[论文解读] Unlocking the Potential: Multi-task Deep Learning for Spaceborne Quantitative Monitoring of Fugitive Methane Plumes

Guoxin Si, Shiliang Fu+1 more|arXiv (Cornell University)|Jan 23, 2024

Atmospheric and Environmental Gas DynamicsEnvironmental Science被引用 3

一句话总结

本文提出了一种基于PRISMA高光谱数据的星载无组织甲烷羽流定量监测多任务深度学习框架。通过大涡模拟（LES）和辐射传输建模生成甲烷羽流的模拟数据，作者训练了U-Net进行浓度反演、Mask R-CNN进行分割，以及ResNet-50进行排放速率估计，其性能优于传统方法。多任务学习模型（MTL-01和MTL-02）通过任务间共享特征，进一步提升了性能，降低了排放速率估计的误差，并提高了分割精度。

ABSTRACT

As global warming intensifies, increased attention is being paid to monitoring fugitive methane emissions and detecting gas plumes from landfills. We have divided methane emission monitoring into three subtasks: methane concentration inversion, plume segmentation, and emission rate estimation. Traditional algorithms face certain limitations: methane concentration inversion typically employs the matched filter, which is sensitive to the global spectrum distribution and prone to significant noise. There is scant research on plume segmentation, with many studies depending on manual segmentation, which can be subjective. The estimation of methane emission rate frequently uses the IME algorithm, which necessitates meteorological measurement data. Utilizing the WENT landfill site in Hong Kong along with PRISMA hyperspectral satellite imagery, we introduce a novel deep learning-based framework for quantitative methane emission monitoring from remote sensing images that is grounded in physical simulation. We create simulated methane plumes using large eddy simulation (LES) and various concentration maps of fugitive emissions using the radiative transfer equation (RTE), while applying augmentation techniques to construct a simulated PRISMA dataset. We train a U-Net network for methane concentration inversion, a Mask R-CNN network for methane plume segmentation, and a ResNet-50 network for methane emission rate estimation. All three deep networks yield higher validation accuracy compared to traditional algorithms. Furthermore, we combine the first two subtasks and the last two subtasks to design multi-task learning models, MTL-01 and MTL-02, both of which outperform single-task models in terms of accuracy. Our research exemplifies the application of multi-task deep learning to quantitative methane monitoring and can be generalized to a wide array of methane monitoring tasks.

研究动机与目标

• 解决传统甲烷监测方法依赖人工分割、风速数据或噪声较大的反演算法的局限性。
• 开发一种基于深度学习的框架，实现从高光谱卫星数据中同步进行甲烷浓度反演、羽流分割和排放速率估计。
• 通过训练无需依赖风速测量的模型，减少对气象数据的依赖。
• 通过在相关子任务间应用多任务学习，提升模型的泛化能力和准确性。
• 证明利用物理模拟数据训练稳健、端到端的深度学习模型用于定量甲烷监测的可行性。

提出的方法

• 利用大涡模拟（LES）和辐射传输方程（RTE）生成模拟甲烷羽流，以在真实大气条件下建模浓度分布图。
• 通过数据增强技术构建合成的PRISMA高光谱数据集，以提升训练多样性与模型鲁棒性。
• 训练U-Net架构用于像素级甲烷浓度反演，其性能优于传统的MAG1C匹配滤波算法。
• 采用Mask R-CNN网络实现对单个甲烷羽流的实例分割，消除了人工划定的主观性。
• 使用ResNet-50模型进行排放速率估计，降低了对外部风速数据的依赖。
• 开发了两种多任务学习模型：MTL-01（联合训练分割与排放速率估计）和MTL-02（联合执行浓度反演与分割），实现了特征共享，提升了收敛速度与准确性。

实验结果

研究问题

• RQ1 在物理模拟的高光谱数据上训练的深度学习框架，是否能在甲烷浓度反演方面优于传统算法？
• RQ2 与串行或单任务模型相比，多任务学习在甲烷羽流分割和排放速率估计的准确性与鲁棒性方面有何提升？
• RQ3 深度学习模型在多大程度上可实现无需现场风速测量的甲烷排放速率估计？
• RQ4 非高斯羽流形状与高羽流重叠率如何影响在理想高斯羽流上训练的深度学习模型的性能？
• RQ5 多任务学习是否能减少串行处理流程中的误差传播，特别是在分割后进行排放速率估计时？

主要发现

• 用于甲烷浓度反演的U-Net模型在验证准确率方面表现更优，且噪声更低，优于MAG1C匹配滤波算法。
• 用于羽流分割的Mask R-CNN模型通过消除主观性，实现了更一致的结果，优于人工分割。
• 用于排放速率估计的ResNet-50模型成功降低了对风速数据的依赖，实现了无需外部气象输入的排放速率估计。
• MTL-01通过联合训练分割与排放速率估计，减少了误差传播，并在准确性上优于串行连接的模型。
• MTL-02通过联合执行浓度反演与分割，其验证准确率高于单独的单任务模型，证实了特征共享的优势。
• 模型在较小羽流（≥300像素）上表现出鲁棒性，但对极小或高度重叠的羽流性能下降，表明未来需在复杂情况下探索半监督学习方法。