METER-ML：用于自动化甲烷源制图的多传感器地球观测基准
计算机视觉与模式识别
2022-08-16 v2
摘要
减少甲烷排放对缓解全球变暖至关重要。为将甲烷排放归因至其源，亟需全面的甲烷源基础设施数据集。近期基于遥感影像的深度学习进展有潜力识别甲烷源的位置与特征，但缺乏可供机器学习研究者与从业者构建自动化制图方法的公开数据。为填补此空白，我们构建了名为METER-ML的多传感器数据集，包含美国境内86,599幅带地理参考的NAIP、Sentinel-1与Sentinel-2影像，标注了是否存在甲烷源设施，包括集中式畜禽养殖场、煤矿、垃圾填埋场、天然气处理厂、炼油厂与石油终端以及污水处理厂。我们尝试了利用不同空间分辨率、空间覆盖范围、影像产品与光谱波段的多种模型。我们发现，在专家标注的测试集上，最佳模型识别集中式畜禽养殖场的精确率-召回率曲线下面积达0.915，识别炼油厂与石油终端达0.821，表明大规模制图之潜力。我们将METER-ML免费发布于 https://stanfordmlgroup.github.io/projects/meter-ml/ 以支持未来自动化甲烷源制图工作。
引用
@article{arxiv.2207.11166,
title = {METER-ML: A Multi-Sensor Earth Observation Benchmark for Automated Methane Source Mapping},
author = {Bryan Zhu and Nicholas Lui and Jeremy Irvin and Jimmy Le and Sahil Tadwalkar and Chenghao Wang and Zutao Ouyang and Frankie Y. Liu and Andrew Y. Ng and Robert B. Jackson},
journal= {arXiv preprint arXiv:2207.11166},
year = {2022}
}
备注
Workshop on Complex Data Challenges in Earth Observation at IJCAI-ECAI 2022