AttMetNet：用于 Sentinel-2 卫星图像甲烷 plume 检测的注意力增强深度神经网络

甲烷是一种强大的温室气体，对全球变暖贡献显著。准确检测甲烷排放是及时采取行动、最小化其对气候变化影响的关键。我们提出 AttMetNet，一种新型注意力增强深度学习框架，用于 Sentinel-2 卫星图像的甲烷 plume 检测。开发甲烷检测模型的主要挑战在于准确识别甲烷 plume，同时抑制由背景变异和多样化土地覆盖类型引起的误报。传统检测方法通常依赖于比较带有和不带 plume 场景时 B11 和 B12 波段的差异或比率，但这些方法常因产生大量误报而需由领域专家进行验证。近期深度学习方法虽在 CNN 架构上有所改进，但缺乏针对甲烷特定特征的注意力机制。AttMetNet 引入甲烷感知架构，将归一化甲烷指数 (NDMI) 与注意力增强 U-Net 融合。通过联合利用 NDMI 的 plume 敏感线索和注意力驱动的特征选择，AttMetNet 有针对性地放大甲烷吸收特征，同时抑制背景噪声。该集成构成了首个专为实际卫星图像中稳健甲烷 plume 检测所定制的架构。此外，我们采用焦点损失以应对严重类别不平衡——正 plume 样本稀缺且 plume 像素在图像中的稀疏。进一步地，AttMetNet 在真实甲烷 plume 数据集上训练，提高了对实际场景的鲁棒性。大量实验表明，AttMetNet 在甲烷 plume 检测方面超越了近期方法，表现出更低的误报率、更好的精确率召回率平衡以及更高的 IoU。