《International Journal of Digital Earth》:Multimodal deep learning for identifying onshore natural gas facilities from GaoFen-2 imagery
编辑推荐:
随着全球天然气需求快速增长,天然气开采设施建设规模显著扩大。准确识别这些设施对指导国土空间规划及评估环境影响具有重要意义。现有研究主要集中在海上油气平台,陆上设施因分布分散、环境复杂而识别难度大,相关研究相对匮乏。为此,研究人员提出一种结合多模态卷积神经网络(
随着全球天然气需求快速增长,天然气开采设施建设规模显著扩大。准确识别这些设施对指导国土空间规划及评估环境影响具有重要意义。现有研究主要集中在海上油气平台,陆上设施因分布分散、环境复杂而识别难度大,相关研究相对匮乏。为此,研究人员提出一种结合多模态卷积神经网络(CNN)与面向对象分割的方法,用于陆上天然气设施的提取。实验在中国四川盆地北部采用高分二号(GF-2)高分辨率卫星影像开展。研究人员将该方法与传统机器学习方法及基于序列裁剪影像的CNN进行对比,结果显示,所提方法的精确率为59.97%,召回率为94.87%,F1值为73.49%。高召回率表明大部分设施可被成功检测,F1值反映了整体性能优势。与机器学习方法和序列裁剪CNN相比,该方法F1值分别提升了20.16%和51.49%。实验结果证明,该方法可有效提取陆上天然气设施,为温室气体环境影响评估提供科学依据。
本研究发表于《International Journal of Digital Earth》,针对陆上天然气设施遥感识别的挑战展开系统性探索。研究背景方面,天然气作为清洁能源在全球能源结构中占比不断提升,但其开采过程伴随甲烷泄漏,这种温室效应为二氧化碳26倍的气体对气候变化影响显著。当前遥感识别技术多聚焦于海上油气平台,利用光学、热红外、夜间灯光及合成孔径雷达(SAR)等多源数据取得较好效果。然而陆上设施因几何形态多样、光谱特征复杂且与城乡建筑、工业场地等地物混淆度高,加之设施个体较小、分布稀疏,导致识别难度显著增加。传统基于像素或滑动窗口的深度学习方法在大范围应用中面临背景干扰强、样本不均衡、计算效率低下等问题,亟需发展针对性解决方案。
关键技术方法上,研究人员选取中国四川盆地北部为研究区,该区域天然气储量占全国65.4%,涵盖超深生物礁气田。采用2021年9月获取的4景云量稀少的高分二号(GF-2)影像,经辐射定标、正射校正后,通过Gram-Schmidt算法融合多光谱与全色波段生成1米分辨率影像。核心技术创新包括:① 基于 fractal net evolution approach (FNEA)的多尺度面向对象分割,通过估计尺度参数(ESP)工具优化分割尺度、形状及紧致度参数,确保设施完整性;② 构建包含负样本抑制损失(NS Loss)与三重损失(Triplet Loss)、交叉熵损失(CE Loss)的多损失联合优化框架,增强小样本下的特征判别力;③ 设计语义场景分类器(SSC),利用大型语言模型生成设施语义提示词,通过跨模态注意力机制融合视觉与语义特征,提升复杂场景理解能力。数据集按训练区、验证区、测试区划分,训练集含384个样本(60个正样本,324个负样本)。
研究结果方面,面向对象影像分割实验显示,优化后的分割参数在训练区成功提取14/15个设施为独立对象,验证区5个设施均完整分割,测试区经NDVI、NDWI、长宽比、形状指数及面积阈值过滤后保留107个候选对象,其中天然气设施占12.15%。基于对象的机器学习方法中,贝叶斯(Bayes)与K近邻(KNN)仅识别出6与9个设施,支持向量机(SVM)与随机森林(RF)虽识别出12个设施,但虚警率高达20-36次,难以实用。基于对象的深度学习方法中,VGG与ResNet系列模型均识别出超过10个设施,VGG19达12个,且总检测数稳定在21次左右,虚警率显著降低。消融实验证实,单独引入NS Loss可使VGG16召回率提升10.26%、F1值提升0.68%;结合SSC后,VGG16、VGG19、ResNet50、ResNet101的召回率分别提升17.95%、12.82%、11.11%、7.80%,F1值相应提高4.20%、3.80%、3.95%、4.12%,验证了模块有效性。数据集构建策略对比显示,面向对象分割法将测试区候选场景从20,739个降至107个,数据量减少99.48%,识别耗时从2-3分钟缩短至约2秒,且设施识别数量增加2-4个。
讨论部分指出,面向对象分割通过阈值过滤有效剔除无关背景,保障目标完整性,大幅提升处理效率与识别精度,但分割参数敏感性可能导致少数设施被误合并或过度分割。研究结论强调,所提融合NS Loss与SSC的多模态深度学习框架在GF-2影像上实现F1值73.49%,较机器学习与常规CNN分别提升20.16%和51.49%,证明了国产高分辨率卫星数据在陆上天然气设施监测中的适用性。未来研究将致力于算法效率优化与跨区域推广,以支持大范围天然气基础设施及甲烷排放监测。