[論文レビュー] OGNet: Towards a Global Oil and Gas Infrastructure Database using Deep Learning on Remotely Sensed Imagery

Hao Sheng, Jeremy Irvin+11 more|arXiv (Cornell University)|Nov 14, 2020

Atmospheric and Environmental Gas Dynamics参考文献 27被引用数 15

ひとこと要約

OGNet は、大陸部アメリカにおける石油・ガスインフラ（主に精製所と石油ターミナル）を自動で検出できる深層学習手法であり、高分解能の航空写真を用いて、114 か所の精製所と 336 か所のターミナルを同定した。そのうち 6 か所の精製所と 142 か所のターミナルは、従来の公的データセットに記録がなかった。モデルは公的データセットを上回る性能を示し、既知の精製所の 73.5% とターミナルの 23.9% を検出できた。また、既存の公的データベースに存在しない 148 か所の新規施設を同定した。

ABSTRACT

At least a quarter of the warming that the Earth is experiencing today is due to anthropogenic methane emissions. There are multiple satellites in orbit and planned for launch in the next few years which can detect and quantify these emissions; however, to attribute methane emissions to their sources on the ground, a comprehensive database of the locations and characteristics of emission sources worldwide is essential. In this work, we develop deep learning algorithms that leverage freely available high-resolution aerial imagery to automatically detect oil and gas infrastructure, one of the largest contributors to global methane emissions. We use the best algorithm, which we call OGNet, together with expert review to identify the locations of oil refineries and petroleum terminals in the U.S. We show that OGNet detects many facilities which are not present in four standard public datasets of oil and gas infrastructure. All detected facilities are associated with characteristics known to contribute to methane emissions, including the infrastructure type and the number of storage tanks. The data curated and produced in this study is freely available at http://stanfordmlgroup.github.io/projects/ognet .

研究の動機と目的

• メタン排出源の正確な帰属特定を妨げる、世界規模の石油・ガスインフラデータベースにおける重要なデータギャップを解消すること。
• 自由に入手可能な高分解能航空写真を用いて、大規模な O&G インフラを検出可能なスケーラブルな深層学習フレームワークを開発すること。
• 既存の公的データセットが見逃している施設を同定することで、インフラインventories の正確性と包括性を向上させること。
• 衛星ベースのメタンモニタリングを支援するため、詳細かつ最新で地理的に包括的なインフラデータベースを提供すること。
• 貯蔵タンクやターミナル施設など、メタン排出に関連するインフラタイプを検出できる深層学習の実用可能性を示すこと。

提案手法

• NAIP 航空写真の高分解能画像を用いて、二値分類タスクとして石油精製所を検出するための深層畳み込みニューラルネットワーク（OGNet）を訓練した。
• 149 か所の確認済み石油精製所と、下水処理施設や穀物タンクなど、区別が難しいとされる施設を含む多様な訓練データセットを構築した。
• 視覚的に類似したが非精製所の対象物を「ハードネガティブ」として特定・統合するため、GeoVisual 検索ツールを活用し、モデルの頑健性を向上させた。
• 予測の解釈と実際のインフラ特徴との関連性の妥当性を検証するため、クラス活性化マップを適用した。
• 高分解能画像を用いて、大陸部アメリカ全域に OGNet をデプロイし、誤検出率の高い地域をフィルタリングした。
• 1,902 件の検出結果を手動レビューし、精製所、ターミナル、誤検出の3つのカテゴリに分類することで、地面真値の妥当性を確認した。

実験結果

リサーチクエスチョン

• RQ1 高分解能航空写真を用いて訓練された深層学習モデルは、既存の公的データベースを上回る正確性と包括性で石油・ガスインフラを検出できるか？
• RQ2 現在の公的データベースは、リモートセンシングで検出可能な施設をどの程度見逃しているか？
• RQ3 貯蔵タンクやターミナルなど、メタン排出に寄与すると知られているインフラタイプを、深層学習モデルがどの程度効果的に同定できるか？
• RQ4 モデルは、訓練データや公的記録に存在しない未報告施設を検出できるか？
• RQ5 画像解像度とデータ品質は、インフラ検出における深層学習モデルの性能にどのような影響を与えるか？

主な発見

• OGNet は、大陸部アメリカで 114 か所の石油精製所と 336 か所の石油ターミナルを検出したが、そのうち 6 か所の精製所と 142 か所のターミナルは、比較に用いた 4 つの公的データセットのいずれにも記録がなかった。
• モデルは、統合ベンチマークデータセットに含まれる既知の石油精製所の 73.5% と、石油ターミナルの 23.9% をカバーした。誤検出の半数近くは、公的記録の座標不正確性に起因していた。
• 誤検出の大部分は、誤って分類された穀物タンク、水処理施設、化学工業施設であり、類似した外観の産業施設を区別する課題が浮き彫りになった。
• モデルは、公的データベースに記録がなかった 148 か所の施設を同定した。これは、特に報告が不足している地域において、未報告のインフラを発見できる能力を示している。
• クラス活性化マップにより、モデルが大型貯蔵タンクや施設の敷地全体といった、関連する構造的特徴に的確に注目していることが確認された。
• 本研究は、自由に入手可能な高分解能画像を用いた深層学習が、気候モニタリングのための世界規模の O&G インフラインventories の包括性と正確性を顕著に向上させられることを示している。