Anomalous NO2 emitting ship detection with TROPOMI satellite data and machine learning

要約

タイトル：TROPOMI衛星データと機械学習を用いた異常NO2排出船舶の検出

要約：
– 2021年から、北海とバルト海で運航する船舶に対してより厳しいNOx排出制限が導入されたことから、船舶コンプライアンス監視に使用されるすべての方法は財政的および時間的に負担がかかるため、非コンプライアンスになる可能性が高い船舶の検査を優先することが重要です。
– TROPOMI/S5Pの画像を用いた船舶NO2推定の最新手法は、教師あり機械学習ベースの船舶プルームのセグメンテーションです。しかし、データの注釈付けが困難で、検証に使用された十分に複雑な船舶排出プロキシは、船舶コンプライアンス監視のためのモデルの適用範囲を制限する。
– 本研究では、TROPOMI衛星データ上の機械学習モデルの組み合わせを用いた、潜在的に非コンプライアンスな船舶の自動選択の方法を提案しています。提案された回帰モデルは、特定の特性を持つ船舶が与えられた大気条件下で生成されると予想されるNO2の量を予測します。このモデルは手動のラベリングを必要とせず、TROPOMIデータで直接検証されます。予測されたNO2の量と実際のNO2の量の差は、船舶の観測時間にわたって統合され、船舶の検査対象性の尺度として使用されます。
– 結果の堅牢性を確保するために、得られた結果を以前に開発されたセグメンテーションベースの方法の結果と比較しました。セグメンテーション方法によっても著しく異なる船舶は、さらなる注意が必要です。TROPOMIデータを確認して他の説明が見つからない場合、それらの船舶は検査の候補としてアドバイスされます。

要約(オリジナル)

Starting from 2021, more demanding $\text{NO}_\text{x}$ emission restrictions were introduced for ships operating in the North and Baltic Sea waters. Since all methods currently used for ship compliance monitoring are financially and time demanding, it is important to prioritize the inspection of ships that have high chances of being non-compliant. The current state-of-the-art approach for a large-scale ship $\text{NO}_\text{2}$ estimation is a supervised machine learning-based segmentation of ship plumes on TROPOMI/S5P images. However, challenging data annotation and insufficiently complex ship emission proxy used for the validation limit the applicability of the model for ship compliance monitoring. In this study, we present a method for the automated selection of potentially non-compliant ships using a combination of machine learning models on TROPOMI satellite data. It is based on a proposed regression model predicting the amount of $\text{NO}_\text{2}$ that is expected to be produced by a ship with certain properties operating in the given atmospheric conditions. The model does not require manual labeling and is validated with TROPOMI data directly. The differences between the predicted and actual amount of produced $\text{NO}_\text{2}$ are integrated over observations of the ship in time and are used as a measure of the inspection worthiness of a ship. To assure the robustness of the results, we compare the obtained results with the results of the previously developed segmentation-based method. Ships that are also highly deviating in accordance with the segmentation method require further attention. If no other explanations can be found by checking the TROPOMI data, the respective ships are advised to be the candidates for inspection.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI