論文の概要: Unlocking the Potential: Multi-task Deep Learning for Spaceborne
Quantitative Monitoring of Fugitive Methane Plumes
- arxiv url: http://arxiv.org/abs/2401.12870v1
- Date: Tue, 23 Jan 2024 16:04:19 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 15:07:21.944948
- Title: Unlocking the Potential: Multi-task Deep Learning for Spaceborne
Quantitative Monitoring of Fugitive Methane Plumes
- Title(参考訳): ポテンシャルの解き放つ:多タスク深層学習による宇宙空間でのメタン塔の定量的モニタリング
- Authors: Guoxin Si, Shiliang Fu and Wei Yao
- Abstract要約: 本研究では,メタン濃度インバージョン,プルームセグメンテーション,エミッションレート推定の3つのサブタスクにメタン排出量モニタリングを分解する。
本研究では,物理シミュレーションに基づくリモートセンシング画像からのメタン排出量の定量的モニタリングを行うための,新しいディープラーニングベースのフレームワークを提案する。
メタン濃度インバージョンのためのU-Netネットワーク,メタン配管セグメンテーションのためのMask R-CNNネットワーク,メタン排出率推定のためのResNet-50ネットワークを訓練する。
- 参考スコア(独自算出の注目度): 0.8957856456512912
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the intensification of global warming, the monitoring of methane
emission and detection of gas plumes from landfills have increasingly received
attention. We decompose methane emission monitoring into three sub-tasks:
methane concentration inversion, plume segmentation, and emission rate
estimation. Conventional algorithms have limitations: methane concentration
inversion usually uses the matched filter, which is sensitive to global
spectrum distribution and contains a large amount of noises. There is limited
research on plume segmentation, with many studies resorting to manual
segmentation that is likely to be subjective. The estimation of methane
emission rate often utilizes IME algorithm, which relies on obtaining
meteorological measurement data. Using the WENT landfill site in Hong Kong and
PRISMA hyperspectral satellite imagery, we propose a new deep learning-based
framework for quantitative monitoring of methane emissions from remote sensing
images based on physical simulation. We generate simulated methane plumes using
large eddy simulation (LES) and different concentration maps of fugitive
emission using the radiative transfer equation (RTE), while combining
augmentation techniques to create 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 achieve higher validation accuracy compared
to conventional algorithms. We further respectively combine the first two
sub-tasks and the last two sub-tasks to design the multi-task learning models -
MTL-01 and MTL-02, both of which achieve higher accuracy than single-task
models. Our research serves as a demonstration of applying multi-task deep
learning to quantitative methane monitoring and can be extended to a broad
range of methane monitoring tasks.
- Abstract(参考訳): 地球温暖化の増大に伴い、メタン排出量のモニタリングや埋立地からのガス配管の検出がますます注目されている。
我々はメタン濃度インバージョン, プルームセグメンテーション, および排出率推定の3つのサブタスクにメタン排出モニタリングを分解する。
メタン濃度インバージョンは通常マッチングフィルタを使用し、これは大域的なスペクトル分布に敏感であり、大量のノイズを含む。
プルームセグメンテーションに関する研究は限られており、多くの研究は主観的である可能性が高い手動セグメンテーションに依拠している。
メタン放出率の推定は、気象観測データを取得することに依存するIMEアルゴリズムを利用することが多い。
香港のgon埋立処分場とprismaハイパースペクトル衛星画像を用いて,物理シミュレーションに基づくリモートセンシング画像からのメタン排出量の定量的モニタリングのための深層学習に基づく枠組みを提案する。
我々は,大渦シミュレーション (LES) と放射移動方程式 (RTE) を用いた拡散放出の異なる濃度マップを用いて, メタンプラムを模擬し, 拡張技術を組み合わせて擬似PRISMAデータセットを作成する。
メタン濃度インバージョンのためのU-Netネットワーク,メタン配管セグメンテーションのためのMask R-CNNネットワーク,メタン排出率推定のためのResNet-50ネットワークを訓練する。
3つのディープネットワークは、従来のアルゴリズムよりも高い検証精度を実現する。
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であるMTL-01とMTL-02を設計する。
本研究は,メタンの定量モニタリングにマルチタスク深層学習を応用し,広範囲のメタンモニタリングタスクに拡張できることを示す。
関連論文リスト
- 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) - An Adaptive GViT for Gas Mixture Identification and Concentration
Estimation [9.331787778137945]
ガス識別の精度は97.61%に達し、純粋なガス濃度推定のR2は平均で99.5%を超える。
GViTモデルは、センサアレイの可変長リアルタイム信号データを入力として直接利用することができる。
論文 参考訳(メタデータ) (2023-03-10T03:37:05Z) - Detecting Methane Plumes using PRISMA: Deep Learning Model and Data
Augmentation [67.32835203947133]
PRISMAのような新世代の超スペクトル画像装置は、高空間分解能(30m)で宇宙からメタン(CH4)プラムの検出能力を著しく改善した。
ここでは、PRISMA衛星ミッションの画像を用いてCH4プラムを識別するための完全なフレームワークと、広範囲のプラムを検出可能なディープラーニングモデルを提案する。
論文 参考訳(メタデータ) (2022-11-17T17:36:05Z) - Multi-task Learning for Source Attribution and Field Reconstruction for
Methane Monitoring [7.045900712659982]
空間的にスパースなセンサ観測からメタンなどの温室効果ガスのソース情報を推定することは、気候変動を緩和する重要な要素である。
集中領域の高忠実度再構成を実現するマルチタスク学習フレームワークを開発した。
提案手法により, スパースセンサによるメタン濃度の高精度な再現が可能であることが実証された。
論文 参考訳(メタデータ) (2022-11-02T04:21:01Z) - 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) - SEA: Bridging the Gap Between One- and Two-stage Detector Distillation
via SEmantic-aware Alignment [76.80165589520385]
細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。
1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
論文 参考訳(メタデータ) (2022-03-02T04:24:05Z) - Energy-Efficient and Federated Meta-Learning via Projected Stochastic
Gradient Ascent [79.58680275615752]
エネルギー効率のよいメタラーニングフレームワークを提案する。
各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
論文 参考訳(メタデータ) (2021-05-31T08:15:44Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳(メタデータ) (2020-05-15T10:37:02Z) - Spatial and spectral deep attention fusion for multi-channel speech
separation using deep embedding features [60.20150317299749]
マルチチャネルディープクラスタリング(MDC)は、音声分離に優れた性能を得た。
本研究では,スペクトルおよび空間的特徴の重みを動的に制御し,それらを深く結合するディープ・アテンション・フュージョン法を提案する。
実験結果から,提案手法はMDCベースラインよりも優れ,理想的なバイナリマスク(IBM)よりも優れていた。
論文 参考訳(メタデータ) (2020-02-05T03:49:39Z)
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。