論文の概要: Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT

• arxiv url: http://arxiv.org/abs/2604.10094v1
• Date: Sat, 11 Apr 2026 08:27:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.836676
• Title: Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT
• Title（参考訳）: EMITによる高スペクトル放射率測定における深層学習によるメタン点源の地球観測
• Authors: Vishal V. Batchu, Michelangelo Conserva, Alex Wilson, Anna M. Michalak, Varun Gulshan, Philip G. Brodrick, Andrew K. Thorpe, Christopher V. Arsdale,
• Abstract要約: 人為的なメタン点源は、短期的な気候強制、安全リスク、システム非効率を駆動する。 本稿では,エンド・ツー・エンド・エンド・ビジョン・トランスフォーマ・フレームワークであるEMM(MAPL-EMIT)モデルを用いたメタン分析とプルームのローカライゼーションについて述べる。 このモデルは、地球規模のEMM放射データに注入された360万個の物理ベースの合成プラムで訓練された。 実世界のベンチマークでは、MAPL-EMITが既知の手書きのNASA L2Bプルームコンプレックスの79%を捉えている。
• 参考スコア（独自算出の注目度）: 1.5926880411246283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anthropogenic methane (CH4) point sources drive near-term climate forcing, safety hazards, and system inefficiencies. Space-based imaging spectroscopy is emerging as a tool for identifying emissions globally, but existing approaches largely rely on manual plume identification. Here we present the Methane Analysis and Plume Localization with EMIT (MAPL-EMIT) model, an end-to-end vision transformer framework that leverages the complete radiance spectrum from the Earth Surface Mineral Dust Source Investigation (EMIT) instrument to jointly retrieve methane enhancements across all pixels within a scene. This approach brings together spectral and spatial context to significantly lower detection limits. MAPL-EMIT simultaneously supports enhancement quantification, plume delineation, and source localization, even for multiple overlapping plumes. The model was trained on 3.6 million physics-based synthetic plumes injected into global EMIT radiance data. Synthetic evaluation confirms the model's ability to identify plumes with high recall and precision and to capture weaker plumes relative to existing matched-filter approaches. On real-world benchmarks, MAPL-EMIT captures 79% of known hand-annotated NASA L2B plume complexes across a test set of 1084 EMIT granules, while capturing twice as many plausible plumes than identified by human analysts. Further validation against coincident airborne data, top-emitting landfills, and controlled release experiments confirms the model's ability to identify previously uncaptured sources. By incorporating model-generated metrics such as spectral fit scores and estimated noise levels, the framework can further limit false-positive rates. Overall, MAPL-EMIT enables high-throughput implementation on the full EMIT catalog, shifting methane monitoring from labor-intensive workflows to a rapid, scalable paradigm for global plume mapping at the facility scale.
• Abstract（参考訳）: 人為的メタン(CH4)点源は、短期的な気候強制、安全性の危険、システム不効率を駆動する。 宇宙をベースとした画像分光法は、世界中の排出ガスを識別するツールとして登場しているが、既存のアプローチは手動の羽根の識別に大きく依存している。 ここでは,地球表面ダスト源探査(EMIT)装置からの完全な放射スペクトルを利用して,シーン内の全画素にわたるメタンの増強を共同で回収するエンド・ツー・エンド・エンド・ビジョン・トランスフォーマー・フレームワークであるMAPL-EMITモデルを用いたメタン分析とプルームローカライゼーションについて述べる。 このアプローチは、スペクトルと空間コンテキストを組み合わさって、検出限界を著しく低くする。 MAPL-EMITは、複数の重なり合うプラムであっても、拡張量子化、プルームデライン化、ソースローカライゼーションを同時にサポートする。 このモデルは、地球規模のEMM放射データに注入された360万個の物理ベースの合成プラムで訓練された。 合成評価により、モデルが高いリコール精度と精度でプラムを識別し、既存のマッチングフィルタアプローチと比較して弱いプラムを捕捉する能力が確認された。 実世界のベンチマークでは、MAPL-EMITは1084個のEMMグラニュラーからなるテストセットで既知の手書きのNASA L2Bプラム複合体の79%を捕獲し、一方で人間のアナリストが特定した2倍の可塑性プラウムを捕獲した。 一致した航空機データ、トップエミッションの埋立処分場、制御された放出実験に対するさらなる検証は、このモデルが未捕獲のソースを識別する能力を確認している。 スペクトル適合スコアや推定ノイズレベルなどのモデル生成メトリクスを組み込むことで、このフレームワークはさらに偽陽性率を制限することができる。 全体として、MAPL-EMITはフルEMITカタログの高スループット実装を可能にし、メタンモニタリングを労働集約的なワークフローから、施設規模でのグローバルプルームマッピングのための迅速でスケーラブルなパラダイムにシフトさせる。

関連論文リスト

• Operational machine learning for remote spectroscopic detection of CH$_{4}$ point sources [1.0934673357973288]
  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。
  論文  参考訳（メタデータ） (2025-11-11T00:53:03Z)
• 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)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• 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)
• 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)

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。