مقاله Geovit: یک ساختار ترانسفورماتور ویژن همه کاره برای آنالیز تصویر جغرافیایی

چکیده

Greenhouse gases are pivotal drivers of climate change, necessitating precise quantification and source identification to foster mitigation strategies. We introduce GeoViT, a compact vision transformer model adept in processing satellite imagery for multimodal segmentation, classification, and regression tasks targeting CO2 and NO2 emissions. Leveraging GeoViT, we attain superior accuracy in estimating power generation rates, fuel type, plume coverage for CO2, and high-resolution NO2 concentration mapping, surpassing previous state-of-the-art models while significantly reducing model size. GeoViT demonstrates the efficacy of vision transformer architectures in harnessing satellite-derived data for enhanced GHG emission insights, proving instrumental in advancing climate change monitoring and emission regulation efforts globally.

چکیده به فارسی (ترجمه ماشینی)

گازهای گلخانه ای محرک محوری تغییرات آب و هوا هستند که نیاز به اندازه گیری دقیق و شناسایی منبع برای تقویت استراتژی های کاهش دارند.ما GEOVIT را معرفی می کنیم ، یک مدل ترانسفورماتور دید فشرده در پردازش تصاویر ماهواره ای برای تقسیم بندی چند حالته ، طبقه بندی و وظایف رگرسیون هدف قرار دادن انتشار CO2 و NO2.با استفاده از GEOVIT ، ما در برآورد نرخ تولید برق ، نوع سوخت ، پوشش ستون برای CO2 و نقشه برداری غلظت NO2 با وضوح بالا ، از مدل های پیشرفته قبلی و در عین حال کاهش قابل توجهی در اندازه مدل ، به دقت برتر می رسیم.Geovit اثربخشی معماری های ترانسفورماتور بینایی را در استفاده از داده های مشتق از ماهواره برای بینش های پیشرفته انتشار GHG نشان می دهد ، و این مؤلفه را در پیشبرد نظارت بر تغییر آب و هوا و تلاش های تنظیم انتشار در سطح جهان اثبات می کند.