[論文レビュー] Estimation of Air Pollution with Remote Sensing Data: Revealing Greenhouse Gas Emissions from Space

Linus Scheibenreif, Michael Mommert+1 more|arXiv (Cornell University)|Aug 31, 2021

Atmospheric and Environmental Gas Dynamics被引用数 5

ひとこと要約

本論文は、光学画像（Sentinel-2）と大気中NO₂濃度測定値（Sentinel-5P）を統合する深層学習フレームワークを提案し、空間分解能約10m、時間分解能月次までの高分解能で地表面NO₂濃度を推定する。モデルは実測値と比較して平均絶対誤差が6 μg/m³未満を達成し、大気汚染および温室効果ガス排出源の正確なグローバルマッピングと時間的モニタリングを可能にする。

ABSTRACT

Air pollution is a major driver of climate change. Anthropogenic emissions from the burning of fossil fuels for transportation and power generation emit large amounts of problematic air pollutants, including Greenhouse Gases (GHGs). Despite the importance of limiting GHG emissions to mitigate climate change, detailed information about the spatial and temporal distribution of GHG and other air pollutants is difficult to obtain. Existing models for surface-level air pollution rely on extensive land-use datasets which are often locally restricted and temporally static. This work proposes a deep learning approach for the prediction of ambient air pollution that only relies on remote sensing data that is globally available and frequently updated. Combining optical satellite imagery with satellite-based atmospheric column density air pollution measurements enables the scaling of air pollution estimates (in this case NO$_2$) to high spatial resolution (up to $\sim$10m) at arbitrary locations and adds a temporal component to these estimates. The proposed model performs with high accuracy when evaluated against air quality measurements from ground stations (mean absolute error $

研究の動機と目的

• 地域に限定された土地利用データに依存せずに、スケーラブルでグローバルに適用可能な地表面汚染濃度推定手法の開発。
• グローバルに入手可能なリモートセンシングデータのみを用いて、NO₂濃度推定の空間的・時間的分解能を向上させること。
• 高分解像汚染マッピングを通じて、主要な人為的温室効果ガス排出源の特定とモニタリングを可能にすること。
• 従来の地上観測と粗い分解能の衛星データの限界を、マルチソースリモートセンシングと深層学習の統合によって克服すること。
• トランスファー学習と光学画像および大気中NO₂濃度データのマルチモーダル統合が、予測精度を顕著に向上させることを示すこと。

提案手法

• 二重ストリーム畳み込みニューラルネットワークが、Sentinel-2の光学画像とSentinel-5Pの対流圏NO₂中間濃度データを並列に処理する。
• Sentinel-2ストリームは、BigEarthNetデータセットからのトランスファー学習を活用したResNet-50バックボーンを用い、中分解能画像からの特徴抽出を向上させる。
• Sentinel-5Pストリームは、低分解能および単一バンド特性を考慮し、より小さなCNNを用いて濃度データを128次元の潜在ベクトルに符号化する。
• 両ストリームの潜在ベクトルを連結し、最終的な回帰ヘッドに通して地表面NO₂濃度を予測する。
• モデルは平均二乗誤差損失関数で訓練され、ランダムな反転および回転によるデータ拡張が行われ、検証損失に基づく早期停止が適用される。
• モデルの性能は、10回のランダムな訓練/検証/テスト分割（60:20:20）を用いて評価され、結果は平均化され、妥当性を確保する。

実験結果

リサーチクエスチョン

• RQ1 地域の土地利用データに依存せず、グローバルに入手可能なリモートセンシングデータのみを用いて、深層学習モデルが地表面NO₂濃度を正確に推定できるか。
• RQ2 光学画像のみと比較して、Sentinel-5Pの濃度データ統合が、NO₂予測の空間的・時間的分解能をどの程度向上させるか。
• RQ3 大規模な土地被覆データセット（BigEarthNet）からのトランスファー学習が、NO₂濃度予測モデルの性能をどの程度向上させるか。
• RQ4 モデルは、地上観測ステーションのない地域を含む多様な地理的地域に一般化可能か。
• RQ5 月次および四半期集計データで訓練されたモデルが、季節的および時間的変動をどの程度正確に捉えることができるか。

主な発見

• Sentinel-2とSentinel-5Pの両方のデータを用いることで、平均絶対誤差（MAE）は5.92 ± 0.44 μg/m³を達成し、光学画像のみを用いたモデル（MAE: 8.06 ± 0.49 μg/m³）と比較して顕著な改善が見られた。
• 両データ源を統合した場合、未学習データに対する決定係数（R²）は0.54 ± 0.04に達し、強力な予測性能を示している。
• Sentinel-5Pデータの統合により、月次および四半期の時間スケールでの時間的モデリングが可能となり、MAEはそれぞれ6.54 ± 0.15 μg/m³および6.24 ± 0.22 μg/m³を記録し、時間スケールにわたる安定した性能が確認された。
• BigEarthNetからの事前学習重みを用いたトランスファー学習により、Sentinel-2データのみを用いた場合のMAEが8.06から6.62 μg/m³に低下し、性能向上が確認された。
• モデルはヨーロッパ全域にわたって、最大約10mの高分解像NO₂濃度ヒートマップを生成し、EAAの空気質ステーションによる検証で、地上ステーションのない場所の濃度値も正確に予測した。
• モデルはヨーロッパの大多数の地域で頑健な性能を示したが、雪の降る山岳地帯など稀な特異な場所では限定的な性能低下が見られた。