深度学习用于在卫星图像中检测和描述石油和天然气井

科学领域:

• 环境科学环境科学
• 遥感是一种远程传感.
• 人工智能的人工智能是人工智能.

背景情况:

• 来自石油和天然气运营的甲排放对气候变化作出了重大贡献.
• 准确的石油和天然气基础设施的地理空间数据对于有效的甲减排至关重要.
• 目前的数据限制阻碍了全面的全球和国家排放量化和来源归因.

研究的目的:

• 开发和验证一种深度学习方法,用于自动绘制油气井和储的地图.
• 解决石油和天然气基础设施现有的地理空间数据库中的数据缺口.
• 为基础设施测绘创建一个可扩展的,公共框架的基础.

主要方法:

• 利用深度学习算法应用于高分辨率,自由可用的卫星图像.
• 开发了井和储的自动化绘图技术.
• 验证了Permian和丹佛-朱尔斯堡盆地的方法,将结果与专家策划的数据集进行比较.

主要成果:

• 为绘制井 (精度=0.955,回忆=0.904) 和储 (精度=0.962,回忆=0.968) 实现了高精度和回忆.
• 该模型确定了大多数现有井 (79.5%),并检测了超过7万个以前未被绘制的井.
• 成功地绘制了超过169,000个储的地图,其中许多没有存在于现有的数据集中.

结论:

• 深度学习方法在从卫星数据绘制石油和天然气基础设施的高准确性和有效性.
• 这种方法显著扩大了对井和储的可用数据,解决了关键数据缺口.
• 对该方法的进一步改进有望为全球可扩展和公开可访问的石油和天然气基础设施监测框架提供希望.