[논문 리뷰] OpenContrails: Benchmarking Contrail Detection on GOES-16 ABI

Joe Yue-Hei Ng, Kevin McCloskey외 7명|arXiv (Cornell University)|2023. 04. 04.

Air Traffic Management and Optimization인용 수 20

한 줄 요약

이 논문은 OpenContrails를 생성하고, 사람 라벨링된 GOES-16 ABI contrail 데이터셋을 제시하며, 시간 맥락을 활용해 contrail 탐지와 선-세그먼트 출력을 개선하는 다중 프레임 CNN 모델을 제시합니다.

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.

연구 동기 및 목표

• GOES-16 ABI에서 재현 가능한 연구 및 모델 벤치마킹을 가능하게 하기 위한 공개적이고 고품질의 픽셀 단위 contrail 라벨링 데이터셋을 제공한다.
• 시간 맥락을 활용하여 contrail 탐지 정확도를 높이는 신경망 모델을 개발한다.
• contrail 특성화 및 비행 추적에 대한 선분 변환을 가능하게 하기 위한 픽셀 기반 탐지를 선분으로 변환한다.
• 방법 간 비교 및 벤치마킹을 촉진하기 위한 평가 지표와 기준 결과를 제공한다.

제안 방법

• GOES-16 ABI 영상에 대해 256×256 패치와 라벨링을 위한 5프레임 맥락을 가진 인간이 라벨링한 contrail 마스크의 공개 데이터셋(OpenContrails)을 모은다.
• DEeplabV3+를 기반으로 한 단일 프레임 의미론적 분할 모델을 학습하며, dilated ResNet 백본과 SE 블록을 사용한다.
• 여러 프레임을 포함하기 위해 확장된 3D ResNet(I3D) 스타일 백본과 시간적 컨볼루션을 사용한 다중 프레임 시공간 모델로 확장한다.
• ASPP 디코더를 사용하고 픽셀 마스크를 LineSegmentDetector로 후처리하여 contrail 선분을 생성한다.
• 단일 프레임 모델은 ImageNet에서, 다중 프레임 백본은 Kinetics-400에서 사전 학습하고; 데이터 증강 및 코사인 학습률 스케줄링을 적용한다.
• 픽셀 단위 AUC-PR 및 contrail 당 정밀도/재현율 곡선을 사용해 평가하고; Meijer et al.’s 모델과 비교하며; 평가를 위해 이진 마스크를 선으로 변환한다.

실험 결과

연구 질문

• RQ1 GOES-16 ABI에서 높은 인터라벨러 일치를 보이는 공개 라벨링 contrail 데이터셋을 생성할 수 있는가?
• RQ2 다중 프레임 입력을 통한 시간 맥락의 도입이 단일 프레임 모델보다 contrail 탐지 성능을 향상시키는가?
• RQ3 픽셀 단위 contrail 탐지가 contrail 특성화에 필요한 정확한 선분으로 얼마나 잘 변환될 수 있는가?
• RQ4 해상도, 시간 맥락 및 공간 영역에 걸친 GOES-16 contrail 탐지기의 기준 성능 및 일반화 능력은 어떠한가?

주요 결과

• OpenContrails 데이터셋은 contrail 픽셀이 학습 픽셀의 약 1.2%에 해당하는 20,544개의 학습 예제와 1,866개의 검증 예제를 제공한다.
• 다중 프레임 모델은 픽셀 단위 AUC-PR 및 contrail 당 정밀도/재현율에서 단일 프레임 모델을 일관되게 능가한다.
• 더 큰 입력 해상도와 더 많은 시간 맥락은 일반적으로 픽셀 수준 탐지 성능을 향상시키나, 매우 높은 해상도나 프레임 수에서 수익이 감소한다.
• 검출기는 비교 가능한 작업에서 이전 Landsat-8 기반 접근법보다 더 높은 정밀도/재현율을 달성한다(예: 훨씬 높은 정밀도와 함께 60% 재현율).
• 2018–2019년 CONUS의 contrail 커버리지는 평균 약 0.19%로, 일주기 및 계절적 패턴은 이전 연구와 일치하며 주요 경로를 따라 비행 밀도가 군집화된다.