基于物理信息的回归-残差重建与群体融合双注意力变换器用于甲烷羽流检测

《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》：Physics-informed regression-residual reconstruction and group fusion dual-attention transformer for methane plume detection

　　摘要
大气中的甲烷（CH4）排放来源于多种自然和人为来源，其中垃圾填埋场、煤矿和湿地是主要贡献者。卫星遥感技术，尤其是具有十米级短波红外观测能力的Sentinel-2卫星，提供了一种可扩展的方法来检测局部的甲烷羽流。然而，现有的羽流提取方法通常依赖于无甲烷的参考区域。这些区域对土地覆盖和地表反射率的异质性非常敏感。一些方法还需要长期的时间序列数据，但由于云层覆盖和数据缺失，这些数据往往难以获得。此外，许多模拟的CH4数据集使用手动分配的风向，这降低了模拟的真实性，限制了它们在模型训练和验证中的实用性。为了解决这些问题，我们提出了一种基于Sentinel-2的甲烷羽流检测框架，该框架通过三个组件解决了这些限制。首先，我们提出了一种基于物理信息的回归和残差重构框架（PIR2-Methane）用于单幅图像的甲烷羽流检测。PIR2-Methane首先通过对整个场景进行初步拟合来建模波段间关系，然后通过中位数绝对偏差（MAD）进行筛选来识别背景像素，最后使用估计的背景进行第二次回归，以产生更可靠的背景预测。然后使用标准化的对数残差异常图突出显示甲烷增强区域。其次，我们估计特定来源的风反向轨迹，以推断物理上一致的传输方向，并生成更真实的模拟羽流掩膜，从而在真实的扩散模式下改善学习效果。第三，我们提出了一种群组融合双重注意力变换器网络（GFDAFormer）。该网络使用基于物理信息的模拟数据和真实数据集进行训练。我们在人为活动区域和自然排放区域的长期影像上评估了其性能。此外，我们还进行了三区域比较分析，以评估模型的稳健性和泛化能力。实验表明，所提出的方法提高了羽流区域的稳定性，为大规模甲烷监测提供了一种实用且可转移的方法。

引言
甲烷（CH4）是一种强大的温室气体，自工业革命以来其大气浓度显著增加（Brandt等人，2014年；Duren等人，2019年）。按单位质量计算，甲烷吸收红外辐射的效率大约是二氧化碳的30倍，因此具有更高的全球变暖潜力（Jacob等人，2022年；Saunois等人，2020年）。此外，人为产生的甲烷排放物在大气中会发生化学转化，生成臭氧和水蒸气，这两种物质也是强效的温室气体。然而，与二氧化碳不同，甲烷的大气寿命相对较短——通常不到10年（Chai等人，2016年）。因此，有效减少甲烷排放提供了一个短期机会，可以更快地减少温室气体强迫并减缓全球变暖（Irakulis-Loitxate等人，2021年；Li等人，2024年）。

甲烷来自多个行业的人为来源，包括煤炭开采、农业和废物管理（Jacob等人，2022年）。全球范围内，估计有50%至66%的甲烷排放来自废物、能源和农业活动（Saunois等人，2016年）。其中，垃圾填埋场是一个主要来源，因为厌氧条件促进了甲烷的产生（Cusworth等人，2020年）。根据美国环境保护署的数据，2017年垃圾填埋场占人为甲烷排放量的18%。随着全球人口预计将使产生的废物量翻倍，预计未来几十年垃圾填埋场的甲烷排放量将显著增加（Kaza等人，2018年）。如果没有加强缓解和验证措施，这些排放量可能会大幅增加。在这种情况下，可扩展和独立的监测对于定位排放源和评估控制策略的有效性至关重要（Li等人，2026年；Chen等人，2025年）。

目前，越来越多的卫星支持CH4监测，包括区域映射仪和高空间分辨率成像仪，如GHGSat（Jervis等人，2021年）、温室气体观测卫星（GOSAT）（Yoshida等人，2011年；Parker等人，2020年）、Sentinel-5P（Pandey等人，2023年；Kozicka等人，2023年）、PRISMA（Guanter等人，2021年；Karacan等人，2025年）和Gaofen-5（Su等人，2022年）。在这些平台中，Sentinel-2已成为检测羽流候选者的实用工具（Zambrano-Luna等人，2025年；Radman等人，2023年），它结合了开放获取、全球覆盖、频繁获取以及10-20米的多光谱观测，其中甲烷敏感的SWIR波段具有20米的空间分辨率。其空间细节允许解析羽流的形态和扩散，从而实现更可靠的源归属，并支持针对点源的针对性缓解措施。基于Sentinel-2的观测数据，已经提出了几种背景重构策略来提取羽流。例如，一种多时相回归方法用于重建背景，然后通过残差分析提取羽流信号（Ehret等人，2022a）。Gorro?o等人（2023年）通过羽流和参考过境之间的时间标准化来重建甲烷背景。Ehret等人（2022b）使用Sentinel-2的时间序列进行时间回归来估计无甲烷背景，并通过结合大气吸收模型的短波红外（SWIR）波段比率进行残差分析来提取羽流区域。Radman等人（2023年）叠加了大涡模拟生成的羽流增强信息，并使用多波段多遍方法从SWIR波段比率中提取羽流区域。Vaughan等人（2024年）使用多波段多遍增强图像来划定羽流区域，然后用于训练自动羽流分割的网络。Wang等人（2024年）使用匹配滤波器和全场景统计建模以及自适应聚类来估计甲烷背景，之后通过残差增强分析提取和量化羽流区域。尽管这些方法在检测和量化甲烷羽流方面表现良好，但它们面临几个实际限制。一些方法需要无甲烷的参考区域来构建背景场，并将这些场应用于羽流场景（Wang等人，2024年；Li等人，2025年）。然而，地表异质性和光谱反射率的时间变化可能会影响这一假设并引入系统误差。其他方法依赖于长期时间序列来模拟无甲烷背景（Ehret等人，2022a）。但实际上，在同一区域获得密集、无云且时间一致的观测数据仍然具有挑战性，因为云层覆盖和场景质量限制会大大减少可用的Sentinel-2观测次数。这些挑战降低了当前背景重构方法的稳健性和可扩展性，特别是在快速或大面积甲烷监测方面。

