基于形态学融合优化的甲烷反演方法——利用星载成像光谱仪绘制甲烷点源排放分布图

《Remote Sensing of Environment》：An optimized methane retrieval approach based on morphological fusion for mapping methane point emissions from spaceborne imaging spectrometry

　　

•Fused-MF将形态学掩膜与对数域检索相结合，以提升甲烷探测的映射精度。
•Fused-MF能够检测出传统匹配滤波器方法遗漏的弱甲烷羽流信号。
•Fused-MF的检索斜率可达0.98，相较于SAMF，排放量率均方根误差降低了36.7%。

**引言**

甲烷（CH?）是继二氧化碳之后第二大温室气体，自工业化前时代以来已导致全球气温上升约0.6°C（Montzka等，2011；Shen等，2023）。能源部门的排放量在全球甲烷清单中起着关键作用，约占所有人为甲烷排放量的40%（Kirschke等，2013）。具体而言，与能源相关的甲烷排放主要来自能源生产活动，包括石油开采、天然气提取和煤炭开采。这些排放活动在世界各地关键能源生产区域通常表现为设施规模的点源排放，且具有明显的重尾分布特征（即少数超级排放源贡献了总体甲烷排放的大部分）（Brandt等，2014；Kort等，2014；Lyon等，2015）。因此，识别并准确量化这些不同来源的排放量是构建精确的全球碳预算甲烷清单的必要措施。此外，这些工作也有助于政府制定有针对性的政策，以减轻甲烷排放的环境影响。

卫星遥感技术为在全球范围内识别和量化能源生产相关的甲烷超级排放源提供了一种高效的方法（Maasakkers等，2022；Pandey等，2019；Thompson等，2016；Varon等，2020；Varon等，2019；Li等，2024a）。排放源的存在可以通过映射列平均干空气甲烷摩尔分数相对于背景值的增强（ΔXCH?，以十亿分之一/ppb为单位）来确定。通常，从高光谱辐射观测数据中推导ΔXCH?映射图有两类主要方法：一是基于物理的光谱拟合方法（如微分光吸收光谱法/DOAS、最优估计法/OE）（H?nninger等，2004；Huang等，2020），二是数据驱动方法（如匹配滤波器/MF）（Thorpe等，2013）。DOAS类光谱拟合通过迭代求解大气辐射传输模型来获取ΔXCH?值，通常在大面积或多场景卫星观测中涉及更大的计算量和配置负担。对于MF算法，ΔXCH?值是逐像元利用观测辐射、背景平均辐射、辐射协方差和CH?吸收光谱来估计的。通常，检索过程中会选用CH?吸收特征更强的波段（约2100–2500 nm，以下简称传统单通道MF）（如Irakulis-Loitxate等，2021；Thompson等，2016；Thorpe等，2023；Li等，2026）。作为闭式算法，MF以其操作简便和相对较高精度而著称，成为从星载光谱数据中量化大范围、大量甲烷点源排放最常用的方法之一。

然而，传统单通道MF算法面临两个突出问题。首先，在通过多通道观测进行交叉验证时，它可能会遗漏确实存在的羽流信号（即漏检）。传统单通道MF对美国怀俄明州受控释放实验的空基高光谱观测数据的检索结果表明，由于排放量率降低，漏检率最高可达28%（Thorpe等，2016）。在星载观测中，传统单通道MF检索的漏检率可达约29%（Sherwin等，2023）。虽然传统单通道MF通常由于其噪声白化特性而实现优于全物理方法的检测灵敏度（Guanter等，2025），但在低信噪比（SNR）条件下，其抑制背景变异的能力有限。因此，羽流信号会与表面异质性和大气干扰产生的光谱变异相混淆，并在低排放场景下被遗漏。另一方面，MF通过场景统计量估计背景辐射，这使得在可用于背景刻画的空域范围有限时，检索精度降低，正如Ayasse等（2023）所指出的。文献中提出了针对传统单通道MF的优化方法以消除羽流分割中的背景干扰。Foote等（2020）引入了一种迭代MF方法，通过将甲烷吸收信号从观测光谱中分离出来来精化背景光谱。Roger等（2024a）提出在检索过程中纳入更宽的短波红外光谱范围（1000–2500 nm，以下简称SWIR通道）的信息（以下简称SWMF）可以显著减轻背景噪声，同时保持羽流区域内的信号强度。Li等（2025）开发了一种光谱矩阵分解和低秩重构方法来预测每个像元的背景光谱。

此外，MF中使用的一阶泰勒近似在高ΔXCH?值（强排放源周围）时有效性降低。由于指数Beer-Lambert衰减在高光学厚度时趋于饱和而线性近似则不会，因此MF倾向于在高浓度水平下低估ΔXCH?（Funk等，2001；Pei等，2023）。虽然这些高增强像元易于被检测到，但其不准确的量化会传播到排放量率估计中，增加通量清单的不确定性。Schaum（2021）和Pei等（2023）通过对辐射值进行对数变换来近似对数正态分布，以缓解高排放区域的低估问题（以下简称LMF）。

