メタン衛星・航空機搭載イメージング分光法におけるクラウドおよびクラウドシャドウセグメンテーションのための深層学習
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19665v1発表タイプ：クロス
要約：高解像度ハイパースペクトルリモートセンシングにおける大気中メタン濃度等の微量ガスの正確な取得には、効果的な雲および雲影検出が不可欠である。この課題は、MethaneSATとその航空機搭載ミッションであるMethaneAIRにとって特に重要である。本研究では、機械学習手法を用いて、これらの高空間解像度センサーにおける雲および雲影検出問題に対処する。リモートセンシングデータにおける雲と雲影は、リモートセンシング画像におけるメタン取得値にバイアスを与え、排出量の定量化に影響を与えるため、効果的に除去する必要がある。反復ロジスティック回帰（ILR）や多層パーセプトロン（MLP）などの従来手法に加え、UNetやスペクトルチャネルアテンションネットワーク（SCAN）法などの高度な深層学習アーキテクチャを展開し、評価する。その結果、従来手法は空間的整合性と境界定義に課題があり、雲および雲影の検出に影響を与えることが示された。深層学習モデルは検出精度を大幅に向上させた。UNetは空間構造の維持において最も優れた性能を示し、SCANは微細な境界の詳細な捕捉に優れている。特にSCANはMethaneSATデータにおいてUNetを上回り、衛星固有の特徴にスペクトルアテンションを取り入れることの利点を示している。様々な機械学習手法の包括的な評価は、高度な深層学習アーキテクチャが、既存および次世代のハイパースペクトルミッションのメタン排出量定量化能力の向上に向けた堅牢かつ拡張性の高いソリューションを提供する際の強みと有効性を示している。データとコードはhttps://doi.org/10.7910/DVN/IKLZOJで公開されている。
原文（英語）を表示
Title (EN): Deep Learning for Clouds and Cloud Shadow Segmentation in Methane Satellite and Airborne Imaging Spectroscopy
arXiv:2509.19665v1 Announce Type: cross
Abstract: Effective cloud and cloud shadow detection is a critical prerequisite for accurate retrieval of concentrations of atmospheric methane or other trace gases in hyperspectral remote sensing. This challenge is especially pertinent for MethaneSAT and for its airborne companion mission, MethaneAIR. In this study, we use machine learning methods to address the cloud and cloud shadow detection problem for sensors with these high spatial resolutions instruments. Cloud and cloud shadows in remote sensing data need to be effectively screened out as they bias methane retrievals in remote sensing imagery and impact the quantification of emissions. We deploy and evaluate conventional techniques including Iterative Logistic Regression (ILR) and Multilayer Perceptron (MLP), with advanced deep learning architectures, namely UNet and a Spectral Channel Attention Network (SCAN) method. Our results show that conventional methods struggle with spatial coherence and boundary definition, affecting the detection of clouds and cloud shadows. Deep learning models substantially improve detection quality: UNet performs best in preserving spatial structure, while SCAN excels at capturing fine boundary details. Notably, SCAN surpasses UNet on MethaneSAT data, underscoring the benefits of incorporating spectral attention for satellite specific features. This in depth assessment of various disparate machine learning techniques demonstrates the strengths and effectiveness of advanced deep learning architectures in providing robust, scalable solutions for clouds and cloud shadow screening towards enhancing methane emission quantification capacity of existing and next generation hyperspectral missions. Our data and code is publicly available at https://doi.org/10.7910/DVN/IKLZOJ
Published: 2025-09-24 19:00 UTC