基于高分辨率二维甲烷羽流影像的AI驱动点源排放估算改进研究及其在温室气体监测中的应用

《Remote Sensing of Environment》：Improvements of AI-driven emission estimation for point sources applied to high resolution 2-D methane-plume imagery

本刊推荐：针对传统甲烷点源排放估算方法依赖风速辅助数据导致系统偏差的问题，研究人员开展了基于卷积神经网络（CNN）的高分辨率二维甲烷羽流影像排放估算研究。通过优化训练流程（扩展训练通量范围、采用高斯负对数似然损失函数）和引入ResNet-50架构，实现了在通量＞40 kg h?1时平均绝对百分比误差（MAPE）降至10%、皮尔逊相关系数达98%的精准预测，并提供有意义的误差估计。该技术为卫星和机载遥感提供了一种高效、无风速依赖的排放量化方案，对全球甲烷减排行动具有重要实践意义。

　　

随着工业化进程加速，人为源甲烷（CH₄）排放对全球辐射预算的贡献日益凸显，其温室效应强度在百年尺度上是二氧化碳（CO₂）的28-36倍。尤其值得关注的是，化石燃料开采、废弃物处理等点源排放占全球甲烷排放总量的显著比例，但这些排放源往往因设备故障或监管疏漏而未被准确量化。现有全球测绘卫星（如TROPOMI）虽能识别高排放区域，但空间分辨率不足（约7×7 km）难以解析小型点源；而高分辨率卫星（如PRISMA、EnMAP）和机载传感器（如AVIRIS-NG）虽能探测羽流，但传统量化方法（如高斯羽流反演、积分质量增强法IME）严重依赖风速数据，导致误差传递和系统偏差。

为突破这一瓶颈，Heidelberg大学团队在《Remote Sensing of Environment》发表研究，提出了一种基于深度学习的高分辨率二维甲烷羽流影像排放估算改进方法。该研究直接延续了Jongaramrungruang等2019年提出的CNN架构（MethaNet）思想，但通过三项核心改进显著提升了性能：一是采用ResNet-50替代简易网络结构以增强特征提取能力；二是扩展训练通量范围至3500 kg h^?1（远超测试范围2000 kg h^?1），避免边界效应引起的系统偏差；三是引入高斯负对数似然损失函数（GNLL）替代均方误差（MSE），使模型能同步输出通量预测值及其不确定性估计。

关键技术方法包括：

1. 1.

   数据生成：基于大涡模拟（LES）生成7000组三维甲烷羽流场，覆盖1-10 m s^?1风速条件，通过垂直积分和AVIRIS-NG柱平均核函数加权转化为二维柱浓度影像；

2. 2.

   背景融合：将增强后的羽流与3000组实测无羽流背景场景（沙漠/城市/农田）随机叠加，添加旋转、平移和500 ppm m阈值掩模；

3. 3.

   模型训练：使用80% LES数据生成动态增强训练集（每epoch 28,000样本），ResNet-50末端改造为双输出层（通量+方差），采用Adam优化器分两阶段训练（学习率10^?4→10^?8）；

4. 4.

   性能验证：基于5%独立测试集（17,500样本）计算平均绝对百分比误差（MAPE）、平均百分比误差（MPE）和皮尔逊相关系数。

4.1 真实噪声场景应用

测试集结果显示预测通量与真实值呈高度线性相关（r=98%）。分组分析（100 kg h^?1间隔）表明均值偏差小于1.8%，仅在低通量段（＜40 kg h^?1）因噪声主导出现显著偏差。模型输出的方差估计具有实际意义：约85%预测值落在自身标准差范围内，且误差分布接近正态（图6），证明GNLL损失函数有效量化了不确定性。

4.2 模型分析

在通量＞40 kg h^?1时模型趋于稳定（MAPE=10.29%，MPE=-0.47%）。风速分群揭示系统性偏差：9-10 m s^?1高风速场景下通量持续低估，而低通量（＜100 kg h^?1）时高低风速分别出现高/低估现象（图8）。作者指出该偏差源于羽流形态与风速的耦合关系——高风速下羽流快速扩散导致柱浓度低于掩模阈值（500 ppm m），使风速信息提取失效，模型退化为“猜测平均风速”模式。极端偏差样本（＞4σ）多集中于高风速湍流不稳定或羽流视觉不可辨场景（图10），表明当前模型对复杂地形或罕见湍流模式的泛化能力仍受限。

研究结论强调，改进后的模型在40-2000 kg h^?1通量范围内实现近乎无偏估计（MPE＜1%），较MethaNet的MAPE（17%）显著提升。其核心优势在于：①无需风速辅助数据即可同步输出通量和不确定性；②通过扩展训练域有效抑制了既往研究中的边界偏差现象；③误差估计符合统计学分布，为实际应用提供可靠性指标。讨论部分指出，该技术可直接应用于AVIRIS-NG历史及未来航测数据，但针对极高风速（＞8 m s^?1）或复杂地形场景需开发专用训练集。本研究提出的训练策略和分析框架具有普适性，可为GHGSat、Sentinel-2等其他遥感平台的甲烷及CO₂排放量化研究提供技术范式，最终为《全球甲烷承诺》下的减排行动提供高精度数据支撑。