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

要約

地球温暖化が深刻化するにつれ、逃散メタン排出の監視や埋め立て地からのガスプルームの検出にますます注目が集まっています。
私たちは、メタン排出モニタリングを 3 つのサブタスク (メタン濃度反転、プルーム セグメンテーション、および排出率推定) に分割しました。
従来のアルゴリズムは特定の制限に直面しています。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、重大なノイズが発生しやすい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ほとんどなく、多くの研究は主観的になる可能性がある手動のセグメンテーションに依存しています。
メタン排出量の推定には IME アルゴリズムが使用されることが多く、これには気象測定データが必要です。
香港の WENT 埋立地と PRISMA ハイパースペクトル衛星画像を利用して、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を定量的に監視するための新しい深層学習ベースのフレームワークを紹介します。
私たちは、ラージ渦シミュレーション (LES) を使用して模擬メタンプルームを作成し、放射伝達方程式 (RTE) を使用して一時放出のさまざまな濃度マップを作成し、同時に拡張技術を適用して模擬 PRISMA データセットを構築します。
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。どちらも精度の点でシングルタスク モデルよりも優れています。
私たちの研究は、定量的なメタン監視へのマルチタスク深層学習の適用を例示しており、幅広いメタン監視タスクに一般化できます。

要約(オリジナル)

As global warming intensifies, increased attention is being paid to monitoring fugitive methane emissions and detecting gas plumes from landfills. We have divided methane emission monitoring into three subtasks: methane concentration inversion, plume segmentation, and emission rate estimation. Traditional algorithms face certain limitations: methane concentration inversion typically employs the matched filter, which is sensitive to the global spectrum distribution and prone to significant noise. There is scant research on plume segmentation, with many studies depending on manual segmentation, which can be subjective. The estimation of methane emission rate frequently uses the IME algorithm, which necessitates meteorological measurement data. Utilizing the WENT landfill site in Hong Kong along with PRISMA hyperspectral satellite imagery, we introduce a novel deep learning-based framework for quantitative methane emission monitoring from remote sensing images that is grounded in physical simulation. We create simulated methane plumes using large eddy simulation (LES) and various concentration maps of fugitive emissions using the radiative transfer equation (RTE), while applying augmentation techniques to construct 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 yield higher validation accuracy compared to traditional algorithms. Furthermore, we combine the first two subtasks and the last two subtasks to design multi-task learning models, MTL-01 and MTL-02, both of which outperform single-task models in terms of accuracy. Our research exemplifies the application of multi-task deep learning to quantitative methane monitoring and can be generalized to a wide array of methane monitoring tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google