近年来，深度学习迅速发展，变换器架构成为最具影响力的模型之一（Liu等人，2025b）。通过捕捉长距离依赖性和全局上下文，基于变换器的方法非常适合从复杂的遥感影像中提取甲烷羽流特征（Rouet-Leduc和Hulbert，2024年）。然而，目前关于甲烷羽流检测的先进深度学习研究还非常有限，基于卫星的甲烷监测还有很大的改进空间（Bruno等人，2024年；Wu等人，2026年；Marjani等人，2024年；Liu等人，2025a）。现有工作涵盖了合成数据训练和对模拟羽流的评估。例如，Rouet-Leduc和Hulbert（2024）使用真实的Sentinel-2观测数据作为无甲烷背景，并根据比尔-朗伯定律嵌入合成高斯羽流，然后在得到的增强数据集上训练基于视觉变换器的模型。Joyce等人（2023）使用卷积架构进行甲烷羽流检测，并报告了性能的提升，而Radman等人（2023）使用模拟的甲烷羽流评估了传统的深度学习方法。

尽管在从Sentinel影像检测甲烷方面取得了最近进展，现有方法仍面临实际挑战。一些方法通过转移参考区域来构建无甲烷背景；然而，这种策略对场景异质性（如土地覆盖和光谱差异）敏感，可能会引入偏差。其他方法依赖于长时间序列建模，但由于云层覆盖、数据缺失和有限的观测次数，很难在同一地点获得密集、一致的观测数据。此外，大多数模拟数据集预先规定了风向，并缺乏真实的羽流轨迹，限制了它们捕捉真实羽流动态的能力。基于这些观测数据，本文做出了三个关键贡献：（1）我们提出了一种基于物理信息的回归和残差重构框架（PIR2-Methane），用于从单幅Sentinel-2图像中提取甲烷羽流。首先，我们在SWIR波段B11和B12之间拟合一个全局线性模型，并使用中位数绝对偏差进行残差筛选来识别背景像素。使用这些像素，我们细化背景估计并通过标准化对数残差异常图检测甲烷羽流。（2）我们将特定来源的风反向轨迹信息纳入羽流模拟过程。与其使用纯几何掩膜生成训练羽流，所提出的模拟策略使用物理上一致的传输方向来生成更真实的类似羽流的区域，用于模型训练和增强。（3）我们开发了一种群组融合双重注意力变换器网络（GFDAFormer），该网络结合了多尺度特征融合和通道-空间注意力，以改进自动化的甲烷羽流分割。然后使用来自代表性人为和自然排放区域的长期Sentinel-2观测数据来评估该框架的稳健性和泛化能力。

方法论
所提出的框架包括四个主要组成部分，用于甲烷羽流的提取和分析。在本研究中，我们重点关注三个代表性区域：广州、内蒙古和山西。首先，我们获取Sentinel-2影像，并将所有波段共配准并重采样为20米的空间分辨率。其次，我们使用B8和B9波段构建云掩膜，通过推导近红外反射率和水蒸气波段比率来帮助识别可能干扰的云层覆盖区域。

实验与分析
本节对提出的PIR2-Methane框架和深度学习模型GFDAFormer进行了全面评估。在介绍了实验设置、预处理程序和评估指标之后，我们将所提出的方法与代表性的甲烷羽流提取算法和深度学习分割模型进行了比较。进一步通过土地覆盖分层的残差诊断和基于HYSPLIT的羽流模拟进行了评估。

甲烷羽流检测的定性分析
图11展示了三个代表性Sentinel-2场景的甲烷羽流检测结果。从左到右分别显示了原始RGB图像、背景抑制后的残差甲烷增强图以及所提出方法生成的最终羽流检测结果。如中间列所示，残差图有效地突出了类似羽流的结构，同时抑制了大规模的背景变化和表面纹理。

结论
本研究提出了一种可扩展的框架，用于从Sentinel-2影像中检测甲烷羽流，解决了现有基于卫星方法的根本限制。通过引入PIR2-Methane方法，我们展示了在有利观测条件下，Sentinel-2影像可以直接从单次获取中识别羽流候选者，同时减少了对无甲烷参考区域和长期时间序列数据的依赖。所提出的背景建模抑制了表面引起的干扰。

作者贡献声明
Lanxin Wu：撰写——原始草案、验证、方法论、数据管理。
Jiangtao Peng：撰写——审稿与编辑、验证、调查、资金获取、形式分析。
Bing Yang：撰写——审稿与编辑、验证、监督、调查、资金获取。
Weiwei Sun：撰写——审稿与编辑、资金获取、数据管理、概念化。

代码可用性
所提出的GFDAFormer的实现将在GitHub上发布：https://github.com/creativeXin/GFDAFormer。该仓库将在本文被接受后投入使用。

资助
本研究得到了中国国家自然科学基金的支持，项目编号为42471417、42471404和62501557。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

Lanxin Wu | Jiangtao Peng | Bing Yang | Weiwei Sun
湖北应用数学重点实验室，湖北大学数学与统计学院，武汉，430062，湖北，中国