释放潜力：用于星载定量监测逃逸甲烷羽流的多任务深度学习
计算机视觉与模式识别
2024-10-03 v3
摘要
随着全球变暖加剧，人们越来越关注监测逃逸甲烷排放和检测垃圾填埋场的气体羽流。我们将甲烷排放监测分为三个子任务：甲烷浓度反演、羽流分割和排放率估计。传统算法面临一定的局限性：甲烷浓度反演通常采用匹配滤波器，对全局光谱分布敏感且容易受到显著噪声影响。关于羽流分割的研究很少，许多研究依赖人工分割，这具有主观性。甲烷排放率的估计经常使用 IME 算法，这需要气象测量数据。利用香港 WENT 垃圾填埋场和 PRISMA 高光谱卫星图像，我们引入了一种基于物理模拟的深度学习新框架，用于从遥感图像中定量监测甲烷排放。我们使用大涡模拟（LES）创建模拟甲烷羽流，并使用辐射传输方程（RTE）创建逃逸排放的各种浓度图，同时应用数据增强技术构建模拟 PRISMA 数据集。我们训练了用于甲烷浓度反演的 U-Net 网络、用于甲烷羽流分割的 Mask R-CNN 网络和用于甲烷排放率估计的 ResNet-50 网络。与传统算法相比，所有三个深度网络均产生了更高的验证精度。此外，我们结合前两个子任务和后两个子任务设计了多任务学习模型 MTL-01 和 MTL-02，两者在准确度上均优于单任务模型。我们的研究展示了多任务深度学习在定量甲烷监测中的应用，并可推广到广泛的甲烷监测任务中。
引用
@article{arxiv.2401.12870,
title = {Unlocking the Potential: Multi-task Deep Learning for Spaceborne Quantitative Monitoring of Fugitive Methane Plumes},
author = {Guoxin Si and Shiliang Fu and Wei Yao},
journal= {arXiv preprint arXiv:2401.12870},
year = {2024}
}