[论文解读] OpenContrails: Benchmarking Contrail Detection on GOES-16 ABI

Joe Yue-Hei Ng, Kevin McCloskey+7 more|arXiv (Cornell University)|Apr 4, 2023

Air Traffic Management and Optimization被引用 20

一句话总结

本论文创建 OpenContrails——一个对 GOES-16 ABI 航迹云的人工标注数据集，并提出一个使用时序上下文来提升航迹云检测的多帧 CNN 模型，以及用于基准测试的航迹云线段输出。

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.

研究动机与目标

• 提供一个公开的高质量、每像素级的 GOES-16 ABI 航迹云标注数据集，以实现可重复研究和模型基准。
• 开发一个利用时序上下文提升航迹云检测准确性的神经网络模型。
• 实现像素级检测转化为航迹云线段，以便航迹云特征描述和飞行归因。
• 提供评估指标和基线结果，方便不同方法的比较与基准测试。

提出的方法

• 组装一个公开数据集（OpenContrails），在 GOES-16 ABI 图像上给出 256×256 小块的航迹云掩膜，具备 5 帧上下文用于标注。
• 基于 DeeplabV3+ 的单帧语义分割模型，骨干网络为扩张卷积的 ResNet，含 SE 模块。
• 扩展为多帧时空模型，采用膨胀 3D ResNet (I3D) 风格的骨干，加入时序卷积以整合多帧信息。
• 使用 ASPP 解码器，并通过 LineSegmentDetector 对像素掩膜进行后处理，生成航迹云线段。
• 对单帧模型在 ImageNet 预训练，对多帧骨干在 Kinetics-400 预训练；应用数据增强与余弦退火学习率调度。
• 使用逐像素 AUC-PR 与逐航迹云的精确度/召回曲线进行评估；与 Meijer 等人的模型进行比较；将二值掩膜转换为线段以用于评估。

实验结果

研究问题

• RQ1 是否能够在 GOES-16 ABI 上创建一个公开标注的航迹云数据集，并达到较高的标注者间一致性？
• RQ2 通过多帧输入引入的时序上下文是否能相对于单帧模型改善航迹云检测性能？
• RQ3 像素级航迹云检测转换为准确的线段进行航迹云特征描述的效果如何？
• RQ4 GOES-16 航迹云检测在分辨率、时序上下文和空间区域上的基线性能和泛化能力如何？

主要发现

• OpenContrails 数据集提供了 20,544 条训练样本和 1,866 条验证样本，其中航迹云像素约占训练像素的 1.2%。
• 多帧模型在像素级 AUC-PR 和逐航迹云的精确度/召回方面始终优于单帧模型。
• 更高的输入分辨率和更多的时序上下文通常提升像素级检测性能，但在非常高的分辨率或帧数下收益递减。
• 在可比任务上，该检测器的精确度/召回优于先前基于 Landsat-8 的方法（例如，在召回为 60% 时，精确度显著更高）。
• 2018–2019 年 CONUS 的航迹云覆盖率约为 0.19%，且日内和季节性模式与前期工作一致，且沿主要航线存在飞行密度聚类。