我们与AMP Sortation签署协议，计划到2030年减少20万吨CO2，并探索减缓甲烷的方法。AMP利用AI技术从垃圾中回收有机物，转化为可长期储存的生物炭，以减少废物和改善空气质量。

超级污染物如甲烷和氟化气体导致近一半的全球变暖。我们计划在2030年前投入至少5000万美元消除这些污染物，并与其他公司共同参与超级污染物行动倡议，以确保影响力可测量并推动更多公司和政府参与。针对短期污染物的行动有助于缓解近期变暖。

谷歌支持多项解决方案以清理大气，包括消除甲烷等超级污染物和恢复自然生态。巴西的三个项目利用科技和人工智能，推动碳去除和环境保护，带来经济与健康益处。

这个周末我在奥克兰的Temescal Regional Recreation Area徒步，公园内有大湖和短步道，观察到多种水鸟和衣囊地鼠，湖底因腐植质产生甲烷，管理者正准备解决水质问题。

本文研究了机载高光谱云检测中的领域差异问题，提出了一种新算法，能够在卫星上高效传输数据，仅需1%的权重更新，从而克服带宽限制。

本研究提出了机器学习方法作为解决传统甲烷检测方法不足的新方案。研究发现，基于卷积神经网络的机器学习模型在甲烷检测中表现优于传统方法，能够更准确地提取甲烷敏感光谱数据的信息，并探讨未来的潜在进展。

2023年是有记录以来最热的一年，减少温室气体污染对抗气候变化至关重要。谷歌与环境防御基金（EDF）合作，利用卫星图像和人工智能来检测和追踪油气基础设施的甲烷排放。EDF的卫星MethaneSAT将全球提供精确的甲烷水平测量。谷歌还将利用人工智能创建全球石油和天然气基础设施地图。这些信息将在MethaneSAT的网站和谷歌地球引擎上提供，使研究人员和组织能够追踪甲烷排放并了解其环境影响。

我们引入了一种基于深度学习的三维方法，用于反演地下密度和速度模型，预测地下CO₂羽流，作为CO₂封存监测工具。该方法优于仅有重力或地震的反演模型，实现了改进的重建和准确的分割。未来工作将验证方法并进行其他地质封存地点的模拟。

本文测试了多个数据驱动的机器学习模型在甲烷泄漏识别和强度预测方面的表现。采用加权集成模型进行甲烷检测和强度预测。