《International Journal of Applied Earth Observation and Geoinformation》:A universal method combining spectral index and machine learning for monitoring onshore gas flaring from Sentinel-2 MSI images
编辑推荐:
气体燃烧(GF)释放大量温室气体和污染物,严重影响全球气候变化和区域环境质量。量化全球GF活动对于实施减排政策至关重要。现有方法在复杂白天背景条件下检测弱GF活动存在困难。本研究提出一种结合光谱指数与机器学习的方法,利用Sentinel-2卫星上的多光谱仪器(
气体燃烧(GF)释放大量温室气体和污染物,严重影响全球气候变化和区域环境质量。量化全球GF活动对于实施减排政策至关重要。现有方法在复杂白天背景条件下检测弱GF活动存在困难。本研究提出一种结合光谱指数与机器学习的方法,利用Sentinel-2卫星上的多光谱仪器(MSI)图像检测陆上GF站点(GFs)。首先,应用热异常指数(TAI,在近红外和短波红外波段计算)和TAI增量(ΔTAI)从MSI图像中检测热异常,其中ΔTAI增强了空间-上下文背景对比度。然后,选择九个火炬特定特征,使用随机森林模型从热异常中进一步识别GFs。最后,在全球范围内验证检测到的GFs,实现了总体用户精度为93.34%,生产者精度为95.31%。该方法增强了对弱火炬的敏感性,并有效解决了其他热源和高反射建筑物的干扰,为复杂陆上场景中的GFs检测提供了通用解决方案。
**论文解读:结合光谱指数与机器学习的陆上气体燃烧监测方法**
**研究背景与问题**
气体燃烧(Gas Flaring, GF)是石油天然气工业中因经济和技术限制而将伴生气燃烧排放的长期问题。这一过程释放大量温室气体(如二氧化碳(CO
2)、甲烷(CH
4))和污染物(如二氧化硫(SO
2)),严重影响全球气候变化和区域空气质量。2024年全球GF活动排放了约4600万吨甲烷和3.44亿吨二氧化碳,阻碍了能源安全与减排目标的实现。超过80个国家和公司已加入世界银行“零常规燃烧”倡议,因此量化全球GF活动的空间分布对评估政策效果和确定减排区域至关重要。
现有监测方法存在局限:地面监测成本高、覆盖范围有限;夜间卫星(如VIIRS)空间分辨率低(750米至1公里),易遗漏弱信号和小尺度燃烧;白天高分辨率卫星(如Landsat OLI 30米、Sentinel-2 MSI 20米)虽能捕获小尺度火焰,但短波红外(SWIR)信息对高反射地物(如裸土、屋顶、道路)敏感,导致大量虚假干扰。现有方法如多波段阈值、光谱指数(如归一化热点指数NHI、热异常指数TAI)虽能检测热异常,但固定阈值难以适应全球背景差异,辅助数据集(如全球人类住区边界、油气井位置)存在覆盖不全或偏差问题。机器学习方法(如Reed-Xiaoli算法)虽被引入,但未能完全消除虚警,且尚未在全球尺度应用。因此,研究人员旨在开发一种结合光谱指数与机器学习的方法,以克服复杂白天背景下的弱GF检测难题。
**研究方法**
研究人员提出一种结合热异常指数(TAI)和随机森林(Random Forest, RF)模型的通用框架,用于从Sentinel-2 MSI图像检测陆上GF站点(GFs)。主要关键技术方法包括:1)基于TAI和TAI增量(ΔTAI)的阈值检测,从MSI图像中提取候选热异常像素;2)构建随机森林分类模型,利用九个与燃烧相关的特征(包括光谱特征如TAI最大值、B8A/B11/B12波段反射率,强度特征如热影响面积、燃烧频率、平均辐射功率,以及地理分区特征如生物群落和生物地理区域)区分真实GFs与干扰;3)参考数据集通过整合VIIRS Nightfire产品、DAFI产品以及Google Earth高分辨率图像人工筛选生成,在全球39个Sentinel-2瓦片(26个训练,13个验证)上训练和验证,样本覆盖全球代表性油气生产区域。
**研究结果**
**3.1 基于TAI和ΔTAI阈值的候选气体燃烧活动检测**
通过比较训练样本中GFs与干扰的TAI分布,研究人员确定TAI阈值≥0.30,并引入ΔTAI≥0.30作为补充标准,以捕捉低TAI值(0.1–0.3)的弱火焰。结合两者后,检测遗漏误差从7.57%降至1.93%,但干扰比例仍较高(>80%)。在训练区域共检测到2437个GFs和13098个干扰,其中城市区域干扰占比高(98.6%),通过城市边界和VIIRS数据剔除后留下7106个干扰用于后续分类。
**3.2 基于随机森林模型的气体燃烧与干扰区分**
随机森林模型在训练集上总体准确率达95.33%,召回率91.76%,精确率90.52%,F1分数91.13%。特征重要性分析显示,光谱特征(TAI_max、B12_TM)、燃烧频率和地理区域特征(REALM)贡献最大。加入地理分区特征后,模型精确率从88.48%提升至94.61%,表明空间异质性对分类至关重要。
**3.3 精度评估**
在13个全球验证区域,该方法成功检测到631个GFs,经视觉检验确认42个为干扰(包括垃圾燃烧、秸秆燃烧和高反射建筑),遗漏29个GFs(其中19个因观测间隔或云覆盖而遗漏,10个被误判为干扰)。总体用户精度为93.34%,生产者精度为95.31%,在密集燃烧区域(如北美近北极区)精度超过95%。
**讨论与结论**
讨论部分指出,光谱指数与机器学习的协同优化将像素级异常检测转化为对象级分类,有效减少了数据处理量并简化了分类问题。空间异质性对检测性能影响显著:训练与验证区域距离较远时,模型泛化性下降,因此未来需增加地理多样性的训练数据。与现有产品(DAFI和VGF)的比较表明,该方法检测到的GFs数量是VGF的2.4倍、DAFI的33倍,且对弱强度、低频率的火炬更敏感,填补了现有产品在弱火焰记录上的空白。
**研究结论**:本研究提出了一种通用框架,结合光谱指数与机器学习模型,从白天卫星图像中检测陆上气体燃烧活动。通过将热异常检测与基于对象的分类耦合,该框架有效缓解了白天大量干扰的长期挑战,实现了可扩展、可迁移的GF识别。在全球不同地理区域进行训练和验证后,该方法表现出高精度,用户精度为93.34%,生产者精度为95.31%。与以往依赖固定经验阈值或局部特征设置的白天研究相比,该方法为全球GF清单提供了更灵活、数据驱动的解决方案,对小而弱的火焰探测灵敏度更高,检测到的GFs数量是VGF和DAFI产品的2.4倍和33倍。尽管该方法在陆上GF场景中表现稳健,但对训练与验证区域之间的空间差异仍较敏感,可能遗漏局部或非典型燃烧模式。未来工作可聚焦于丰富训练数据集、优化弱火焰检测阈值,并整合多传感器和时间序列信息,以提供更全面的全球气体燃烧活动表征,支持相关气候影响评估。