HyperspectralViTs: Fast and Accurate methane detection on-board satellites

要約

機械学習モデルを使用したハイパースペクトル データのオンボード処理により、メタン検出や鉱物識別など、幅広いタスクに対して前例のない量の自律性が可能になります。
メタンは気候変動の 2 番目に重要な温室効果ガスの原因物質であり、機械学習モデルを使用して衛星に搭載されたメタンの自動検出により、早期警報システムが可能になり、衛星群内での自動スケジューリングなどの新機能が可能になる可能性があります。
メタン検出の古典的な方法は高い誤検知率に悩まされており、以前の深層学習モデルは法外な計算要件を示しています。
私たちは、高スペクトル次元のデータを使用したエンドツーエンドのトレーニングをサポートする、高速かつ正確な機械学習アーキテクチャを提案します。
私たちは、ハイパースペクトル データ処理に関連する 2 つのタスク (メタン漏洩検出と鉱物識別) でモデルを評価します。
私たちが提案した一般的なアーキテクチャにより、以前のメタン検出の最先端モデルの F1 スコアが、新しく作成された合成データセットでは 27% 以上改善され、以前にリリースされた大規模なベンチマーク データセットではほぼ 13% 改善されました。
また、合成データセットでモデルをトレーニングすると、最初からトレーニングした場合と比較して、実際のイベントのデータセットで微調整されたモデルのパフォーマンスが F1 スコアで 6.9% 向上することも実証します。
鉱物同定用に新しく作成されたデータセットでは、モデルのデフォルト バージョンと比較して、私たちのモデルは F1 スコアで 3.5% の改善をもたらしました。
私たちが提案したモデルでは、古典的に計算された特徴への依存を取り除くことで、以前の古典的および深層学習のアプローチと比較して、推論速度が 85.19% 向上しました。
つまり、EMIT センサーからの 1 つのキャプチャは、ION-SCV 004 衛星で使用されている現実的なプロキシ ハードウェア上でわずか 30 秒で処理できます。

要約(オリジナル)

On-board processing of hyperspectral data with machine learning models would enable unprecedented amount of autonomy for a wide range of tasks, for example methane detection or mineral identification. Methane is the second most important greenhouse gas contributor to climate change, and it’s automated detection on-board of satellites using machine learning models would allow for early warning system and could enable new capabilities such as automated scheduling inside constellations of satellites. Classical methods for methane detection suffer from high false positive rates and previous deep learning models exhibit prohibitive computational requirements. We propose fast and accurate machine learning architectures which support end-to-end training with data of high spectral dimension. We evaluate our models on two tasks related to hyperspectral data processing – methane leak detection and mineral identification. With our proposed general architectures, we improve the F1 score of the previous methane detection state-of-the-art models by more than 27% on a newly created synthetic dataset and by almost 13% on the previously released large benchmark dataset. We also demonstrate that training models on the synthetic dataset improves performance of models finetuned on the dataset of real events by 6.9% in F1 score in contrast with training from scratch. On a newly created dataset for mineral identification, our models provide 3.5% improvement in the F1 score in contrast to the default versions of the models. With our proposed models we improve the inference speed by 85.19% in contrast to previous classical and deep learning approaches by removing the dependency on classically computed features. Namely, one capture from the EMIT sensor can be processed in only 30 seconds on a realistic proxy hardware used on the ION-SCV 004 satellite.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google