面向TROPOMI甲烷浪涌筛查的特征驱动与深度学习模型可解释性比较
机器学习
2026-05-27 v1 大气与海洋物理
摘要
持续且全球性的大规模甲烷排放检测是全球变暖缓解的关键步骤。卫星观测（如来自S5P/TROPOMI的数据）结合浪涌检测算法可在这一过程中发挥关键作用。然而，并非所有TROPOMI浪涌检测呈现出甲烷排放浪涌的外观，实际上都是排放产物。浪涌类特征的显著部分是检索人工，可能源于海拔或反照率梯度变化、气溶胶浓度较高、沿海线、水体等。以往工作通过支持向量机分类器（SVC）等方式处理浪涌人工问题，该方法依赖于由领域专家设计的广泛观察特征集合训练。然而，这种方法限制了算法接收信息的范围，仅限于专家认为重要的东西，打破了像素之间的空间关系，并在统计聚合过程中丢失信息。在本研究中，我们比较了特征驱动（SVC、随机森林、XGBoost）和图像驱动（ResNet-18、ResNet-34）模型用于甲烷浪涌人工分类，在平衡和不平衡评估设置下进行比较。为解释结果，我们对两类模型应用了基于 SHAP 的可解释性方法。我们的发现为在操作甲烷筛查工作流程（如CAMS Methane Hotspot Explorer）中进行模型选择提供了实用指导。
引用
@article{arxiv.2605.27236,
title = {Explainable Comparison of Feature-Based and Deep Learning Models for TROPOMI Methane Plume Screening},
author = {Solomiia Kurchaba and Joannes D. Maasakkers and Berend J. Schuit and Ilse Aben},
journal= {arXiv preprint arXiv:2605.27236},
year = {2026}
}