人工智能如何帮助科学家从太空更快地发现“超排放”甲烷羽流

减少破坏性的“超排放”甲烷泄漏很快就会变得更加容易——这要归功于一种新的开源工具，它结合了机器学习和来自多颗卫星（包括一颗连接到国际空间站的卫星）的轨道数据。

甲烷排放源自食物和植物在没有氧气的情况下分解的任何地方，例如沼泽、垃圾填埋场、化石燃料工厂——当然还有奶牛养殖场。它们还因其对空气质量的巨大影响而臭名昭著。尽管与二氧化碳长达数个世纪的寿命相比，甲烷只能在大气中停留 7 到 12 年，但据估计，这种气体的保温效果仍是二氧化碳的 80 倍。立即减少其产量对于避免气候崩溃最可怕的短期后果至关重要——例如，到 2030 年将排放量减少 45%，可以在未来二十年内将地球平均气温上升幅度降低约 0.3 摄氏度。

[相关：土库曼斯坦的天然气田排放大量甲烷。]

不幸的是，航空成像通常很难精确绘制甲烷排放的实时浓度。首先，所谓的“超排放”事件（如石油钻井平台和天然气管道故障，见土库曼斯坦）产生的羽流是人眼看不见的，大多数卫星的多光谱近红外波长传感器也无法看到。而且，收集到的航空数据通常会受到光谱噪声的影响，需要手动解析才能准确定位甲烷泄漏。

牛津大学的一个团队与 Trillium Technologies 的 NIO.space 合作开发了一种新的开源工具，该工具由机器学习驱动，可以使用更窄的卫星图像数据高光谱波段来识别甲烷云。这些波段虽然更具体，但会产生更大量的数据——这正是人工智能训练派上用场的地方。

该项目在牛津大学团队发表于《自然科学报告》的新研究中进行了详细介绍，同时还介绍了牛津大学最近的一份简介。为了训练他们的模型，工程师们向其输入了总共 167,825 个高光谱图像块，每个图像块大约 0.66 平方英里，这些图像块由 NASA 的机载可见光/红外成像光谱仪 (AVIRIS) 卫星在美国四角地区轨道运行时生成。随后，该模型使用其他轨道监测器进行了训练，包括目前在国际空间站上的 NASA 高光谱 EMIT 传感器。

该团队的当前模型在识别甲烷羽流方面的准确率比现有的顶级工具高出约 21.5%，同时与同一行业标准相比，误检错误率降低了近 42%。研究人员表示，没有理由相信这些数字不会随着时间的推移而改善。

[相关：新型卫星可以精确定位甲烷泄漏，帮助我们应对气候变化。]

“这项研究之所以特别令人兴奋和有意义，是因为未来几年将部署更多的高光谱卫星，包括来自欧空局、美国国家航空航天局和私营部门的卫星，”首席研究员、牛津大学计算机科学系博士生维特·鲁日奇卡 (Vít Růžička) 在最近的一次大学简介中说道。随着这个卫星网络的扩大，鲁日奇卡相信研究人员和环境监督机构很快就能自动、准确地检测世界各地的甲烷羽流事件。

这些新技术很快就能实现独立的、全球合作的温室气体生产和泄漏问题识别——不仅仅是甲烷，还有许多其他主要污染物。该工具目前利用已经收集的地理空间数据，目前无法使用轨道卫星传感器提供实时分析。然而，在牛津大学最近的声明中，研究项目主管安德鲁·马卡姆补充说，该团队的长期目标是通过卫星的机载计算机运行他们的程序，从而“使即时检测成为现实”。