論文の概要: OGNet: Towards a Global Oil and Gas Infrastructure Database using Deep Learning on Remotely Sensed Imagery

• arxiv url: http://arxiv.org/abs/2011.07227v1
• Date: Sat, 14 Nov 2020 06:20:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 13:11:19.372163
• Title: OGNet: Towards a Global Oil and Gas Infrastructure Database using Deep Learning on Remotely Sensed Imagery
• Title（参考訳）: OGNet:リモートセンシング画像のディープラーニングによるグローバル石油・ガスインフラデータベースを目指して
• Authors: Hao Sheng, Jeremy Irvin, Sasankh Munukutla, Shawn Zhang, Christopher Cross, Kyle Story, Rose Rustowicz, Cooper Elsworth, Zutao Yang, Mark Omara, Ritesh Gautam, Robert B. Jackson, Andrew Y. Ng
• Abstract要約: 地球が現在経験している温暖化の少なくとも4分の1は、人為的なメタンの放出によるものである。 本研究では,石油やガスのインフラを自動的に検出するために,高解像度の高解像度空中画像を利用するディープラーニングアルゴリズムを開発した。 我々は,OGNetが,石油・ガスインフラの4つの標準公開データセットに存在しない多くの施設を検出していることを示す。
• 参考スコア（独自算出の注目度）: 8.471461072749472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: At least a quarter of the warming that the Earth is experiencing today is due to anthropogenic methane emissions. There are multiple satellites in orbit and planned for launch in the next few years which can detect and quantify these emissions; however, to attribute methane emissions to their sources on the ground, a comprehensive database of the locations and characteristics of emission sources worldwide is essential. In this work, we develop deep learning algorithms that leverage freely available high-resolution aerial imagery to automatically detect oil and gas infrastructure, one of the largest contributors to global methane emissions. We use the best algorithm, which we call OGNet, together with expert review to identify the locations of oil refineries and petroleum terminals in the U.S. We show that OGNet detects many facilities which are not present in four standard public datasets of oil and gas infrastructure. All detected facilities are associated with characteristics known to contribute to methane emissions, including the infrastructure type and the number of storage tanks. The data curated and produced in this study is freely available at http://stanfordmlgroup.github.io/projects/ognet .
• Abstract（参考訳）: 地球が現在経験している温暖化の少なくとも4分の1は、メタンの人為的排出によるものである。 軌道上には複数の衛星があり、今後数年以内に打ち上げられる予定で、これらの排出を検知し、定量化することができるが、メタン排出を地上の排出源に分類するには、世界中の排出源の位置と特性の包括的なデータベースが不可欠である。 本研究では,無償で利用可能な高分解能空中画像を利用して石油・ガスのインフラを自動的に検出する深層学習アルゴリズムを開発した。 我々は、OGNetと呼ばれる最良のアルゴリズムと専門家のレビューを用いて、米国の石油精製所と石油ターミナルの位置を特定します。 ognetは、石油とガスのインフラの4つの標準データセットに存在しない多くの施設を検出している。 検出されたすべての施設は、インフラタイプや貯蔵タンクの数など、メタン排出に寄与する特性と関連している。 この研究で収集されたデータは、http://stanfordmlgroup.github.io/projects/ognet.com/で無料で利用できる。

関連論文リスト

• Alberta Wells Dataset: Pinpointing Oil and Gas Wells from Satellite Imagery [19.482912977993422]
  何百万もの石油とガスの井戸が世界中に散らばっている。 これらの場所の多くは不明であり、井戸がふさがれるのを防ぎ、汚染効果が回避された。 本稿では,Planet Labsの高解像度マルチスペクトル衛星画像を活用した,この問題に対する最初の大規模ベンチマークデータセットを紹介する。
  論文  参考訳（メタデータ） (2024-10-11T17:49:50Z)
• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
  大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。 我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。 実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
  論文  参考訳（メタデータ） (2023-10-10T00:03:23Z)
• Autonomous Detection of Methane Emissions in Multispectral Satellite Data Using Deep Learning [73.01013149014865]
  メタンは最も強力な温室効果ガスの1つである。 現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。 深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
  論文  参考訳（メタデータ） (2023-08-21T19:36:50Z)
• MethaneMapper: Spectral Absorption aware Hyperspectral Transformer for Methane Detection [13.247385727508155]
  メタンは地球規模の気候変動に大きく貢献している。 本稿では, 放射を検出・定量化するために, 端から端までのスペクトル吸収波長を考慮したトランスネットワークMethaneMapperを提案する。 MethaneMapperは検出時に0.63mAPを達成し、現在の技術と比べてモデルサイズ(5倍)を縮小する。
  論文  参考訳（メタデータ） (2023-04-05T22:15:18Z)
• METER-ML: A Multi-sensor Earth Observation Benchmark for Automated Methane Source Mapping [2.814379852040968]
  深層学習はメタン源の位置と特性を特定することができる。 機械学習の研究者や実践者が自動マッピングのアプローチを構築できるような、公開データの欠如がある。 我々は、米国内で86,625のジオレファレンスNAIP、Sentinel-1、Sentinel-2画像を含むMETER-MLと呼ばれるマルチセンサーデータセットを構築した。 本モデルでは, 油田精油所および石油ターミナルにおける集中給餌作業の精度を0.915の精度で再現し, 油田精油所および石油ターミナルの0.821の精度で評価した。
  論文  参考訳（メタデータ） (2022-07-22T16:12:07Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Counting Cows: Tracking Illegal Cattle Ranching From High-Resolution Satellite Imagery [59.32805936205217]
  牛の農業は世界の温室効果ガス排出量の8.8%を占めている。 40cmの解像度でアマゾンの衛星画像を取得し、合計28498頭の牛を含む903枚の画像のデータセットをまとめた。 本実験は,有望な結果を示し,これらの課題を解決するためのアルゴリズムとデータ収集プロセスのいずれにおいても,次のステップの重要方向を示すものである。
  論文  参考訳（メタデータ） (2020-11-14T19:07:39Z)
• Using machine learning to reduce ensembles of geological models for oil and gas exploration [0.0]
  オイル・イン・プレース(OIP)は、非常に多くの地質モデルを持つ計算に依存している。 データ削減技術は、この設定を小さいが、それでも完全に代表的なアンサンブルに減らすために必要である。 この研究は、0.5%のモデルだけで状態空間全体を記述できるアプローチである。
  論文  参考訳（メタデータ） (2020-10-17T12:20:32Z)
• Averaging Atmospheric Gas Concentration Data using Wasserstein Barycenters [68.978070616775]
  ハイパースペクトル衛星画像は、世界中の温室効果ガス濃度を毎日報告している。 気象データと組み合わさったワッサーシュタイン・バリセンタを用いて, ガス濃度データセットの平均化と, 質量集中性の向上を提案する。
  論文  参考訳（メタデータ） (2020-10-06T14:31:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。