PRISMethaNet: A novel deep learning model for landfill methane detection using PRISMA satellite data
Notice bibliographique
Résumé
Methane (CH4) is one of the most significant greenhouse gases responsible for about one-third of climate warming since preindustrial times, originating from various sources. Landfills are responsible for a large percentage of CH4 emissions, and population growth can boost these emissions. Therefore, it is vital to automate the process of CH4 monitoring over landfills. This study proposes a convolutional neural network (CNN) with an Atrous Spatial Pyramid Pooling (ASPP) mechanism, called PRISMethaNet, to automate the CH4 detection process using PRISMA satellite data in the 400–2500 nm spectral range. A total number of 41 PRISMA images from 17 landfill sites located in several countries, such as India, Nigeria, Mexico, Pakistan, Iran, and other regions, were used as our study areas. The PRISMethaNet model was trained using augmented data as the input, and plume masks were obtained from the matched filter (MF) algorithm. This novel proposed model successfully detected plumes with overall accuracy (OA), F1-score (F1), precision, and recall of 0.99, 0.96, 0.93, and 0.99, respectively, and quantification uncertainties ranging from 11 % to 58 %. An unboxing of the ASPP module using Gradient-weighted Class Activation Mapping (Grad-CAM) algorithm demonstrated a strong relationship between larger dilation rates (DRs) and CH4 plume detectability. Importantly, the results highlighted that plume masks obtained by PRISMethaNet provided more accurate CH4 quantification rate compared to the statistical methods used in previous studies. In particular, the mean square error (MSE) for PRISMethaNet was approximately 1,102 kg/h, whereas the MSE for the commonly used statistical method was around 1,974 kg/h.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».