論文の概要: Operational machine learning for remote spectroscopic detection of CH$_{4}$ point sources

• arxiv url: http://arxiv.org/abs/2511.07719v1
• Date: Wed, 12 Nov 2025 01:12:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.446423
• Title: Operational machine learning for remote spectroscopic detection of CH$_{4}$ point sources
• Title（参考訳）: CH$_{4}$点源のリモート分光検出のための操作機械学習
• Authors: Vít Růžička, Gonzalo Mateo-García, Itziar Irakulis-Loitxate, Juan Emmanuel Johnson, Manuel Montesino San Martín, Anna Allen, Luis Guanter, David R. Thompson,
• Abstract要約: 人為的メタン源の緩和は、地球温暖化を減速させる最も費用対効果の高いレバーの1つである。 マッチングフィルタに基づく現在のメタン回収法は、依然として多数の誤検出を発生させる。 本稿では,メタン排出量を検出する機械学習システムの運用展開について述べる。
• 参考スコア（独自算出の注目度）: 1.0934673357973288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mitigating anthropogenic methane sources is one the most cost-effective levers to slow down global warming. While satellite-based imaging spectrometers, such as EMIT, PRISMA, and EnMAP, can detect these point sources, current methane retrieval methods based on matched filters still produce a high number of false detections requiring laborious manual verification. This paper describes the operational deployment of a machine learning system for detecting methane emissions within the Methane Alert and Response System (MARS) of the United Nations Environment Programme's International Methane Emissions Observatory. We created the largest and most diverse global dataset of annotated methane plumes from three imaging spectrometer missions and quantitatively compared different deep learning model configurations. Focusing on the requirements for operational deployment, we extended prior evaluation methodologies from small tiled datasets to full granule evaluation. This revealed that deep learning models still produce a large number of false detections, a problem we address with model ensembling, which reduced false detections by over 74%. Deployed in the MARS pipeline, our system processes scenes and proposes plumes to analysts, accelerating the detection and analysis process. During seven months of operational deployment, it facilitated the verification of 1,351 distinct methane leaks, resulting in 479 stakeholder notifications. We further demonstrate the model's utility in verifying mitigation success through case studies in Libya, Argentina, Oman, and Azerbaijan. Our work represents a critical step towards a global AI-assisted methane leak detection system, which is required to process the dramatically higher data volumes expected from new and current imaging spectrometers.
• Abstract（参考訳）: 人為的メタン源の緩和は、地球温暖化を減速させる最も費用対効果の高いレバーである。 EMIT、PRISMA、EnMAPなどの衛星ベースのイメージング分光計はこれらの点源を検出できるが、マッチングされたフィルタに基づく現在のメタン検索法は依然として、厳しい手作業による検証を必要とする多くの誤検出を発生させる。 本稿では,国連環境プログラム国際メタン排出観測所のメタン・アレルト・レスポンス・システム(MARS)内のメタン排出量を検出する機械学習システムの運用運用について述べる。 我々は、3つのイメージング分光器のミッションから、アノテーション付きメタンプラムの最大かつ最も多様なグローバルデータセットを作成し、異なるディープラーニングモデル構成を定量的に比較した。 運用運用の要件に焦点をあてて,小さなタイル付きデータセットから完全な粒度評価まで,事前評価手法を拡張した。 これは、ディープラーニングモデルが依然として多数の偽検出を発生させており、モデルアンサンブルに対処する問題であり、偽検出を74%以上削減していることを明らかにした。 MARSパイプラインにデプロイされたシステムでは、シーンを処理し、アナリストにプルームを提案し、検出と解析のプロセスが高速化される。 7ヶ月間の運用展開の間に、1,351個のメタン漏れの確認が促進され、479個のステークホルダーの通知が得られた。 さらに、リビア、アルゼンチン、オマーン、アゼルバイジャンでのケーススタディを通じて、緩和の成功を検証するためのモデルの有用性を実証する。 我々の研究は、新しい、現在のイメージング分光器から期待される、劇的に高いデータ量を処理するために必要とされる、グローバルなAI支援メタン漏れ検知システムへの重要なステップである。

関連論文リスト

• Earth-Agent: Unlocking the Full Landscape of Earth Observation with Agents [49.3216026940601]
  地球観測は、地球系の状態を理解するために不可欠である。 近年のMLLMは高度なEO研究を行っているが、多段階推論を必要とする複雑なタスクに対処する能力は乏しい。 我々は,MPPベースのツールエコシステム内でRGBとスペクトルEOデータを統一する最初のエージェントフレームワークであるEarth-Agentを紹介する。
  論文  参考訳（メタデータ） (2025-09-27T06:04:28Z)
• 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)
• Unlocking the Potential: Multi-task Deep Learning for Spaceborne Quantitative Monitoring of Fugitive Methane Plumes [0.7970333810038046]
  メタン濃度インバージョン(英語版)、プルームセグメンテーション(英語版)、エミッションレート推定(英語版)は、メタン排出モニタリングの3つのサブタスクである。 リモートセンシング画像からメタン排出量の定量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。
  論文  参考訳（メタデータ） (2024-01-23T16:04:19Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• 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)
• 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)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)

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。