基于视觉Transformer与SAM模型的TROPOMI数据甲烷超级排放源自动检测方法研究

《Journal of Environmental Management》：The integration of vision transformers and SAM for automated methane super-emitter detection using TROPOMI data

为解决全球甲烷(CH4)超级排放源监测难题，研究人员整合Vision Transformer(ViT)与Segment Anything Model(SAM)，开发了基于Sentinel-5P TROPOMI数据的自动化检测框架。该研究通过ViT实现92%准确率的CH4羽流分类，结合SAM无监督边界提取与集成质量增强(IME)量化方法，在9个国家检测到最高92 t/h的排放源，与SRON报告值高度吻合。这项突破为全球甲烷减排提供了高效AI解决方案。

　　

甲烷(CH₄)作为温室效应的主要推手，其20年内的增温潜势是二氧化碳(CO₂)的84倍，而全球约25%的甲烷排放来自"超级排放源"——少数高强度点源。传统监测手段受限于卫星数据分辨率低、人工标注效率低下等问题，难以实现大规模精准监测。荷兰空间研究所(SRON)虽建立了TROPOMI甲烷数据库，但现有方法依赖人工阈值分割和卷积神经网络(CNN)，存在泛化性差、边界提取不准等缺陷。这项发表在《Journal of Environmental Management》的研究，开创性地将视觉Transformer(ViT)与元学习模型SAM结合，为全球甲烷监测提供了自动化解决方案。

研究团队采用三大关键技术：1)基于SRON报告的2019-2024年甲烷羽流坐标，构建32×32像元(160×160 km²)的TROPOMI L3数据训练集；2)设计8层Transformer架构的ViT模型，输入9通道(含XCH₄干空气柱体积混合比等)的标准化数据；3)采用SAM模型通过最大浓度像素(P_max)提示自动生成羽流边界，结合IME方法计算排放速率(Q)。

研究结果显示：ViT模型在验证集上达到0.92的整体准确率(OA)，特征重要性分析表明XCH₄通道对分类贡献最大(F1下降0.15)。SAM生成的羽流边界成功量化了 Turkmenistan地区92±42.18 t/h的超大排放源，与SRON数据误差<15%。通过Sentinel-2 MBMP算法的交叉验证，证实了检测结果的可靠性。值得注意的是，在排放量>50 t/h的强源区存在系统性低估，主要源于L3数据平滑效应和风速计算误差。

讨论部分指出，该研究的创新性体现在：首次将ViT的全局注意力机制应用于甲烷检测，相比传统CNN提升分类精度7%；利用SAM的零样本学习能力，省去了耗时的羽流标注工作。尽管存在L3数据分辨率限制(5×5 km²)，但该方法在 Algeria油气田等热点区域的重复检测，证明了其工程实用价值。未来通过融合VIIRS等高分辨率数据，有望将检测阈值降至5 t/h以下，为《全球甲烷承诺》实施提供关键技术支撑。