Neue Publikation Hin zu KI-gestützter Emissionsschätzung für punktuelle Methanquellen
Thomas Plewa und Kollegen entwickelten eine Machine-Learning-Methode zur Schätzung von Methanemissionsraten aus Satelliten- und Flugzeugaufnahmen von Abgasfahnen, die von lokalen Quellen wie Leckagen in der Öl- und Gasindustrie ausgehen. Solche Aufnahmen werden typischerweise von hyperspektralen Bildsensoren bereitgestellt.
Das Studienteam verwendete eine modifizierte ResNet-50-Architektur, um Methanflüsse aus synthetischen, hochauflösenden Luftbildern zu schätzen. Das ResNet wurde auf Fahnen trainiert, die mit einem Large-Eddy-Simulationsmodell bei 5 m Auflösung mit variierenden Emissionsraten und Windgeschwindigkeiten erzeugt wurden. Das Modell sagt den Fluss direkt aus den Bildern voraus und nutzt eine negative Gaußsche Log-Likelihood-Verlustfunktion, um die Genauigkeit zu verbessern und Unsicherheiten pro Vorhersage anzugeben. Es erreichte eine hohe Leistung (MPE 3,24 %, MAPE 13,86 %, r = 0,98) und übertraf frühere Methoden wie MethaNet. Die Analyse zeigte systematische Verzerrungen bei sehr hohen Windgeschwindigkeiten und niedrigen Flussraten, was darauf hindeutet, dass das Modell Windinformationen aus der Fahnenform ableitet, jedoch unter extremen Bedingungen Schwierigkeiten hat. Die Arbeit führt Verbesserungen beim Training und Hyperparameter-Tuning ein, etabliert eine robuste Evaluierungspipeline und liefert verlässliche Unsicherheitsabschätzungen pro Vorhersage – eine wichtige Grundlage für die Anwendung auf reale Flugdaten in zukünftigen Studien.
Plewa, T., Butz, A., Frankenberg, C., Thorpe, A. K., and Marshall, J.: Improvements of AI-driven emission estimation for point sources applied to high resolution 2-D methane-plume imagery, Remote Sensing of Environment, 331, 115002, , 2025.