Methane (CH$_4$) is the chief contributor to global climate change. Recent Airborne Visible-Infrared Imaging Spectrometer-Next Generation (AVIRIS-NG) has been very useful in quantitative mapping of methane emissions. Existing methods for analyzing this data are sensitive to local terrain conditions, often require manual inspection from domain experts, prone to significant error and hence are not scalable. To address these challenges, we propose a novel end-to-end spectral absorption wavelength aware transformer network, MethaneMapper, to detect and quantify the emissions. MethaneMapper introduces two novel modules that help to locate the most relevant methane plume regions in the spectral domain and uses them to localize these accurately. Thorough evaluation shows that MethaneMapper achieves 0.63 mAP in detection and reduces the model size (by 5x) compared to the current state of the art. In addition, we also introduce a large-scale dataset of methane plume segmentation mask for over 1200 AVIRIS-NG flight lines from 2015-2022. It contains over 4000 methane plume sites. Our dataset will provide researchers the opportunity to develop and advance new methods for tackling this challenging green-house gas detection problem with significant broader social impact. Dataset and source code are public


翻译:甲烷(CH$_4$)是全球气候变化的主要因素。最近的Airborne Visible-Infrared Imaging Spectrometer-Next Generation (AVIRIS-NG)已经在定量映射甲烷排放方面非常有用。现有方法对局部地形条件敏感,通常需要领域专家进行手工检查,易于产生显著误差,因此不可扩展。为了解决这些挑战,我们提出了一种新颖的端到端谱吸收波长感知变换器网络——甲烷映射工具(MethaneMapper),用于检测和量化排放。MethaneMapper引入了两个新颖模块,帮助在谱域中找到最相关的甲烷云区域,并将其用于精确定位。全面的评估表明,MethaneMapper在检测方面实现了0.63 mAP,并将模型大小(缩小5倍)与现有技术的状态相比。此外,我们还介绍了一个大规模的甲烷云分割蒙版数据集,包括2015-2022年超过1200个AVIRIS-NG飞行线的数据。它包含超过4000个甲烷云位点。我们的数据集将为研究人员提供机会,开发和推进用于解决这一具有重要社会影响的难题的新方法。数据集和源代码是公开的。

0
下载
关闭预览

相关内容

【ICML2023】几何潜在扩散模型的三维分子生成
专知会员服务
25+阅读 · 2023年5月5日
用于识别任务的视觉 Transformer 综述
专知会员服务
70+阅读 · 2023年2月25日
图神经网络可解释性,附45页ppt,Simone Scardapane讲授
专知会员服务
83+阅读 · 2022年7月16日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【泡泡一分钟】用于评估视觉惯性里程计的TUM VI数据集
泡泡机器人SLAM
11+阅读 · 2019年1月4日
MoCoGAN 分解运动和内容的视频生成
CreateAMind
18+阅读 · 2017年10月21日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
0+阅读 · 2023年5月22日
Arxiv
0+阅读 · 2023年5月19日
Arxiv
11+阅读 · 2022年3月16日
Arxiv
23+阅读 · 2021年3月4日
Arxiv
11+阅读 · 2019年4月15日
VIP会员
相关VIP内容
相关资讯
相关基金
Top
微信扫码咨询专知VIP会员