[논문 리뷰] Estimation of Air Pollution with Remote Sensing Data: Revealing Greenhouse Gas Emissions from Space

Linus Scheibenreif, Michael Mommert외 1명|arXiv (Cornell University)|2021. 08. 31.

Atmospheric and Environmental Gas Dynamics인용 수 5

한 줄 요약

이 논문은 표면 수준의 NO₂ 농도를 고공간 해상도(~10m)와 월간 주기까지의 고시계 해상도로 추정하기 위해 옵티컬 위성 영상(Sentinel-2)과 대기 중 농도 측정치(Sentinel-5P)를 융합하는 딥러닝 프레임워크를 제안한다. 모델은 지상 측정치와 비교해 평균 절대 오차가 6 μg/m³ 이하를 기록하며, 오염 및 Greenhouse gas Emission 원천의 정확한 글로벌 맵핑과 시계적 모니터링을 가능하게 한다.

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 $

연구 동기 및 목표

• 현지 제한된 토지 이용 데이터에 의존하지 않고도 확장 가능하고 글로벌 적용이 가능한 표면 수준의 대기 오염 추정 방법을 개발하는 것.
• 전 세계적으로 이용 가능한 원격 감지 데이터만을 사용하여 NO₂ 농도 추정의 공간 해상도와 시간 해상도를 향상시키는 것.
• 고해상도 오염 맵핑을 통해 주요 인위적 Greenhouse gas 배출원의 식별 및 모니터링을 가능하게 하는 것.
• 기존의 지상 기반 측정 및 해상도가 낮은 위성 데이터의 한계를 극복하기 위해 다중원천 원격 감지와 딥러닝을 융합하는 것.
• 전이 학습과 옵티컬 및 대기 중 농도 데이터의 다중 모odal 융합이 예측 정확도를 크게 향상시킨다는 것을 입증하는 것.

제안 방법

• 이중 스트림 컨volution 신경망이 병렬로 Sentinel-2 옵티컬 영상과 Sentinel-5P 대기 중 NO₂ 농도 데이터를 처리한다.
• Sentinel-2 스트림은 BigEarthNet 데이터셋에서 전이 학습을 통해 중해상도 영상에서의 특징 추출을 향상시키기 위해 ResNet-50 백본을 사용한다.
• Sentinel-5P 스트림은 낮은 해상도와 단일 밴드 성격을 고려해 더 작은 CNN을 사용하여 농도 데이터를 128차원 잠재 벡터로 인코딩한다.
• 양 스트림의 잠재 벡터가 연결되어 최종 회귀 헤드를 거쳐 표면 NO₂ 농도를 예측한다.
• 모델은 평균 제곱오차 손실을 사용하고, 랜덤 플립 및 회전을 통한 데이터 증강을 적용하며, 검증 손실 기반 조기 종료 전략을 사용한다.
• 모델 성능 평가는 10개의 랜덤 훈련/검증/테스트 분할(60:20:20)을 통해 평균을 내어 정확도를 확보한다.

실험 결과

연구 질문

• RQ1 전역적으로 이용 가능한 원격 감지 데이터만을 사용하고 지역 토지 이용 데이터셋에 의존하지 않고도 딥러닝 모델이 표면 수준의 NO₂ 농도를 정확하게 추정할 수 있는가?
• RQ2 옵티컬 영상만을 사용하는 것과 비교해 Sentinel-5P 농도 데이터 융합이 NO₂ 예측의 공간 해상도와 시간 해상도를 얼마나 향상시키는가?
• RQ3 대규모 토지 피복 데이터셋(BigEarthNet)에서의 전이 학습이 NO₂ 농도 예측 모델 성능을 얼마나 향상시킬 수 있는가?
• RQ4 모델이 지상 측정소가 없는 지역을 포함한 다양한 지리적 지역에 일반화 가능한가?
• RQ5 월간 및 분기별 빈도로 집계된 데이터로 훈련된 모델이 계절적 및 시간적 변화를 얼마나 잘 포착할 수 있는가?

주요 결과

• Sentinel-2와 Sentinel-5P 데이터를 모두 사용할 경우 모델의 평균 절대 오차(MAE)는 5.92 ± 0.44 μg/m³를 기록하며, 옵티컬 영상만을 사용하는 모델(MAE: 8.06 ± 0.49 μg/m³)에 비해 뚜렷한 향상이 이루어진다.
• 두 데이터 소스를 융합했을 때 결정 계수(R²)는 0.54 ± 0.04에 도달하여, 검증 데이터에 대해 강력한 예측 성능을 보인다.
• Sentinel-5P 데이터 통합으로 월간 및 분기별 빈도의 시간 모델링이 가능해졌으며, MAE 값은 각각 6.54 ± 0.15 μg/m³ 및 6.24 ± 0.22 μg/m³로 시간 스케일에 관계없이 안정적인 성능을 보인다.
• BigEarthNet에서 사전 학습된 가중치를 사용한 전이 학습은 옵티컬 영상만을 사용할 경우 MAE를 8.06에서 6.62 μg/m³로 감소시켜 성능 향상을 이룬다.
• 모델은 유럽 전역에 대해 최대 약 10m의 고해상도 NO₂ 농도 히트맵을 생성하며, 지상 측정소가 없는 지역의 농도 값을 정확하게 예측한다. 이는 EEA 대기질 측정소와의 검증을 통해 확인되었다.
• 모델은 대부분의 유럽 지역에서 뛰어난 강건성을 보이며,积 snow 피크 등 희귀하고 특이한 지역에서는 제한적인 성능 저하가 관찰된다.