[论文解读] Estimation of Air Pollution with Remote Sensing Data: Revealing Greenhouse Gas Emissions from Space

Linus Scheibenreif, Michael Mommert+1 more|arXiv (Cornell University)|Aug 31, 2021

Atmospheric and Environmental Gas Dynamics被引用 5

一句话总结

本文提出了一种深度学习框架，融合光学卫星影像（Sentinel-2）和大气柱浓度测量数据（Sentinel-5P），以高空间分辨率（约10米）和最高每月的时间分辨率估算地表NO₂浓度。该模型在与地面实测数据对比下，平均绝对误差低于6 μg/m³，实现了对全球空气污染和温室气体排放源的精确制图与时间监测。

ABSTRACT

Air pollution is a major driver of climate change. Anthropogenic emissions from the burning of fossil fuels for transportation and power generation emit large amounts of problematic air pollutants, including Greenhouse Gases (GHGs). Despite the importance of limiting GHG emissions to mitigate climate change, detailed information about the spatial and temporal distribution of GHG and other air pollutants is difficult to obtain. Existing models for surface-level air pollution rely on extensive land-use datasets which are often locally restricted and temporally static. This work proposes a deep learning approach for the prediction of ambient air pollution that only relies on remote sensing data that is globally available and frequently updated. Combining optical satellite imagery with satellite-based atmospheric column density air pollution measurements enables the scaling of air pollution estimates (in this case NO$_2$) to high spatial resolution (up to $\sim$10m) at arbitrary locations and adds a temporal component to these estimates. The proposed model performs with high accuracy when evaluated against air quality measurements from ground stations (mean absolute error $

研究动机与目标

• 开发一种可扩展、适用于全球范围的方法，用于估算地表空气污染水平，且不依赖于受地域限制的土地利用数据。
• 仅使用全球可用的遥感数据，提升NO₂浓度估算的空间与时间分辨率。
• 通过高分辨率污染制图，实现对主要人为温室气体排放源的识别与监测。
• 通过整合多源遥感数据与深度学习，克服传统地面监测和粗分辨率卫星数据的局限性。
• 证明迁移学习与光学与大气柱数据的多模态融合可显著提升预测精度。

提出的方法

• 双流卷积神经网络并行处理Sentinel-2光学影像和Sentinel-5P对流层NO₂柱浓度数据。
• Sentinel-2流采用ResNet-50主干网络，并利用BigEarthNet数据集进行迁移学习，以提升中分辨率影像的特征提取能力。
• Sentinel-5P流使用较小的CNN将柱浓度数据编码为128维潜在向量，以适应其较低分辨率和单波段特性。
• 将两路的潜在向量拼接后输入最终回归头，预测地表NO₂浓度。
• 模型采用均方误差损失进行训练，通过随机翻转和旋转进行数据增强，并基于验证损失采用早停策略。
• 通过10次随机的训练/验证/测试集划分（60:20:20）评估模型性能，结果取平均以确保鲁棒性。

实验结果

研究问题

• RQ1 仅使用全球可用的遥感数据，不依赖本地土地利用数据集，深度学习模型能否准确估算地表NO₂浓度？
• RQ2 与仅使用光学影像相比，融合Sentinel-5P柱浓度数据在多大程度上提升了NO₂预测的空间与时间分辨率？
• RQ3 从大规模土地覆盖数据集（BigEarthNet）进行迁移学习，能在多大程度上提升NO₂预测模型的性能？
• RQ4 该模型能否在包括无地面监测站的区域在内的多样化地理区域中实现泛化？
• RQ5 当模型在按月度和季度聚合的数据上进行训练时，其在捕捉NO₂浓度的季节性和时间变化方面表现如何？

主要发现

• 当同时使用Sentinel-2和Sentinel-5P数据时，模型的平均绝对误差（MAE）为5.92 ± 0.44 μg/m³，显著优于仅使用光学影像的模型（MAE: 8.06 ± 0.49 μg/m³）。
• 结合两种数据源时，决定系数R²达到0.54 ± 0.04，表明在未见数据上具有较强的预测性能。
• 引入Sentinel-5P数据使模型能够实现月度和季度频率的时间建模，MAE分别为6.54 ± 0.15 μg/m³和6.24 ± 0.22 μg/m³，显示在不同时间尺度下性能稳定。
• 使用BigEarthNet预训练权重进行迁移学习，将仅使用Sentinel-2数据时的MAE从8.06降至6.62 μg/m³，显著提升了模型性能。
• 模型在欧洲范围内生成了最高可达约10米分辨率的NO₂浓度热力图，准确预测了无地面监测站位置的浓度值，经欧洲环境署（EEA）空气质量站验证。
• 模型在欧洲大部分区域表现出强鲁棒性，仅在极少数非常规区域（如积雪高山峰顶）出现有限的性能下降。