[논문 리뷰] OGNet: Towards a Global Oil and Gas Infrastructure Database using Deep Learning on Remotely Sensed Imagery

Hao Sheng, Jeremy Irvin외 11명|arXiv (Cornell University)|2020. 11. 14.

Atmospheric and Environmental Gas Dynamics참고 문헌 27인용 수 15

한 줄 요약

OGNet는 고해상도 항공 사진을 기반으로 한 딥러닝을 사용하여 미국 대륙 전역의 석유·가스 인프라—주로 정유소와 석유터미널—를 자동으로 탐지한다. 이 모델은 114개의 정유소와 336개의 터미널을 식별했으며, 그 중 6개의 정유소와 142개의 터미널은 이전에 기록되지 않은 것이다. 모델은 공개 데이터셋을 초월하여 알려진 정유소의 73.5%와 터미널의 23.9%를 탐지했으며, 기존 공개 데이터베이스에 존재하지 않는 148개의 새로운 시설을 발견했다.

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 .

연구 동기 및 목표

• 메탄 누출 기여도 정확한 기여도 분석을 방해하는 글로벌 석유·가스 인프라 데이터베이스의 핵심 데이터 격차를 해결하기 위해.
• 무료로 이용 가능한 고해상도 항공 사진을 활용해 대규모 O&G 시설을 탐지할 수 있는 확장 가능한 딥러닝 프레임워크를 개발하기 위해.
• 기존 공개 데이터셋이 놓친 시설을 식별하여 인프라 목록의 정확성과 완전성을 향상시키기 위해.
• 위성 기반 메탄 모니터링을 지원하기 위해 세밀하고 최신이며 지리적으로 종합적인 인프라 데이터베이스를 제공하기 위해.
• 메탄 누출과 관련된 시설 유형, 예를 들어 저장탱크와 터미널 시설을 탐지할 수 있는 딥러닝의 가능성을 입증하기 위해.

제안 방법

• 고해상도 NAIP 항공 사진에서 정유소를 탐지하기 위한 이진 분류 작업을 수행하기 위해 딥 컨volution 신경망(OGNet)을 훈련시켰다.
• 149개의 확인된 정유소 위치와 음성 예제를 포함한 다양한 훈련 데이터셋을 구성했으며, 이는 폐수 처리 시설과 곡물 타워 등 구분하기 어려운 시설을 포함한다.
• 지오비주얼 검색 도구를 사용해 유사한 외관을 가졌지만 정유소가 아닌 물체를 어려운 음성 예제로 식별하고 포함시켜 모델의 강건성을 향상시켰다.
• 모델 예측의 해석과 실제 인프라 특징과의 관련성을 검증하기 위해 클래스 활성화 맵을 적용했다.
• 고해상도 영상 자료를 사용해 OGNet을 미국 대륙 전역에 배포했으며, 고율의 가짜 양성 결과가 발생하는 지역은 걸러냈다.
• 지상 진술 검증을 확보하기 위해 1,902개의 탐지 결과를 수작업으로 검토하여 정유소, 터미널 또는 가짜 양성으로 분류했다.

실험 결과

연구 질문

• RQ1 고해상도 항공 사진을 기반으로 훈련된 딥러닝 모델이 기존 공개 데이터베이스보다 더 높은 정확도와 완전성으로 석유·가스 인프라를 탐지할 수 있는가?
• RQ2 현재 공개된 석유·가스 인프라 데이터셋은 원격 감지로 탐지 가능한 시설을 얼마나 많이 놓치는가?
• RQ3 저장탱크와 터미널과 같이 메탄 누출에 기여하는 것으로 알려진 시설 유형을 식별하는 데 딥러닝 모델이 얼마나 효과적인가?
• RQ4 모델은 훈련 데이터나 공개 기록에 존재하지 않는 이전에 알려지지 않은 시설을 탐지할 수 있는가?
• RQ5 이미지 해상도와 데이터 품질이 인프라 탐지에서 딥러닝 모델의 성능에 어떤 영향을 미치는가?

주요 결과

• OGNet은 미국 대륙 전역에서 114개의 정유소와 336개의 석유터미널을 탐지했으며, 이 중 6개의 정유소와 142개의 터미널은 비교를 위해 사용된 네 개의 공개 데이터셋 어디에도 존재하지 않았다.
• 모델은 통합 기준 데이터셋에서 알려진 정유소의 73.5%와 석유터미널의 23.9%를 커버했으며, 거의 반수 가량의 누락된 정유소는 공개 기록의 정확하지 않은 좌표로 인한 것이었다.
• 가짜 양성의 상당수는 잘못 분류된 곡물 타워, 수질 정화 시설, 화학 공장 등으로, 유사한 외관을 가진 산업 구조물을 구분하는 데 어려움이 있음을 보여주었다.
• 모델은 공개 데이터베이스에 기재되어 있지 않은 148개의 시설을 식별했으며, 이는 기존에 기록되지 않은 인프라를 밝혀내는 데의 능력을 입증했고, 특히 기록이 부족한 지역에서 두드러졌다.
• 클래스 활성화 맵은 모델이 큰 저장탱크와 시설 면적과 같은 핵심 특징에 집중하고 있음을 확인했으며, 이는 관련 구조적 특징에 대해 신뢰할 수 있는 주의를 기울였음을 시사한다.
• 본 연구는 무료로 이용 가능한 고해상도 영상 자료를 기반으로 한 딥러닝이 기후 모니터링을 위한 글로벌 O&G 인프라 목록의 완전성과 정확성을 크게 향상시킬 수 있음을 보여준다.