基于模型与域适应的多平台甲烷 plume 检测

优先考虑甲烷进行近期气候行动至关重要， due to its significant impact on global warming。以往工作使用空中 AVIRIS-NG 成像光谱仪的逐列匹配滤波产品检测甲烷 plume 源；卷积神经网络 (CNN) 辨别来自人为甲烷 plume 的误检增强。然而，随着越来越多的遥感平台用于甲烷 plume 检测，越来越需要解决跨平台对齐问题。在本工作中，我们描述了基于模型和数据驱动的机器学习方法，利用空中观测数据改善空间平台甲烷 plume 检测，调和在不同平台上执行相同任务时固有的分布性偏移。我们开发了一个基于 EMIT 成像光谱仪任务的数据的空间平台甲烷 plume 分类器。我们使用迁移学习对来自 AVIRIS-NG 任务的空中影像进行精炼，优于独立的空间平台模型。最后，我们采用 CycleGAN 这种无监督图像到图像翻译技术来对齐空中和空间平台情境之间的数据分布。使用 CycleGAN 将空间平台 EMIT 数据翻译至空中 AVIRIS-NG 领域后，直接应用空中分类器可获得最佳的 plume 检测结果。该方法不仅对数据模拟有用，也可用于直接数据对齐。虽然以甲烷 plume 检测为演示，但我们的工作更广泛地展示了一种数据驱动方法，用于对齐来自不同遥感仪器获取的相关产品。