[논문 리뷰] Spatiotemporal Estimation of TROPOMI NO2 Column with Depthwise Partial Convolutional Neural Network

Yannic Lops, Masoud Ghahremanloo외 6명|arXiv (Cornell University)|2022. 04. 12.

Air Quality Monitoring and Forecasting인용 수 5

한 줄 요약

이 논문은 구름과 표면 반사율으로 인해 손실된 TROPOMI NO2 기저면적 데이터를 보간하기 위해 시간적 모델링을 통합한 깊이 분리 부분 컨볼루션 신경망(PCNN)을 제안한다. 깊이 분리 컨볼루션과 시간적 의존성을 통합함으로써, 모델은 0.82의 일치 지수를 달성하며, 표준 PCNN 및 역거리 가중 평균과 같은 전통적 방법보다 일치 지수에서 3–11% 향상되고 상관계수에서 8–15% 향상되며, 95% 이상의 데이터가 손실된 상황에서도 성능 저하 없이 우수한 성능을 보인다.

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.

연구 동기 및 목표

• 구름과 표면 반사율으로 인한 위성 NO2 데이터 손실 문제를 해결한다.
• 시간적 일관성을 통합함으로써 공간적 방법을 초월한 시공간 보간 정확도를 향상시킨다.
• 극도의 데이터 손실(95% 이상) 상황에서도 효과적으로 원격 감시 데이터를 재구성할 수 있는 딥러닝 프레임워크를 개발한다.
• 신뢰할 수 있고 지속적인 NO2 기저면적 추정을 제공함으로써 강력한 데이터 융합 및 대기질 분석을 가능하게 한다.
• 역거리 가중 평균 및 표준 PCNN과 같은 전통적 보간 기법보다 정확성과 일관성 면에서 뛰어난 성능을 내는가를 검증한다.

제안 방법

• 채널 별 특징 학습을 효율적으로 하기 위해 부분 컨볼루션 신경망(PCNN)에 깊이 분리 가능 컨볼루션을 통합한다.
• 시간 단계에 걸친 순차적 데이터를 모델링하여 보간 과정에 시간 차원을 통합한다.
• TROPOMI 관측치의 기준값으로 CMAQ 시뮬레이션을 통해 생성한 대기저 NO2 기저면적 밀도(TCDNO2)를 사용해 모델을 훈련시킨다.
• 훈련 중 공간적 및 시간적 일관성을 유지하기 위해 시공간 손실 함수를 적용한다.
• 훈련 중 손실된 데이터를 처리하기 위해 마스킹 기법을 적용하여, 네트워크가 불완전한 입력에서도 학습할 수 있도록 한다.
• 희소 데이터에서 과적합을 방지하기 위해 조기 정지 기법을 사용한 확률적 경사 하강법으로 모델을 최적화한다.

실험 결과

연구 질문

• RQ1 시간적 모델링을 통합한 깊이 분리 PCNN가 공간적 방법에 비해 TROPOMI NO2 기저면적의 시공간 보간 성능을 향상시키는가?
• RQ2 시간적 의존성의 통합이 NO2 기저면적 재구성의 정확성과 일관성에 어떤 영향을 미치는가?
• RQ3 제안된 모델이 극도의 데이터 손실(예: 95% 이상 손실) 상황에서도 성능 저하 없이 얼마나 잘 작동하는가?
• RQ4 깊이 분리 컨볼루션 메커니즘이 표준 컨볼루션에 비해 모델 효율성과 성능을 어떻게 향상시키는가?
• RQ5 역거리 가중 평균 및 표준 PCNN과 같은 전통적 보간 기법에 비해 주요 지표인 상관계수 및 일치 지수에서 성능이 뛰어나다고 할 수 있는가?

주요 결과

• 깊이 분리 PCNN 모델은 일치 지수 0.82를 달성하며, 표준 PCNN 및 전통적 보간 기법보다 뚜렷이 뛰어난 성능을 보였다.
• 95% 이상의 데이터가 손실된 상황에서도 기준 방법 대비 일치 지수 3–11% 향상되고 상관계수 8–15% 향상되었다.
• 시간적 모델링 덕분에 네트워크는 NO2 분포의 순차적 패턴을 포착하여 보다 일관되고 현실적인 재구성을 가능하게 하였다.
• 깊이 분리 컨볼루션 메커니즘은 파rameter 수를 줄여 계산 효율성을 높이면서도 높은 성능를 유지하였다.
• 모델은 TROPOMI NO2 데이터의 큰 공간적 간극을 효과적으로 복원하여 국소적 및 전반적인 공간 패턴을 유지하는 데 뛰어난 강건성을 보였다.
• 이 방법은 배출원 연구, 대기질 모델링, 건강 영향 평가 등 후속 응용 분야에 신뢰할 수 있는 데이터를 제공할 수 있다.