論文の概要: AttMetNet: Attention-Enhanced Deep Neural Network for Methane Plume Detection in Sentinel-2 Satellite Imagery

• arxiv url: http://arxiv.org/abs/2512.02751v1
• Date: Tue, 02 Dec 2025 13:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.891793
• Title: AttMetNet: Attention-Enhanced Deep Neural Network for Methane Plume Detection in Sentinel-2 Satellite Imagery
• Title（参考訳）: AttMetNet:Sentinel-2衛星画像におけるメタンプラム検出のための注意力強化型ディープニューラルネットワーク
• Authors: Rakib Ahsan, MD Sadik Hossain Shanto, Md Sultanul Arifin, Tanzima Hashem,
• Abstract要約: メタンは温室効果ガスであり、地球温暖化に大きく貢献する。 AttMetNetは,Sentinel-2衛星画像を用いたメタンプラム検出のための,注目度の高い新しい深層学習フレームワークである。
• 参考スコア（独自算出の注目度）: 1.0266286487433587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Methane is a powerful greenhouse gas that contributes significantly to global warming. Accurate detection of methane emissions is the key to taking timely action and minimizing their impact on climate change. We present AttMetNet, a novel attention-enhanced deep learning framework for methane plume detection with Sentinel-2 satellite imagery. The major challenge in developing a methane detection model is to accurately identify methane plumes from Sentinel-2's B11 and B12 bands while suppressing false positives caused by background variability and diverse land cover types. Traditional detection methods typically depend on the differences or ratios between these bands when comparing the scenes with and without plumes. However, these methods often require verification by a domain expert because they generate numerous false positives. Recent deep learning methods make some improvements using CNN-based architectures, but lack mechanisms to prioritize methane-specific features. AttMetNet introduces a methane-aware architecture that fuses the Normalized Difference Methane Index (NDMI) with an attention-enhanced U-Net. By jointly exploiting NDMI's plume-sensitive cues and attention-driven feature selection, AttMetNet selectively amplifies methane absorption features while suppressing background noise. This integration establishes a first-of-its-kind architecture tailored for robust methane plume detection in real satellite imagery. Additionally, we employ focal loss to address the severe class imbalance arising from both limited positive plume samples and sparse plume pixels within imagery. Furthermore, AttMetNet is trained on the real methane plume dataset, making it more robust to practical scenarios. Extensive experiments show that AttMetNet surpasses recent methods in methane plume detection with a lower false positive rate, better precision recall balance, and higher IoU.
• Abstract（参考訳）: メタンは温室効果ガスであり、地球温暖化に大きく貢献する。 メタン排出量の正確な検出は、タイムリーな行動をとり、気候変動への影響を最小限にする鍵となる。 AttMetNetは,Sentinel-2衛星画像を用いたメタンプラム検出のための,注目度の高い新しい深層学習フレームワークである。 メタン検出モデルを開発する上での大きな課題は、背景変動と多様な土地被覆タイプに起因する偽陽性を抑えつつ、センチネル2のB11およびB12バンドからメタンプラムを正確に識別することである。 伝統的検出法は、通常、これらのバンド間の違いや比率によって、シーンをプラムと非プラムで比較する。 しかし、これらの手法は、多くの偽陽性を生成するため、ドメインの専門家による検証を必要とすることが多い。 最近のディープラーニング手法は、CNNベースのアーキテクチャで改善されているが、メタン特有の特徴を優先するメカニズムが欠如している。 AttMetNetは、正常化差分メタン指数(NDMI)と注意力強化されたU-Netを融合したメタン対応アーキテクチャを導入している。 AtMetNetは、NDMIの羽根感性キューと注意駆動型特徴選択を併用することにより、背景雑音を抑えながらメタン吸収特性を選択的に増幅する。 この統合により、実際の衛星画像において、堅牢なメタンプラム検出に適した第一種アーキテクチャが確立される。 さらに,画像中の限られた正プルームサンプルとスパースプルームピクセルの両方から生じる重度のクラス不均衡に焦点損失を適用した。 さらに、AttMetNetは実際のメタンプルームデータセットでトレーニングされており、実用的なシナリオに対してより堅牢である。 大規模な実験により、AttMetNetは、偽陽性率、精度の高いリコールバランス、より高いIoUでメタン配管検出の最近の手法を超越していることが示された。

関連論文リスト

• Robust Small Methane Plume Segmentation in Satellite Imagery [1.1200323437006519]
  本稿では, センチネル2画像を用いた温室効果ガスであるメタンプラムの検出に挑戦する。 本稿では,ResNet34エンコーダを用いたU-Netに基づく新しい深層学習ソリューションを提案する。 実験により, 本手法は, 精度, 精度において, 78.39%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2025-08-22T10:41:50Z)
• 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)
• 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)
• Evaluation of the potential of Near Infrared Hyperspectral Imaging for monitoring the invasive brown marmorated stink bug [53.682955739083056]
  BMSB(Halyomorpha halys)は、数種の作物を害する世界的重要性の害虫である。 本研究は、BMSB検体を検出する技術として、NIR-HSI(Near Infrared Hyperspectral Imaging)を実験室レベルで予備評価する。
  論文  参考訳（メタデータ） (2023-01-19T11:37:20Z)
• 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)
• DDPM-CD: Denoising Diffusion Probabilistic Models as Feature Extractors for Change Detection [31.125812018296127]
  Deno Diffusion Probabilistic Model (DDPM) の事前学習による変化検出のための新しいアプローチを提案する。 DDPMは、訓練画像を徐々にマルコフ連鎖を用いてガウス分布に変換することにより、トレーニングデータ分布を学習する。 推論(サンプリング)中に、トレーニング分布に近い多様なサンプルセットを生成することができる。 LEVIR-CD, WHU-CD, DSIFN-CD, CDDデータセットを用いて行った実験により,提案手法は既存の変化検出法よりもF1スコアで大幅に優れており, I。
  論文  参考訳（メタデータ） (2022-06-23T17:58:29Z)

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。