Французские ученые разработали модель глубокого обучения MetFluxNet для оценки интенсивности выбросов метана по спутниковым данным

Дайджест исследований

Сокращение выбросов метана в результате деятельности человека имеет важное значение для борьбы с изменением климата. Для мониторинга этих выбросов мы полагаемся на спутниковые наблюдения, которые позволяют регулярно отслеживать выбросы в глобальном масштабе. Выбросы метана обычно оцениваются количественно по их источнику – массе газа, выбрасываемого в единицу времени. Наша цель - оценить интенсивность выбросов метановых шлейфов, обнаруженных с помощью гиперспектральных сканеров изображений, таких как PRISMA или EnMAP. Для решения этой задачи мы сгенерировали большой синтетический набор данных, используя вихреразрешающее моделирование для обучения модели глубокого обучения. Этот набор данных был специально разработан для того, чтобы избежать переобучения сети с помощью тщательной временной выборки и масштабирования шлейфа. Наша сеть глубокого обучения MetFluxNet не требует никакой информации о ветре или маски шлейфа. Более того, он точно предсказывает частоту обнаружения источника даже при наличии ложных срабатываний. MetFluxNet хорошо работает в нашем наборе данных со средней абсолютной процентной погрешностью (MAPE) в 8,3 % в широком диапазоне значений расхода источника от 500 кг/ч до 25000 кг/ч. Примечательно, что он остается эффективным при более низких частотах излучения источников, где фоновый шум, как правило, высок. Чтобы подтвердить применимость MetFluxNet в реальных условиях, мы протестировали его на реальных шлейфах с известными точными значениями наземных потоков. Прогнозируемая частота источников систематически попадала в пределы 95% доверительных интервалов, демонстрируя его надежность при оценке шлейфа в реальных условиях. Наконец, по сравнению с последними передовыми методами, MetFluxNet превзошел S2MetNet, основанный на глубоком обучении, и метод интегрированного повышения массы (IME), основанный на физике.

Исследование опубликовано в сборнике препринтов.