論文の概要: Plume Segmentation from MethaneSAT with Cross-Sensor Transfer Learning and Physics-Informed Postprocessing

• arxiv url: http://arxiv.org/abs/2605.24273v1
• Date: Fri, 22 May 2026 22:53:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.839074
• Title: Plume Segmentation from MethaneSAT with Cross-Sensor Transfer Learning and Physics-Informed Postprocessing
• Title（参考訳）: クロスセンサトランスファー学習と物理インフォーム後処理によるメタンサットからのプルームセグメンテーション
• Authors: Manuel Pérez-Carrasco, Maya Nasr, Zhan Zhang, Apisada Chulakadabba, Javier Roger, Raia Ottenheimer, Sébastien Roche, Maryann Sargent, Chris Chan Miller, Daniel Varon, Jack Warren, Luis Guanter, Kang Sun, Jonathan Franklin, Jia Chen, Cecilia Garraffo, Xiong Liu, Ritesh Gautam, Steven Wofsy,
• Abstract要約: メタンサットから回収したカラム平均乾燥空気モル分画のプルーム検出のための機械学習フレームワークを提案する。 ラベル付きメタンサットデータの不足と,大気および表面の多様な条件にまたがる推論信頼性の必要性という,2つの課題に対処する。
• 参考スコア（独自算出の注目度）: 8.061443907684147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated detection and masking of individual methane plumes from satellite imagery is important for operational emission attribution and quantification. We present a machine learning framework for plume detection from MethaneSAT retrieved column-averaged dry-air mole fractions of methane. We address two core challenges: the scarcity of labeled MethaneSAT data and the need for inference reliability across diverse atmospheric and surface conditions. We first demonstrate that Mask R-CNN with a ResNet-50 backbone outperforms U-Net semantic segmentation on both MethaneAIR (an airborne version of MethaneSAT) and MethaneSAT data, with pixel-level F1 score gains of 10.49 and 5.48 respectively. To address MethaneSAT data scarcity, we evaluate three cross-sensor transfer strategies leveraging MethaneAIR flights and synthetic plumes. Mask R-CNN with ResNet-50 fine-tuned from MethaneAIR pre-trained weights is the most effective strategy, achieving instance-level precision of 0.60 and a near-perfect recall of 0.98 at the baseline operating point. A physics-informed post-processing pipeline converts detections into two operationally distinct modes. The first is a high-sensitivity mode that applies morphological filtering and proximity-based merging for comprehensive emission screening, achieving precision of 0.71 and recall of 0.94. The second is a high-precision mode that additionally applies a distribution-based classifier for confident source attribution, achieving precision of 0.92 and recall of 0.70. Manual review of detections classified as false positives against our wavelet-based ground truth labels reveals that a meaningful fraction of cases correspond to real methane enhancements excluded by conservative labeling criteria, indicating that precision values reported are lower bounds on true detection performance... Our data and code are available at: https://doi.org/10.7910/DVN/FR959H
• Abstract（参考訳）: 衛星画像からの個別メタンプラムの自動検出とマスキングは, 排ガスの寄与と定量化に重要である。 メタンサットから回収したカラム平均乾燥空気モル分画のプルーム検出のための機械学習フレームワークを提案する。 ラベル付きメタンサットデータの不足と,大気および表面の多様な条件にまたがる推論信頼性の必要性という,2つの課題に対処する。 The first demonstrated that Mask R-CNN with a ResNet-50 backbone has outperforming U-Net semantic segmentation on MethaneAIR (a airborne version of MethaneSAT) and MethaneSAT data, with pixel-level F1 scores of 10.49 and 5.48。 MethaneSATデータ不足に対処するため,MethaneAIR飛行と合成プラムを利用した3つのクロスセンサトランスファー戦略を評価した。 ResNet-50をMethaneAIRから微調整したマスクR-CNNは最も効果的な戦略であり、インスタンスレベルの精度は0.60で、ベースラインでのリコールは0.98である。 物理インフォームされた後処理パイプラインは、検出を2つの運用モードに変換する。 1つ目は高感度モードで、総合的な発光スクリーニングに形態学的フィルタリングと近接ベースマージを適用し、精度は0.71、リコールは0.94である。 2つ目は、信頼性のあるソース属性に分布ベースの分類器を付加した高精度モードで、精度は0.92、リコールは0.70である。 ウェーブレットをベースとした地上の真実ラベルに対する偽陽性に分類される検出のマニュアルレビューでは、意味のある少数のケースが、保守的なラベル付け基準で除外された実際のメタンの強化に対応していることが明らかとなり、報告された精度が真の検出性能の低い境界であることを示す。 https://doi.org/10.7910/DVN/FR959H

