[论文解读] Detecting Methane Plumes using PRISMA: Deep Learning Model and Data Augmentation

Alexis Groshenry, Clément Giron+3 more|arXiv (Cornell University)|Nov 17, 2022

Atmospheric and Environmental Gas Dynamics参考文献 12被引用 9

一句话总结

本文提出了一种深度学习框架，通过使用基于领域自适应技术将高分辨率Sentinel-2甲烷羽流数据迁移至PRISMA的合成羽流数据，实现对PRISMA高光谱图像中甲烷羽流的检测。该方法在从零开始训练的合成数据上取得了优越性能——88%的精确率和61%的IoU，优于使用Sentinel-2预训练模型进行迁移学习的方法。

ABSTRACT

The new generation of hyperspectral imagers, such as PRISMA, has improved significantly our detection capability of methane (CH4) plumes from space at high spatial resolution (30m). We present here a complete framework to identify CH4 plumes using images from the PRISMA satellite mission and a deep learning model able to detect plumes over large areas. To compensate for the relative scarcity of PRISMA images, we trained our model by transposing high resolution plumes from Sentinel-2 to PRISMA. Our methodology thus avoids computationally expensive synthetic plume generation from Large Eddy Simulations by generating a broad and realistic training database, and paves the way for large-scale detection of methane plumes using future hyperspectral sensors (EnMAP, EMIT, CarbonMapper).

研究动机与目标

• 通过生成多样化且逼真的合成训练数据，解决真实PRISMA甲烷羽流图像稀缺的问题。
• 开发端到端的自动化甲烷羽流检测流程，适用于高分辨率高光谱图像。
• 利用未来如EnMAP和EMIT等高光谱任务，实现对人为甲烷排放的大规模监测。
• 通过计算高效的领域自适应方法，克服传统合成羽流生成方法（如LES）的局限性。
• 证明在合成数据上从零开始训练模型，优于使用Sentinel-2预训练模型进行迁移学习。

提出的方法

• 使用辐射传输模拟对PRISMA数据进行光谱校准，以纠正传感器校准漂移。
• 应用匹配滤波算法，利用来自HITRAN和LOWTRAN的雅可比光谱，从原始辐射率数据中反演柱平均甲烷浓度（XCH4）。
• 通过基于特征空间对齐的领域自适应技术，将Sentinel-2中的羽流结构迁移至PRISMA，生成类似PRISMA的合成羽流。
• 在合成羽流数据上训练U-Net结构的卷积神经网络（CNN），以预测每个像素的羽流存在概率。
• 应用滞后阈值法将概率图转换为二值掩码，以平衡完整羽流范围检测与误报抑制。
• 在包含真实PRISMA图像及真实羽流掩码的测试集上，使用IoU、精确率、召回率和F1分数评估模型性能。

实验结果

研究问题

• RQ1 能否将从Sentinel-2生成的合成羽流数据有效迁移至PRISMA，用于训练深度学习模型进行甲烷羽流检测？
• RQ2 在合成PRISMA类数据上从零开始训练CNN是否优于使用Sentinel-2预训练模型进行迁移学习？
• RQ3 在真实条件下（如云层覆盖和地表异质性）下，模型对不同尺寸、强度和形态的羽流检测表现如何？
• RQ4 滞后阈值策略在平衡对弥散羽流区域的检测与误报抑制方面，效果如何？
• RQ5 该框架在最小重训练条件下，能否推广至未来高光谱任务（如EnMAP、EMIT和CarbonMapper）？

主要发现

• 在合成羽流数据上从零开始训练的模型实现了88%的精确率、42%的召回率和61%的IoU，显著优于迁移学习方法。
• 迁移学习模型仅达到28%的精确率和13%的mIoU，表明尽管召回率略高，但误报率极高。
• 合成羽流生成方法成功捕捉了逼真的羽流形态，且无需计算成本高昂的大涡模拟（LES）。
• 模型对羽流尺寸变化表现出鲁棒性，并在检测完整羽流范围的同时，对排放源保持高置信度。
• 滞后阈值法有效控制了精确率-召回率之间的权衡，较低的阈值提高IoU，但可能损失弥散羽流部分。
• 该框架具备可扩展性，适用于未来高光谱任务，可实现对空间甲烷排放的大规模、自动化监测。