[论文解读] OGNet: Towards a Global Oil and Gas Infrastructure Database using Deep Learning on Remotely Sensed Imagery

Hao Sheng, Jeremy Irvin+11 more|arXiv (Cornell University)|Nov 14, 2020

Atmospheric and Environmental Gas Dynamics参考文献 27被引用 15

一句话总结

OGNet 使用深度学习对高分辨率航空影像进行分析，可自动检测美国本土的油气设施——主要是炼油厂和石油码头——共识别出114座炼油厂和336座码头，其中6座炼油厂和142座码头此前未被记录。该模型在公开数据集上的表现更优，检测到73.5%的已知炼油厂和23.9%的码头，同时发现了148处现有公开数据库中未收录的新设施。

ABSTRACT

At least a quarter of the warming that the Earth is experiencing today is due to anthropogenic methane emissions. There are multiple satellites in orbit and planned for launch in the next few years which can detect and quantify these emissions; however, to attribute methane emissions to their sources on the ground, a comprehensive database of the locations and characteristics of emission sources worldwide is essential. In this work, we develop deep learning algorithms that leverage freely available high-resolution aerial imagery to automatically detect oil and gas infrastructure, one of the largest contributors to global methane emissions. We use the best algorithm, which we call OGNet, together with expert review to identify the locations of oil refineries and petroleum terminals in the U.S. We show that OGNet detects many facilities which are not present in four standard public datasets of oil and gas infrastructure. All detected facilities are associated with characteristics known to contribute to methane emissions, including the infrastructure type and the number of storage tanks. The data curated and produced in this study is freely available at http://stanfordmlgroup.github.io/projects/ognet .

研究动机与目标

• 解决全球油气设施数据库中的关键数据缺口，以改善甲烷排放归因的准确性。
• 开发一种可扩展的深度学习框架，利用免费获取的高分辨率航空影像检测大规模油气设施。
• 通过识别现有公开数据集遗漏的设施，提升设施清单的准确性和完整性。
• 通过提供高分辨率、最新且地理覆盖全面的设施数据库，支持基于卫星的甲烷监测。
• 证明利用深度学习检测与甲烷排放相关的设施类型（如储罐和码头设施）的可行性。

提出的方法

• 在高分辨率NAIP航空影像上，针对二分类任务训练了一个深度卷积神经网络（OGNet），以检测炼油厂。
• 构建了一个多样化的训练数据集，包含149个已确认的炼油厂位置以及负样本，包括难以区分的设施如污水处理厂和谷物筒仓。
• 使用GeoVisual搜索工具识别并纳入视觉上相似但非炼油厂的物体作为难负样本，以提升模型鲁棒性。
• 应用类别激活图（class activation maps）解释模型预测结果，验证检测结果与实际设施特征的相关性。
• 利用高分辨率影像在全美本土范围内部署OGNet，并过滤掉误报率较高的区域。
• 对1,902个检测结果进行人工审查，将设施分类为炼油厂、码头或误报，确保真实样本验证。

实验结果

研究问题

• RQ1 在高分辨率航空影像上训练的深度学习模型，是否能以比现有公开数据库更高的准确性和完整性检测油气设施？
• RQ2 当前公开的油气设施数据集在多大程度上遗漏了可通过遥感技术检测到的设施？
• RQ3 深度学习模型在识别已知导致甲烷排放的设施类型（如储罐和码头）方面的有效性如何？
• RQ4 该模型能否检测到训练数据和公共记录中均未列出的先前未记录的设施？
• RQ5 图像分辨率和数据质量对深度学习模型在设施检测中性能的影响如何？

主要发现

• OGNet 在美国本土检测到114座炼油厂和336座石油码头，其中6座炼油厂和142座码头未出现在用于比较的四个公开数据集中。
• 该模型在综合基准数据集中实现了73.5%的已知炼油厂覆盖率和23.9%的已知石油码头覆盖率，近一半的漏检炼油厂是由于公共记录中的坐标不准确所致。
• 大量误报源于谷物筒仓、污水处理厂和化工设施的误分类，凸显了区分外观相似工业结构的挑战。
• 该模型识别出148处未列于公共数据库中的设施，证明其具备发现此前未记录设施的能力，尤其在报道不足的地区表现突出。
• 类别激活图证实，模型关注的关键特征包括大型储罐和设施轮廓，表明其对相关结构特征具有可靠的注意力机制。
• 本研究表明，利用免费获取的高分辨率影像进行深度学习，可显著提升全球油气设施清单的完整性和准确性，从而支持气候监测。