超越局部甲烷羽流检测：一种面向传感器无关的双路径深度学习框架，用于全球高光谱甲烷羽流监测

为何追踪看不见的气体至关重要

甲烷是一种强效的温室气体，在数十年尺度上捕获的热量远高于二氧化碳，但大量甲烷泄漏到大气中常常难以被察觉。精确定位油田、垃圾填埋场、煤矿和农场等处的甲烷泄漏对迅速减少排放至关重要，然而目前的卫星方法常常速度较慢且需大量人工干预。本研究提出了一种新的人工智能系统，通过直接从太空中观测到的、地球反射太阳光的高光谱测量中学习，从而能够更快、更可靠地在全球范围内发现甲烷羽流。

来自太空的两种智能观测方法

配备高光谱传感器的现代卫星在许多紧密分布的波段捕获太阳光，尤其是在甲烷强烈吸收光的波段。作者比较了两种将这些丰富数据输入深度学习模型以生成逐像素甲烷羽流地图的主要方法。一条路径使用原始辐射率数据，即传感器在选定波长上测得的光辐射。另一条路径使用“增强”产品，经过传统基于物理的处理以增强甲烷信号。通过设计双路径框架，团队可以在相同条件下测试两种方法的优缺点。

双路径系统的性能表现

研究者利用来自 NASA EMIT 仪器和 Tanager-1 卫星的数千个精心标注的羽流，分别为每条路径训练了三种不同的图像分割网络。使用增强产品的模型在识别甲烷羽流方面始终更为准确，尤其是在羽流的微弱边缘和小尺度低对比特征上表现更好。这些模型在无羽流场景下的误报也更少。相比之下，使用原始辐射率数据的模型在准确性上略逊一筹但仍有竞争力，而且省去了代价高昂的预处理步骤，使其能够快速扫描新影像。正因如此，辐射率路径在卫星数据到达后可用于快速、初步筛查。

影响地面检测成功的因素

研究还探讨了系统何时会遇到困难。两条路径在羽流大或浓度高时表现最佳，但在羽流微弱、破碎或小规模时，基于增强的模型保持得更好。地表类型也很重要。像森林这样黑暗且纹理复杂的区域，或是裸土与稀疏植被混合的地表，会模糊羽流与背景之间的对比，导致更多漏检或误检。通过分析不同土地覆盖类型下的性能，作者表明明亮且均匀的表面更利于模型识别甲烷信号，而复杂表面则构成更大挑战，尤其对于必须直接从原始光学测量中学习的辐射率路径而言更为困难。

深入解析 AI 的“思路”

为验证系统依赖的是甲烷的真实物理特征而非数据中的怪象，团队应用了可解释人工智能工具，突出显示驱动模型决策的图像区域和波长。对于基于增强的模型，最具影响力的区域与肉眼可见羽流的核心和边缘一致。对于基于辐射率的模型，最重要的波长与已知的甲烷吸收特征及光谱中急剧变化的波段重合。学习到的模式与已建立的物理行为之间的这种紧密对应表明，AI 正在关注具有科学意义的线索，而非伪相关。

从单次任务到全球监测

一个关键测试是相同的模型设计是否能跨不同卫星通用。作者将在 EMIT 数据上训练出的最佳增强型网络结构应用到 Tanager-1 数据上，并在不做专门调整的情况下重新训练。尽管在分辨率、观测几何和标注风格上存在差异，该模型在两台传感器上都达到了非常相近的技能水平。它还成功绘制了跨越多大洲和多个行业的数千个羽流，从油气田到垃圾填埋场和煤矿，揭示了排放的聚集位置及其发生频率。

对气候行动的启示

研究表明，将较慢但高可靠性的增强路径与较快的辐射率路径配对，既能支持详尽的排放核算，又能实现对大规模泄漏的近实时发现。通过确认模型内部逻辑反映出真实的甲烷吸收模式，并展示一种架构可在不同卫星间重复使用，这项工作为全球、传感器无关的甲烷监测奠定了实用基础。对于决策者而言，这意味着更好的工具来发现并优先处理泄漏，跟踪国际承诺下的进展，并迅速采取行动应对这一气候难题中最容易修复的部分之一。

引用: Yang, S., Kim, Y., Choo, M. et al. Beyond localized methane plume detection: a dual-path deep learning framework for sensor-agnostic global hyperspectral methane plume monitoring. npj Clim Atmos Sci 9, 115 (2026). https://doi.org/10.1038/s41612-026-01387-8

关键词: 甲烷排放, 卫星监测, 高光谱成像, 深度学习, 气候缓解