関連論文リスト

• Benchmarking IoT Time-Series AD with Event-Level Augmentations [34.864214444544565]
  実世界の問題をシミュレートする統合されたイベントレベル拡張による評価プロトコルを提案する。 5つの公開異常データセット上で14の代表的なモデルを評価する。
  論文  参考訳（メタデータ） (2026-02-17T09:45:44Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Hunting for "Oddballs" with Machine Learning: Detecting Anomalous Exoplanets Using a Deep-Learned Low-Dimensional Representation of Transit Spectra with Autoencoders [35.61099185492068]
  本研究では, 異常検出のためのオートエンコーダを用いた機械学習手法の適用について検討した。 我々は,大気大挑戦 (ABC) データベースを用いて,CO2の豊富な大気を異常として,CO2の少ない大気を正常なクラスとして定義し,異常検出シナリオを構築する。 我々は、オートエンコーダ再構成損失、ワンクラスサポートベクトルマシン(1クラスSVM)、K平均クラスタリング、ローカルアウトリーファクタ(LOF)の4つの異なる異常検出戦略をベンチマークした。
  論文  参考訳（メタデータ） (2026-01-05T18:15:53Z)
• A Universal and Robust Framework for Multiple Gas Recognition Based-on Spherical Normalization-Coupled Mahalanobis Algorithm [16.05394499283827]
  本研究では,開集合ガス認識のための共通後処理モジュールである球正規化結合マハラノビス (SNM) モジュールを提案する。 Vergaraデータセットの実験により、Transformer+SNM構成は、複数のターゲットガス間での判別において、ほぼ理論的な限界性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-12-28T05:33:05Z)
• Pix2Geomodel: A Next-Generation Reservoir Geomodeling with Property-to-Property Translation [2.004012818482403]
  本研究では、Pix2Pixをベースとした新しい条件付き生成対向ネットワーク(cGAN)フレームワークであるPix2Geomodelを紹介する。 グローニンゲンガス田のロトリーゲンド貯水池から貯水池特性(空洞、ポーシティ、透水性、飽和度)を予測するように設計されている。 その結果, 病状 (PA 0.88, FWIoU 0.85) と水飽和 (PA 0.96, FWIoU 0.95) の精度が高く, 気孔率 (PA 0.70, FWIoU 0.55) と透過性 (PA 0.74, FWIoU 0.60) が適度に向上し, 翻訳性能も良好であった。
  論文  参考訳（メタデータ） (2025-06-21T15:58:27Z)
• Multi-Platform Methane Plume Detection via Model and Domain Adaptation [0.16678439732526815]
  本研究では、ESMイメージング分光ミッションのデータを用いて、宇宙に浮かぶメタンプラム分類器を開発した。 我々は、教師なし画像と画像の変換技術であるCycleGANを用いて、空中と宇宙のコンテキスト間のデータ分布を整列する。
  論文  参考訳（メタデータ） (2025-06-02T00:38:41Z)
• HyperspectralViTs: General Hyperspectral Models for On-board Remote Sensing [21.192836739734435]
  機械学習モデルによるハイパースペクトルデータのオンボード処理は、幅広いタスクに対して前例のない量の自律性を可能にする。 これにより早期警戒システムが可能となり、衛星の星座にまたがる自動スケジューリングなどの新機能が実現される可能性がある。 本研究では,高スペクトル次元のデータを用いたエンドツーエンドの学習を支援する,高速かつ正確な機械学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-22T17:59:55Z)
• 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)
• Unsupervised Fault Detection using SAM with a Moving Window Approach [0.0]
  本稿では、SAM(High End Segment Anything Model)と移動ウィンドウアプローチを用いた教師なし手法を提案する。 我々は、微調整やラベル付きデータを必要とせずに、これらの課題を克服することを目指している。
  論文  参考訳（メタデータ） (2024-07-08T18:12:29Z)
• Sub-token ViT Embedding via Stochastic Resonance Transformers [51.12001699637727]
  Vision Transformer (ViT) アーキテクチャは、画像を高次元のベクトル化トークンの集合として表現し、それぞれが長方形の非重複パッチに対応する。 我々は「確率共鳴」にインスパイアされた無訓練法を提案する。 結果として得られるSRT(Stochastic Resonance Transformer)は、元の表現のリッチな意味情報を保持するが、空間的トークン化の粗い効果を軽減し、より微細な空間領域に基盤を置いている。
  論文  参考訳（メタデータ） (2023-10-06T01:53:27Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)

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。