[論文レビュー] METER-ML: A Multi-Sensor Earth Observation Benchmark for Automated Methane Source Mapping

Bryan Zhu, Nicholas Lui+8 more|arXiv (Cornell University)|Jul 22, 2022

Atmospheric and Environmental Gas Dynamics被引用数 9

ひとこと要約

METER-ML は米国全域にわたる 86,599 枚の地理的に位置指定された NAIP、Sentinel-1、Sentinel-2 画像を含む大規模かつマルチセンサーの地球観測ベンチマークであり、6 種類のメタン排出インフラのラベルが付与されている。最高のモデルは、集中型酪農施設（CAFO）に対して F1 スコア 0.915、石油精製所およびターミナルに対して 0.821 を達成し、深層学習を用いた自動的かつスケーラブルなメタン源マッピングの強力な可能性を示している。

ABSTRACT

Reducing methane emissions is essential for mitigating global warming. To attribute methane emissions to their sources, a comprehensive dataset of methane source infrastructure is necessary. Recent advancements with deep learning on remotely sensed imagery have the potential to identify the locations and characteristics of methane sources, but there is a substantial lack of publicly available data to enable machine learning researchers and practitioners to build automated mapping approaches. To help fill this gap, we construct a multi-sensor dataset called METER-ML containing 86,599 georeferenced NAIP, Sentinel-1, and Sentinel-2 images in the U.S. labeled for the presence or absence of methane source facilities including concentrated animal feeding operations, coal mines, landfills, natural gas processing plants, oil refineries and petroleum terminals, and wastewater treatment plants. We experiment with a variety of models that leverage different spatial resolutions, spatial footprints, image products, and spectral bands. We find that our best model achieves an area under the precision recall curve of 0.915 for identifying concentrated animal feeding operations and 0.821 for oil refineries and petroleum terminals on an expert-labeled test set, suggesting the potential for large-scale mapping. We make METER-ML freely available at https://stanfordmlgroup.github.io/projects/meter-ml/ to support future work on automated methane source mapping.

研究の動機と目的

• メタン排出インフラ向けの公開済みでラベル付きの地球観測データセットの不足が、自動マッピングツールの開発を妨げているという問題に対処する。
• 6 種類のメタン排出源カテゴリの専門家検証済みラベルを統合した包括的かつ地理的に位置指定されたベンチマークデータセットを構築する。
• 画像製品、スペクトルバンド、空間分解能、画像フットプリントの影響が、自動インフラ検出のモデルパフォーマンスに与える影響を評価する。
• 機械学習を用いたスケーラブルかつデータ駆動型のメタン源帰属分析を可能にするために、グローバル METER プロジェクトを支援する。

提案手法

• 6 種類のメタン排出源カテゴリ（CAFO、石炭鉱山、埋立地、天然ガス処理施設、精製所およびターミナル、下水処理施設）の公共のインフラ位置データを集約してデータセットを構築する。
• NAIP（高分解能航空写真）、Sentinel-1（レーダー）、Sentinel-2（光学）の地理的に位置指定された画像を収集し、同じ地理座標に整合させる。
• 各画像に対して、6 種類のインフラタイプの存在または非存在がラベル付けされ、34,870 件のネガティブ例と一部のマルチラベルインスタンスが含まれる。
• DenseNet121 を含むさまざまな深層学習モデルを、画像製品、スペクトルバンド、空間フットプリント、分解能の異なる組み合わせを用いて訓練および評価する。
• 精度-再現率 AUC を主な指標として、専門家が検証したテストセットを用いてモデルパフォーマンスを評価する。
• 単一センサー（例：NAIP 僅か）とマルチセンサー（例：NAIP + S1 + S2）入力を用いたモデルを比較し、統合の利点を評価する。

実験結果

リサーチクエスチョン

• RQ1 リモートセンシング画像製品（NAIP、Sentinel-1、Sentinel-2）の選択が、メタン源同定におけるモデルパフォーマンスにどのように影響するか？
• RQ2 空間分解能および画像フットプリントサイズの影響が、インフラ検出モデルの正確性に与える影響は何か？
• RQ3 スペクトルバンドとセンサータイプ（光学 vs. レーダー）の異なる組み合わせが、メタン排出源カテゴリごとのモデルパフォーマンスに与える影響は何か？
• RQ4 マルチセンサー統合は単一センサーモデルに比べて検出パフォーマンスを向上させるか？また、どのセンサーコンビネーションが最良の結果をもたらすか？
• RQ5 米国データで訓練されたモデルが、特に Sentinel-1 や Sentinel-2 のような低分解能グローバルセンサーを用いた他の地域にどの程度一般化可能か？

主な発見

• 最高のパフォーマンスを示したモデルは、全4バンドの NAIP 影像を用い、集中型酪農施設（CAFO）の識別において精度-再現率 AUC 0.915 を達成した。
• NAIP、Sentinel-2、Sentinel-1 影像を統合した共同モデルは、NAIP 僅かのモデルに次いで高いパフォーマンスを示し、マルチセンサー統合の価値を裏付けた。
• 最高の空間分解能と最大の画像フットプリントが、全体的な検出パフォーマンスを最も高めたが、これはインフラタイプによって異なる。
• 天然ガス処理施設および埋立地の識別ではパフォーマンスが著しく低く、背景特徴と区別しづらいという課題が示された。
• NAIP と S1/S2 の組み合わせでも、CAFO や精製所およびターミナルの分類において高いパフォーマンスを維持したため、公開済みの低分解能データを用いたグローバルスケールのマッピングの可能性が示された。
• 本データセットは Zenodo で公開され、今後の自動メタン源マッピングおよび気候変動緩和分野の研究を支援する。