏全球范围的覆盖。
IEEE 高级会员Inderpreet Kaur表示:“卫星发挥着至关重要的作用,它能够对整个地球,包括海洋、沙漠和极地等偏远地区,提供全面、持续的监测覆盖,而在这些地区,地面传感器和空中勘测的作用是有限的。”
卫星是如何做到的
大气中的气体吸收不同波长的太阳光。大多数温室气体监测卫星依靠光谱成像仪来检测这些吸收模式,从而能够发现大气中的甲烷和二氧化碳的含量水平。大多数温室气体监测卫星在短波红外光谱范围内运行,这对于检测二氧化碳和甲烷特别有效。
传感器技术在不断进步。最新的仪器采用高光谱成像技术来捕捉数百个波长波段。这使得检测多种气体成为可能,并帮助研究人员区分气体和传感器产生的噪声。
分辨率至关重要
大约三十年来,一些地球观测卫星已经能够探测到温室气体,尽管它们最初是为其他目的而设计的。
最早以监测温室气体为主要任务而设计的卫星是日本宇宙航空研究开发机构的温室气体观测卫星(GOSAT),该卫星于 2009 年发射。GOSAT 采用宽幅成像方法,监测温室气体浓度的大规模变化趋势。
随后,美国国家航空航天局(NASA)的轨道碳观测卫星 - 2(OCO-2)以及包括中国的碳卫星(TanSAT)在内的其他几颗卫星相继发射。这些宽幅卫星共同为气候模型提供了重要数据。这些数据还揭示出,温室气体排放量在全球范围内都存在被低估的情况。
这促使研究人员开始寻找温室气体排放源,尤其是甲烷,在20年的时间里,甲烷的致暖能力大约是二氧化碳的80倍。要做到这一点,就需要发射分辨率越来越高的卫星。2016年,一家私人机构发射了温室气体演示卫星(GHGSat-D),也被称为 “克莱尔(Claire)”。该卫星搭载的成像仪的能力大约是轨道碳观测卫星-2(OCO-2)的20倍,每个像素能捕捉到一块50米乘50米的地面区域。
Kaur表示:“分辨率越高,就能够更精确地检测和监测像管道泄漏或工业场所排放这类较小的排放源。如果没有足够的分辨率,排放可能会被遗漏或错误归因,从而使得有效解决相关问题变得困难。”
有多少卫星在跟踪温室气体?
根据地球观测卫星委员会的温室气体卫星任务数据库,截至2025年,至少有9颗专门用于全球温室气体监测任务的卫星已被发射升空。
另外还有11项排放源探测任务 —— 其中一些任务由多颗卫星执行 —— 专注于识别特定的甲烷和二氧化碳排放源。还有数十颗通用地球观测卫星也搭载了能够探测温室气体的传感器。
此外,轨道上还有许多搭载了高光谱成像仪的通用卫星,它们能够探测温室气体水平。
实际应用案例
未来展望
至少有10项不同的温室气体测绘卫星任务计划在2026年及以后实施,其中3项致力于广泛监测全球温室气体水平,7项旨在探测自然和人为排放源的排放羽流。
机器学习正被用于分析卫星产生的大量数据,以实现从海量数据中识别关键信息过程的自动化。
一个新兴趋势是利用静止轨道卫星持续监测特定区域,如北美、中东和北极地区,因为这些地区的永久冻土融化有可能将大量甲烷释放到大气中。
另一个新兴趋势是:温室气体测绘越来越多地成为私人组织的工作范畴,这些组织将泄漏检测视为一项业务,同时也涉及政府组织与非政府组织之间的合作。其中一个例子是 “甲烷卫星(MethaneSAT)” 项目,它能够检测到低至十亿分之三的气体浓度。
促成这一切的一个因素是:物理硬件在尺寸和成本上都有所缩减,这使得许多能够协同工作的小卫星得以部署。这些卫星星座意味着可以获取更大量的数据以及实现更高的成像分辨率。
好文章,需要你的鼓励
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
Coursera在2025年连接大会上宣布多项AI功能更新。10月将推出角色扮演功能,通过AI人物帮助学生练习面试技巧并获得实时反馈。新增AI评分系统可即时批改代码、论文和视频作业。同时引入完整性检查和监考系统,通过锁定浏览器和真实性验证打击作弊行为,据称可减少95%的不当行为。此外,AI课程构建器将扩展至所有合作伙伴,帮助教育者快速设计课程。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。