卫星 onboard 甲烷检测优化：面向资源受限硬件的速度、精度与低功耗解决方案
计算机视觉与模式识别
2025-07-03 v1 机器学习
性能
摘要
甲烷是一种强效温室气体，通过荧光卫星影像提前检测其泄漏可帮助遏制气候变化。而许多现有任务仅处于手动任务安排模式，从而错失潜在感兴趣事件。为高效降低 downlink 成本，onboard 检测是可行方案。然而，传统甲烷增强方法对资源受限的 onboard 硬件计算需求过高。本工作通过专注于高效低功耗算法加速甲烷检测。我们测试了尚未用于甲烷检测的快速目标检测方法（ACE、CEM），并提出了 Mag1c-SAS——当前甲烷检测最先进算法 Mag1c 的显著更快变体。为探索其检测潜力，我们将其与机器学习模型（U-Net、LinkNet）集成。我们的结果确定了两个有前景的候选方案（Mag1c-SAS 和 CEM），两者均足够准确地检测强烈泄漏，且计算足够高效，可用于 onboard 部署：一种更注重精度，另一种更注重速度，分别比原始 Mag1c 在资源受限硬件上快约 100 倍和 230 倍。此外，我们提出并评估了三种波段选择策略。其中一种方法在使用更少波段的情况下，可优于领域传统方法，从而在不牺牲精度的情况下实现更快的处理。本研究为未来以最小硬件需求实现 onboard 甲烷检测的进步奠定了基础，提高了及时数据传输的效率。所产代码、数据和模型已开源，可访问 https://github.com/zaitra/methane-filters-benchmark。
引用
@article{arxiv.2507.01472,
title = {Optimizing Methane Detection On Board Satellites: Speed, Accuracy, and Low-Power Solutions for Resource-Constrained Hardware},
author = {Jonáš Herec and Vít Růžička and Rado Pitoňák},
journal= {arXiv preprint arXiv:2507.01472},
year = {2025}
}
备注
This is a preprint of a paper accepted for the EDHPC 2025 Conference