人工智能用于甲烷检测：从连续监测到验证减排
机器学习
2026-04-27 v3
摘要
甲烷是强效温室气体，约占自工业化以来变暖的30%。少数大型点源账户占据不比例的排放份额，通过针对相对较少的选址实现大幅减排成为可能。对大规模检测和归因大排放源以便通知资产所有者仍存在挑战。本文引入MARS-S2L，一种基于机器学习的模型，用于检测公开可用多光谱卫星影像中的甲烷排放。模型在超过8万张影像上训练，提供每两天一次的高分辨率检测，实现设施级归因，识别在697个此前未知选址处以8%的误报率检测78%的 plume。该模型已在实际操作中部署，已向25个国家的利益相关者发布2776次通知，实现了六个持续排放源的验证性永久减排，包括一超级排放源在阿尔及尔亚，该排放源连续排放约2.7万吨甲烷至少十年；以及在利比亚发现的首个未知排放源。这些结果展示了从卫星检测到可量化甲烷减排的可扩展路径。
引用
@article{arxiv.2511.21777,
title = {Artificial intelligence for methane detection: from continuous monitoring to verified mitigation},
author = {Gonzalo Mateo-Garcia and Anna Allen and Itziar Irakulis-Loitxate and Manuel Montesino-San Martin and Marc Watine and Cynthia Randles and Tharwat Mokalled and Alma Raunak and Carol Castañeda-Martinez and Juan E. Jonhson and Javier Gorroño and James Requeima and Claudio Cifarelli and Luis Guanter and Richard E. Turner and Manfredi Caltagirone},
journal= {arXiv preprint arXiv:2511.21777},
year = {2026}
}