[論文レビュー] OpenContrails: Benchmarking Contrail Detection on GOES-16 ABI

Joe Yue-Hei Ng, Kevin McCloskey+7 more|arXiv (Cornell University)|Apr 4, 2023

Air Traffic Management and Optimization被引用数 20

ひとこと要約

本論文は人手ラベル付けの GOES-16 ABI 燃焼痕データセット OpenContrails を作成し、時系列コンテキストを利用して燃焼痕検出を改善し、ベンチマークのための線分出力を提供するマルチフレーム CNN モデルを提示します。

ABSTRACT

Contrails (condensation trails) are line-shaped ice clouds caused by aircraft and are likely the largest contributor of aviation-induced climate change. Contrail avoidance is potentially an inexpensive way to significantly reduce the climate impact of aviation. An automated contrail detection system is an essential tool to develop and evaluate contrail avoidance systems. In this paper, we present a human-labeled dataset named OpenContrails to train and evaluate contrail detection models based on GOES-16 Advanced Baseline Imager (ABI) data. We propose and evaluate a contrail detection model that incorporates temporal context for improved detection accuracy. The human labeled dataset and the contrail detection outputs are publicly available on Google Cloud Storage at gs://goes_contrails_dataset.

研究の動機と目的

• 再現性のある研究とモデルベンチマークを可能にする、GOES-16 ABI 上の公開され公正な高品質のピクセル単位燃焼痕ラベリングデータセットを提供する。
• 燃焼痕検出精度を向上させるために時系列コンテキストを活用するニューラルネットワークモデルを開発する。
• ピクセル単位の検出を燃焼痕の特徴付けと飛行経路の帰属のための線分に変換できるようにする。
• 手法間の比較とベンチマークを促進する評価指標とベースライン結果を提供する。

提案手法

• GOES-16 ABI 画像上の人手ラベル付き燃焼痕マスクの公開データセット(OpenContrails)を、ラベリング用の256×256パッチと5フレームのコンテキストで組み立てる。
• Dilated ResNet バックボーンと SE ブロックを用いた DeeplabV3+ ベースの単一フレームセマンティックセグメンテーションモデルを訓練する。
• 複数フレームを取り入れるため、時系列畳み込みを備えた膨張した 3D ResNet (I3D) 風のバックボーンを用いたマルチフレーム・スパatiotemporal モデルへ拡張する。
• ASPP デコーダを用い、LineSegmentDetectorでピクセルマスクを後処理して燃焼痕の線分を生成する。
• 単一フレームモデルの事前学習を ImageNet で、マルチフレームバックボーンの事前学習を Kinetics-400 で行い、データ拡張とコサイン学習率スケジューリングを適用する。
• ピクセル単位の AUC-PR と燃焼痕ごとの precision/recall 曲線を用いて評価する；Meijer et al. のモデルと比較する；評価のためにバイナリマスクを線に変換する。

実験結果

リサーチクエスチョン

• RQ1 GOES-16 ABI 上で高いインターラベラ合意を持つ公開ラベル付き燃焼痕データセットを作成できるか？
• RQ2 マルチフレーム入力を通じて時系列コンテキストを組み込むことは、単一フレームモデルより燃焼痕検出性能を改善するか？
• RQ3 ピクセル単位の燃焼痕検出を燃焼痕の特徴付けのための正確な線分にどれだけ適切に翻訳できるか？
• RQ4 解像度、時系列コンテキスト、空間領域を横断した GOES-16 燃焼痕検出器のベースライン性能と一般化能力はどの程度か？

主な発見

• OpenContrails データセットは訓練例 20,544 件、検証例 1,866 件を提供し、燃焼痕ピクセルは訓練ピクセルの約 1.2% です。
• マルチフレームモデルは、ピクセル-wise AUC-PR および燃焼痕ごとの precision/recall で一貫して単一フレームモデルより上回る。
• より大きな入力解像度とより多くの時系列コンテキストは、一般にピクセルレベルの検出性能を向上させるが、極端に高い解像度やフレーム数では収益は減少する。
• 同等のタスクで評価した場合、Landsat-8 ベースの既存アプローチより高い precision/recall を達成している（例: recall 60%、はるかに高い precision）。
• 2018–2019 年の CONUS における燃焼痕被覆は平均で約 0.19%、日内および季節的パターンは先行研究と一致し、主要ルートに沿った飛行密度のクラスター化が見られる。