論文の概要: Explainable Comparison of Feature-Based and Deep Learning Models for TROPOMI Methane Plume Screening

• arxiv url: http://arxiv.org/abs/2605.27236v1
• Date: Tue, 26 May 2026 16:17:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.407294
• Title: Explainable Comparison of Feature-Based and Deep Learning Models for TROPOMI Methane Plume Screening
• Title（参考訳）: TROPOMIメタンプラムスクリーニングにおける特徴ベースモデルと深層学習モデルの比較
• Authors: Solomiia Kurchaba, Joannes D. Maasakkers, Berend J. Schuit, Ilse Aben,
• Abstract要約: メタン・プラムのように見えるトロポミ・プラムは全て、実際の放出の結果ではない。 本研究では,特徴量ベース (SVC) モデルと画像ベース (ResNet-18, ResNet-34) モデルを比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuous and global detection of large methane emissions is a crucial step for global warming mitigation. Satellite observations, such as from S5P/TROPOMI, combined with plume detection algorithms, can play a key role in this effort. However, not all TROPOMI plume detections that look like methane emission plumes are the result of actual emissions. A significant part of the plume-like features in the data are retrieval artifacts. Such artifacts could be the result of variations in elevation or albedo gradients, high concentrations of aerosols, coastal lines, water bodies, etc. Previous work approached the problem of plume-artifact classification by means of a Support Vector Machine Classifier (SVC), trained on an extensive set of observation-based scalar features designed by domain experts. However, such an approach limits the information scope received by the algorithm to what is deemed to be important by the experts, breaks the spatial relationship between pixels, and loses information during the process of statistical aggregation. In this study, we compare feature-based (SVC, Random Forest, XGBoost) and image-based (ResNet-18, ResNet-34) models for methane plume-artifact classification under balanced and imbalanced evaluation settings. To interpret the results, we apply SHAP-based explainability to both model families. Our findings provide practical guidance for model selection in operational methane-screening workflows such as the CAMS Methane Hotspot Explorer.
• Abstract（参考訳）: 大規模なメタン排出量の連続的かつグローバルな検出は、地球温暖化の緩和にとって重要なステップである。 S5P/TROPOMIからの衛星観測と梅検出アルゴリズムの組み合わせは、この取り組みにおいて重要な役割を担っている。 しかし、メタン放出プラムのように見える全てのTROPOMIプルーム検出が、実際の排出の結果であるわけではない。 データにおけるプルームのような特徴のかなりの部分は、検索アーティファクトである。 このような人工物は、標高やアルベド勾配の変化、高濃度のエアロゾル、海岸線、水域などの結果である可能性がある。 従来,SVC (Support Vector Machine Classifier) を用いて, 領域の専門家が設計した観察に基づくスカラー特徴の広範なセットに基づいて訓練を行った。 しかし、そのようなアプローチは、アルゴリズムが受信した情報範囲を専門家が重要と見なすものに制限し、画素間の空間的関係を破り、統計集約の過程で情報を失う。 本研究では, 特徴量ベース (SVC, Random Forest, XGBoost) と画像ベース (ResNet-18, ResNet-34) を, バランスとバランスの取れた評価条件下で比較した。 結果の解釈には、モデルファミリの両方にSHAPに基づく説明可能性を適用した。 本研究は,CAMSメタンホットスポットエクスプローラーのような運転中のメタンスクリーニングワークフローにおけるモデル選択の実践的ガイダンスを提供する。

関連論文リスト

• Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT [1.5926880411246283]
  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。
  論文  参考訳（メタデータ） (2026-04-11T08:27:56Z)
• 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)
• 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)
• 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)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• 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)
• Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
  本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。 提案手法は平均精度(MAP)を約45.7%向上させる。 この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
  論文  参考訳（メタデータ） (2023-11-21T19:49:13Z)
• 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)
• Object recognition in atmospheric turbulence scenes [2.657505380055164]
  乱流環境におけるオブジェクトの型を検知・分類するための歪み特徴を学習する新しいフレームワークを提案する。 具体的には、変形可能な畳み込みを利用して空間変位を処理する。 提案手法は平均精度(mAP)が30%を超えるベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-25T20:21:25Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)

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。