OGNet：利用遥感影像深度学习构建全球油气基础设施数据库
计算机视觉与模式识别
2020-11-17 v1 人工智能
机器学习
摘要
当今地球经历的变暖至少有四分之一源于人为甲烷排放。目前已有多颗卫星在轨运行，并计划在未来几年内发射，以探测和量化这些排放；然而，要将甲烷排放溯源至地面排放源，一个涵盖全球排放源位置与特征的综合数据库至关重要。在本工作中，我们开发了深度学习算法，利用免费获取的高分辨率航空影像自动检测油气基础设施——全球甲烷排放的最大贡献者之一。我们使用其中最优的算法（称之为 OGNet）并结合专家审查，识别了美国境内炼油厂与石油终端的位置。我们表明，OGNet 检测到了四个标准公开油气基础设施数据集中未收录的许多设施。所有检测到的设施均关联了已知会促成甲烷排放的特征，包括基础设施类型与储罐数量。本研究整理并生成的数据可在 http://stanfordmlgroup.github.io/projects/ognet 免费获取。
引用
@article{arxiv.2011.07227,
title = {OGNet: Towards a Global Oil and Gas Infrastructure Database using Deep Learning on Remotely Sensed Imagery},
author = {Hao Sheng and Jeremy Irvin and Sasankh Munukutla and Shawn Zhang and Christopher Cross and Kyle Story and Rose Rustowicz and Cooper Elsworth and Zutao Yang and Mark Omara and Ritesh Gautam and Robert B. Jackson and Andrew Y. Ng},
journal= {arXiv preprint arXiv:2011.07227},
year = {2020}
}
备注
Tackling Climate Change with Machine Learning at NeurIPS 2020 (Spotlight talk)