面向遥控光谱检测的运营机器学习：用于检测 CH$_{4}$ 点源

缓解人为甲烷来源是拖慢全球变暖的最具成本效益的杠杆之一。虽然卫星基成像光谱仪（如 EMIT、PRISMA 和 EnMAP）能够检测这些点源，但当前基于匹配滤波器的甲烷检索方法会产生大量假阳性检测，需人工验证。为此，我们在联合国环境署 (UNEP) 全球甲烷警报与响应系统 (MARS) 中部署了 ML 系统用于检测甲烷排放。这标志着首次实现了利用航天成像光谱仪进行自动化甲烷点源检测的运营部署，提供全球常规覆盖，未来可扩展至数据量更大的星座。该任务需要技术进展：首先，我们构建了目前规模最大、最具多样性和全球覆盖的 ML 就绪数据集，包含来自三大成像光谱仪任务的标注甲烷 plume，并定量比较不同深度学习模型配置。其次，我们将先前评估方法从小块数据集扩展至完整 granule，更贴近实际应用。这一发现表明深度学习模型仍产生大量假阳性，我们通过模型集成解决，假阳性检测减少超过 74%。在 11 个月的运营部署期间，系统处理了超过 25,000 个高光谱产品，帮助验证了 2,851 个独立甲烷泄漏， resulting in 834 项利益相关者通知。我们进一步通过在利比亚、阿根廷、阿曼和阿塞拜疆的案例研究展示了该模型在验证减缓措施效果方面的实用性。我们的工作是实现全球 AI 辅助甲烷泄漏检测系统的关键一步，该系统将处理来自当前及未来成像光谱仪预期的大幅度数据增长。