Machine Learning for Methane Detection and Quantification from Space — A survey

要約

メタン (CH_4) は強力な人為起源の温室効果ガスであり、20 年間で二酸化炭素 (CO_2) の 86 倍も地球温暖化に寄与しており、大気汚染物質としても作用します。
メタンの高い放射強制力と比較的短い大気寿命 (9\textpm1 年) を考慮すると、メタンは気候変動に重要な影響を及ぼします。したがって、効果的な気候変動緩和にはメタン排出量の削減が不可欠です。
この研究は、短波赤外線 (SWIR) 帯域で動作するメタン点源検出センサーに関する既存の情報を拡張します。
従来のアプローチと機械学習 (ML) アプローチの最先端をレビューします。
このような ML モデルで使用されるアーキテクチャとデータについては、メタンプルームのセグメント化と排出率の推定について個別に説明します。
従来、専門家はメタン検出に労働集約的な手動調整方法を利用していました。
ただし、ML アプローチはより優れたスケーラビリティを提供します。
私たちの分析により、ML モデルは従来の手法、特に U-net およびトランスフォーマー アーキテクチャに基づく畳み込みニューラル ネットワーク (CNN) に基づく手法よりも優れていることが明らかになりました。
これらの ML モデルは、メタンに敏感なスペクトル データから貴重な情報を抽出し、より正確な検出を可能にします。
これらの方法を比較すると、データ、センサー仕様、評価基準が異なるため、課題が生じます。
これに対処するために、既存のデータセットと指標について議論し、利用可能なリソースの概要を提供し、未解決の研究問題を特定します。
最後に、モデルの比較可能性、大規模なデータセットの作成、および欧州連合の今後のメタン戦略に対するアプローチを強調しながら、ML における将来の潜在的な進歩を探ります。

要約(オリジナル)

Methane (CH_4) is a potent anthropogenic greenhouse gas, contributing 86 times more to global warming than Carbon Dioxide (CO_2) over 20 years, and it also acts as an air pollutant. Given its high radiative forcing potential and relatively short atmospheric lifetime (9\textpm1 years), methane has important implications for climate change, therefore, cutting methane emissions is crucial for effective climate change mitigation. This work expands existing information on operational methane point source detection sensors in the Short-Wave Infrared (SWIR) bands. It reviews the state-of-the-art for traditional as well as Machine Learning (ML) approaches. The architecture and data used in such ML models will be discussed separately for methane plume segmentation and emission rate estimation. Traditionally, experts rely on labor-intensive manually adjusted methods for methane detection. However, ML approaches offer greater scalability. Our analysis reveals that ML models outperform traditional methods, particularly those based on convolutional neural networks (CNN), which are based on the U-net and transformer architectures. These ML models extract valuable information from methane-sensitive spectral data, enabling a more accurate detection. Challenges arise when comparing these methods due to variations in data, sensor specifications, and evaluation metrics. To address this, we discuss existing datasets and metrics, providing an overview of available resources and identifying open research problems. Finally, we explore potential future advances in ML, emphasizing approaches for model comparability, large dataset creation, and the European Union’s forthcoming methane strategy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google