Unlocking the Potential: Multi-task Deep Learning for Spaceborne Quantitative Monitoring of Fugitive Methane Plumes

要約

地球温暖化の激化に伴い、埋め立て地からのメタン排出の監視とガスプルームの検出がますます注目を集めています。
私たちはメタン排出モニタリングを 3 つのサブタスク、すなわちメタン濃度反転、プルームのセグメント化、および排出率の推定に分解します。
従来のアルゴリズムには限界があります。メタン濃度反転では通常、グローバルなスペクトル分布の影響を受けやすく、大量のノイズを含む整合フィルターが使用されます。
プルームのセグメンテーションに関する研究は限られており、多くの研究は主観的な可能性が高い手動のセグメンテーションに頼っています。
メタン排出量の推定には、気象測定データの取得に依存する IME アルゴリズムがよく利用されます。
香港の WENT 埋立地と PRISMA ハイパースペクトル衛星画像を使用して、物理シミュレーションに基づいたリモート センシング画像からのメタン排出量の定量モニタリングのための新しい深層学習ベースのフレームワークを提案します。
ラージ渦シミュレーション (LES) を使用してシミュレートされたメタンプルームを生成し、放射伝達方程式 (RTE) を使用して逃散放出のさまざまな濃度マップを生成し、同時に拡張技術を組み合わせてシミュレートされた PRISMA データセットを作成します。
メタン濃度反転用の U-Net ネットワーク、メタン プルーム セグメンテーション用の Mask R-CNN ネットワーク、メタン排出量推定用の ResNet-50 ネットワークをトレーニングします。
3 つのディープ ネットワークはすべて、従来のアルゴリズムと比較して高い検証精度を実現します。
さらに、最初の 2 つのサブタスクと最後の 2 つのサブタスクをそれぞれ組み合わせて、マルチタスク学習モデル MTL-01 および MTL-02 を設計します。どちらもシングルタスク モデルよりも高い精度を実現します。
私たちの研究は、マルチタスクの深層学習をメタンの定量監視に適用する実証として機能し、広範囲のメタン監視タスクに拡張することができます。

要約(オリジナル)

With the intensification of global warming, the monitoring of methane emission and detection of gas plumes from landfills have increasingly received attention. We decompose methane emission monitoring into three sub-tasks: methane concentration inversion, plume segmentation, and emission rate estimation. Conventional algorithms have limitations: methane concentration inversion usually uses the matched filter, which is sensitive to global spectrum distribution and contains a large amount of noises. There is limited research on plume segmentation, with many studies resorting to manual segmentation that is likely to be subjective. The estimation of methane emission rate often utilizes IME algorithm, which relies on obtaining meteorological measurement data. Using the WENT landfill site in Hong Kong and PRISMA hyperspectral satellite imagery, we propose a new deep learning-based framework for quantitative monitoring of methane emissions from remote sensing images based on physical simulation. We generate simulated methane plumes using large eddy simulation (LES) and different concentration maps of fugitive emission using the radiative transfer equation (RTE), while combining augmentation techniques to create a simulated PRISMA dataset. We train a U-Net network for methane concentration inversion, a Mask R-CNN network for methane plume segmentation, and a ResNet-50 network for methane emission rate estimation. All three deep networks achieve higher validation accuracy compared to conventional algorithms. We further respectively combine the first two sub-tasks and the last two sub-tasks to design the multi-task learning models – MTL-01 and MTL-02, both of which achieve higher accuracy than single-task models. Our research serves as a demonstration of applying multi-task deep learning to quantitative methane monitoring and can be extended to a broad range of methane monitoring tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google