[論文レビュー] Spatiotemporal Estimation of TROPOMI NO2 Column with Depthwise Partial Convolutional Neural Network

Yannic Lops, Masoud Ghahremanloo+6 more|arXiv (Cornell University)|Apr 12, 2022

Air Quality Monitoring and Forecasting被引用数 5

ひとこと要約

本稿では、雲や地表面のアルベドによる影響で欠損するTROPOMI NO2列濃度を補完するため、時間的モデリングを組み込んだ深度分離型部分畳み込みニューラルネットワーク（PCNN）を提案する。深さ方向畳み込みと時間的依存性を統合することで、標準的なPCNNや逆距離加重法といった従来手法よりも、一致係数で3–11%、相関係数で8–15%の性能向上を達成し、一致係数は0.82を記録した。95%以上のデータ欠損がある状況でもその性能を維持する。

ABSTRACT

Satellite-derived measurements are negatively impacted by cloud cover and surface reflectivity. These biases must be discarded and significantly increase the amount of missing data within remote sensing images. This paper expands the application of a partial convolutional neural network (PCNN) to incorporate depthwise convolution layers, conferring temporal dimensionality to the imputation process. The addition of a temporal dimension to the imputation process adds a state of successive existence within the dataset which spatial imputation cannot capture. The depthwise convolution process enables the PCNN to independently convolve the data for each channel. The deep learning system is trained with the Community Multiscale Air Quality model-simulated tropospheric column density of Nitrogen Dioxide (TCDNO2) to impute TROPOspheric Monitoring Instrument TCDNO2. The depthwise PCNN model achieves an index of agreement of 0.82 and outperforms the default PCNN models, with and without temporal dimensionality of data, and conventional data imputation methods such as inverse distance weighting by 3-11% and 8-15% in the index of agreement and correlation, respectively. The model demonstrates more consistency in the reconstruction of TROPOspheric Monitoring Instrument tropospheric column density of NO2 images. The model has also demonstrated the accurate imputation of remote sensing images with over 95% of the data missing. PCNN enables the accurate imputation of remote sensing data with large regions of missing data and will benefit future researchers conducting data assimilation for numerical models, emission studies, and human health impact analyses from air pollution.

研究の動機と目的

• 雲や地表面のアルベドによる衛星NO2データの欠損問題に取り組む。
• 時間的整合性を組み込むことで、空間的のみの手法を上回るスパatiotemporal補完精度を向上させる。
• 極度のデータ損失（95%以上欠損）に対しても効果的に機能する深層学習フレームワークを開発する。
• 信頼性の高い連続的なNO2列濃度推定を提供することで、データ統合および大気質分析の実現を支援する。
• 逆距離加重法や標準PCNNといった従来の補完手法よりも、精度と一貫性の面で優れる。

提案手法

• 効率的なチャネル別特徴抽出を実現するため、部分畳み込みニューラルネットワーク（PCNN）に深さ方向分離畳み込みを適用する。
• 時間ステップにわたる時系列データをモデル化することで、補完プロセスに時間次元を統合する。
• TROPOMI観測の真値として、CMAQでシミュレートされた対流圏NO2列濃度（TCDNO2）を用いてモデルを学習する。
• 訓練中に空間的・時間的整合性を保つために、スパティオトロピカル損失関数を採用する。
• 訓練中に欠損データをマスク処理することで、不完全な入力を学習できるようにネットワークを設計する。
• スパースなデータにおける過学習を防ぐために、早期停止を用いた確率的勾配降下法でモデルを最適化する。

実験結果

リサーチクエスチョン

• RQ1 時間的モデリングを組み込んだ深さ方向PCNNは、空間的のみの手法に比べ、TROPOMI NO2列のスパティオトロピカル補完性能を向上させることができるか？
• RQ2 時間的依存性の組み込みが、NO2列再構築の精度と一貫性にどのように影響を与えるか？
• RQ3 本手法は、極度のデータ損失（例：95%以上欠損）に対しても、性能の劣化なく対処できるか？
• RQ4 深さ方向畳み込み機構は、標準畳み込みと比較して、モデルの効率性と性能にどのように寄与するか？
• RQ5 相関係数や一致係数といった主要指標において、本モデルは逆距離加重法や標準PCNNといった従来の補完手法を上回るか？

主な発見

• 深さ方向PCNNモデルは、一致係数0.82を達成し、標準PCNNや従来の補完手法を顕著に上回る。
• 95%以上のデータ欠損下でも、ベースライン手法に比べ一致係数で3–11%、相関係数で8–15%の向上を達成した。
• 時間的モデリングにより、NO2分布の逐次的パターンを捉えることができ、より一貫性があり現実的な再構築が可能になった。
• 深さ方向畳み込み機構により、パラメータ数を削減しながらも高い性能を維持し、計算効率が向上した。
• TROPOMI NO2データにおける大規模な空間的ギャップの再構築においても、局所的およびグローバルな空間パターンを保持するという、強靭な性能を示した。
• 本手法により、排出源の研究、大気質モデリング、健康影響評価といった後続応用分野に信頼性の高いデータを提供可能となった。