尽管这些对MF方法的修改在合成羽流上表现出令人满意的检索性能，但至少存在两个关键的知识空白。第一，虽然在中等排放量率下检索精度可接受，但在极低或极高排放量率区间并无显著提升，这可能是由于背景噪声抑制方法固有的信号损失，或MF方法线性近似引入的系统性偏差（Pei等，2023；Roger等，2024a；Li等，2025）。第二，尽管这些方法在合成数据上得到了充分验证，但由于缺乏地面真值测量，其对真实世界CH?排放事件的检索精度仍未经检验。为弥补这些知识空白，我们提出了一种名为Fused-MF的新方法，同时解决羽流遗漏和排放量率低估的问题。与包括联合光谱检索和检索结果线性组合的传统多波段融合策略不同（Roger等，2024a），Fused-MF采用了由形态学分析驱动的掩膜引导融合框架。这种形态学引导的融合策略利用SWMF在羽流检测中的结构敏感性以及LMF在浓度检索中的改进定量精度，从而在ΔXCH?估计中实现增强的鲁棒性和精确性。该方法的有效性通过全面的端到端模拟试验、2021年和2022年进行的具有已知排放量率的CH?受控释放实验观测数据（Sherwin等，2023；Sherwin等，2024），以及非排放场景测试进行了评估。结果表明，与传统单通道MF方法相比，Fused-MF在ΔXCH?检索方面实现了更优的精度和准确性。最后，我们将该方法应用于涉及美国特拉华盆地、利比亚、阿尔及利亚、阿曼和中国山西等重要排放源的各种场景，展示了其在更大规模上进行CH?点源排放量量化的潜力。

**地面受控释放实验**

斯坦福大学分别于2021年和2022年进行了两次地面受控释放实验，为验证CH?排放量检索方法提供了高精度的参考测量（Sherwin等，2023；Sherwin等，2024）。这些实验地点位于美国亚利桑那州Ehrenberg、Casa Grande以及凤凰城西部和南部的站点。实验站点经过精心选择，以其均一的干旱景观为特征。

**利用合成羽流评估Fused-MF方法**

为评估具有统计稳健性的检索性能，我们评估了四种算法在36个模拟场景下的表现，包括从WRF-LES模拟中按连续时间步长提取的12个独立羽流快照，每个快照按三个排放量率（500、1000和2000 kg/h）进行缩放。羽流掩膜内的检索ΔXCH?值在两个互补层面上与相应的参考值进行了比较。首先，将36个场景的所有羽流掩膜像元汇集在一起以进行表征。

**不同算法间甲烷检索性能的比较分析**

本研究基于36个场景（12个羽流快照 × 3个排放量率）的端到端模拟，呈现了比较敏感性分析，证明了Fused-MF方法相比传统单通道MF方法检索精度的提升。在汇集像元比较中，Fused-MF的检索值与真实ΔXCH?值之间的回归斜率为0.98，最接近理想的1:1参考线，同时具有最低RMSE（43.17 ppb）和最低MAE（34.02 ppb）。

**结论**

本研究开发了一种形态学引导的检索算法Fused-MF，以改善基于卫星的ΔXCH?检索和CH?点源排放量量化。Fused-MF并非逐像元组合不同光谱窗口的匹配滤波器输出，而是将羽流检测与浓度量化分离：低噪声的SWMF检索生成形态学羽流掩膜，在掩膜内由kSRF校准的LMF提供ΔXCH?估计值，同时保留SWMF的值。

**CRediT作者贡献声明**

Fei Li：撰写——审阅与编辑，撰写——原稿，可视化。Chenxi Feng：撰写——原稿，可视化，方法论。Javier Roger Juan：监督，研究，数据整理。Luis Guanter：监督，研究，数据整理。Huilin Chen：监督，研究，获取研究经费。Shiwei Sun：撰写——原稿，方法论。Donglai Xie：研究。Jun Lin：研究。Lanlan Fan：数据整理。Jianwei Cai：数据整理。Yongguang Zhang。

**利益冲突声明**

作者声明他们不存在任何可能影响本文所报告工作的已知的竞争性经济利益或个人关系。

**致谢**

本工作由中国国家重点研发计划（2024YFB3910201）和中国国家自然科学基金（U24A20590）资助。我们还感谢国家大型科技基础设施"地球系统数值模拟装置"（https://cstr.cn/31134.02.EL）为大涡模拟提供的技术支持。我们感谢中国资源卫星应用中心提供的GF5数据。Fei Li | Chenxi Feng | Javier Roger Juan | Luis Guanter | Huilin Chen | Shiwei Sun | Donglai Xie | Jun Lin | Lanlan Fan | Jianwei Cai | Yongguang Zhang。