基于跨传感器迁移学习和物理信息后处理的甜烟Satellite Methane plume分割
计算机视觉与模式识别
2026-05-26 v1 大气与海洋物理
摘要
从卫星影像中自动检测和掩模单个甜烟 plume对于运营商化排放归因和定量化至关重要。本文提出了一种机器学习框架，用于从MethaneSAT检索的列平均干空气甜烟浓度进行 plume检测。我们解决了两个核心挑战：MethaneSAT标注数据的稀缺性，以及需要在多样化大气和表面条件下实现推断可靠性。首先，我们证明了以ResNet-50为主干网络的Mask R-CNN在MethaneAIR(甜烟Satellite的空中版)和MethaneSAT数据上优于U-Net语义分割，分别实现了10.49和5.48的像素级F1分数提升。为了解决MethaneSAT数据稀缺问题，我们评估了三种跨传感器迁移策略，利用MethaneAIR航班和合成 plume。以ResNet-50为主干网络的Mask R-CNN使用MethaneAIR预训练权重微调是最有效的策略，在基准操作点下实现了0.60的实例精度和0.98的接近完美召回率。随后，我们引入一种基于物理信息的后处理管道，将检测结果转换为两种操作上不同的模式。第一种是高灵敏度模式，应用形态学滤波和基于邻近的合并，用于全面排放筛查，实现了0.71的精度和0.94的召回率。第二种是高精度模式，额外应用基于分布的分类器进行自信的源归因，实现了0.92的精度和0.70的召回率。手动审核将检测为假阳性的案例与基于小波的真实标签进行对照，发现有意义的一部分案例对应被保守标签标准排除的真实甜烟增强，表明报告的精度值是真实检测性能的下限...我们的数据和代码均可在：https://doi.org/10.7910/DVN/FR959H 获取。
引用
@article{arxiv.2605.24273,
title = {Plume Segmentation from MethaneSAT with Cross-Sensor Transfer Learning and Physics-Informed Postprocessing},
author = {Manuel Pérez-Carrasco and Maya Nasr and Zhan Zhang and Apisada Chulakadabba and Javier Roger and Raia Ottenheimer and Sébastien Roche and Maryann Sargent and Chris Chan Miller and Daniel Varon and Jack Warren and Luis Guanter and Kang Sun and Jonathan Franklin and Jia Chen and Cecilia Garraffo and Xiong Liu and Ritesh Gautam and Steven Wofsy},
journal= {arXiv preprint arXiv:2605.24273},
year = {2026}
}
备注
35 pages, 20 figures, 9 tables