从检测走向缓解：人工智能与机器学习用于甲烷减排的批判性综述

《Environmental Science & Technology》：From Detection toward Mitigation: A Critical Review of Artificial Intelligence and Machine Learning for Methane Emissions Reduction

　　

甲烷是一种强效温室气体，也是近中期气候变暖的主要贡献者，然而由于其排放具有空间异质性、时间间歇性，并受行业特定测量条件制约，其检测、量化与缓解仍十分困难。本综述通过综合2018至2025年间发表的63项研究（从中编码出93个模型实例，覆盖能源、农业/畜禽与废弃物管理应用），批判性评估了用于甲烷监测及将监测转化为缓解的人工智能（AI）与机器学习（ML）方法。研究人员以决策导向视角（数据可用性、验证类型、不确定性处理、可迁移性、运行相关性）比较了树集成、经典机器学习、卷积与循环神经网络、Transformer及混合/物理引导架构。树基模型在结构化预测因子与可解释驱动排序中具吸引力；深度学习主导基于图像与视频的羽流检测；混合模型在融合互补传感器或施加传输约束时最有用。既有证据表明，AI/ML在筛选与排序大型持久源方面最可信，而小型、间歇或扩散源的可泛化量化仍受风速不确定性、小规模或专有训练集、指标不一致与跨区验证有限所限。推进AI赋能甲烷缓解的优先事项包括：行业与平台特定基准、校准不确定性、物理信息学习、显式决策支持规则，以及衡量避免排放量而非仅模型精度的试点示范。

研究背景方面，甲烷（CH₄）作为短寿命强效气候强迫气体，其近中期减排可带来显著气候收益，但人为排放源于能源、填埋场、废水、农业与畜禽等多部门，具有重尾分布、间歇性强、受运行条件与气象影响大等特点。当前实践障碍并非仅在于感知本身，而在于如何将异构观测转化为可执行的源级干预。已有监测技术（卫星、机载、无人机（UAV）、光学气体成像（OGI）、固定传感器网络等）虽多样，但风速风向、大气稳定度、地表属性与不完善排放清单共同主导量化不确定性，导致在基准上表现优异的AI/ML模型若不能识别可操作源、提供不确定界定的排放估计或支持干预后核查，则缓解价值有限。因此，研究人员开展本项综述，旨在从“测量到缓解”链条出发，批判性整合2018至2025年63项研究（93个模型实例），明确各AI/ML族在什么数据模态与决策环节中最适用、证据强度如何、可迁移性瓶颈何在，以及从检测到验证减排的转化路径。

关键技术方法上，研究人员采用PRISMA式筛选流程，自Scopus与Google Scholar以标题摘要关键词组合检得约9300条记录，去重与两级筛选后保留63篇全文，按行业、平台、传感器、模型族、验证设定与缓解关联等级进行编码。模型族覆盖统计/回归、树集成（随机森林（RF）、XGBoost、CatBoost等）、经典ML（支持向量机（SVM）、K近邻（KNN）、多层感知机（MLP））、卷积神经网络（CNN）/U-Net/Transformer、循环网络（RNN/LSTM/GRU）及混合物理引导模型；数据模态涵盖卫星面积通量制图与点源成像、机载/UAV高光谱、OGI红外视频、地面腔衰荡/可调谐二极管激光吸收光谱（TDLAS）/非分散红外（NDIR）、通量箱与涡动协方差、固定阵列与移动走航。缓解关联被分为四级（仅监测、决策相关监测、缓解决策支持、验证性减排），并以决策导向框架（检测概率、召回率、定位误差、偏差、不确定传播等）替代单一准确率排序。

研究结果部分，引言指出AI/ML在检测定位、排放率量化、决策支持三阶段可衔接，但严格意义上的缓解须通过巡检、修复、运行变更、清单校正或政策执行实现避免排放。方法论章节显示，卫星与机载数据主导油气羽流检测，结构化数据库与地面测量多见于畜禽、填埋与农业预测；表1归纳八类传感技术范围与局限，表2给出六类模型族任务适配性——树基擅长结构化预测与特征重要性（SHAP），深度学习擅弱信号空间上下文，混合模型仅在融合羽流与风场或施加传输约束时增值。2.1节进一步确认树基（34/93实例）占比最高，CNN/Transformer（14）次之，混合仅9例，且93例中仅7例属缓解决策支持、0例端到端证明避免排放。

讨论部分重申，63项研究中油气检测量化证据最丰（23篇），明确缓解决策支持仅7篇7实例，验证性减排缺失，解释多数论文仅有算法增益而无派工所需精度/延迟/不确定性/源归因。模型分布上树基37%、经典非树17%、CNN/Transformer 15%、统计13%、混合10%、循环8%；同数据集真比仅少数（如CH4Net对Sentinel-2基线、ML调参对LandGEM），其余为验证或分层性能，不能跨模型排名。性能合成（表5）显示：CH4Net在Sentinel-2已知点召回0.84、精度0.30、IoU 0.57；视觉Transformer可探至~0.01 km²羽流（~200–300 kg CH₄ h^–1）、误检0.7–0.9%；PRISMA超光谱DNN结合WRF-LES合成真值F1 0.95、率误差~24%；MethaNet对>40 kg h^–1平均绝对误差~17%；VideoGasNet二分类近100%但三档严重度~78%。这些数字表明高率点源成熟，低率/间歇/扩散源遇风速与信噪比悬崖。

结论翻译：跨63项研究，AI/ML沿测量到缓解管线部署，但文献最富检测与量化（尤油气约37%），显式缓解决策支持仅7/63篇与7/93实例，端到端验证避免排放未现。树基集成最大类（34/93），因结构化输入与可解释驱动排序适配干预设计；深度学习在非结构化弱信号提取占优但受域偏移与传感器差异常约制；混合架构仅当解决多模融合、风信息归因或时空对齐真实瓶颈时增值。可泛化量化小型间歇扩散源仍受风速不确定、专有/小训练集、指标不一与跨区验证缺位限制。推进优先级为行业与平台特定基准、校准不确定性、物理信息学习、显式决策支持规则，以及衡量避免排放量而非仅模型精度的试点。地理覆盖偏北美油气盆地、欧洲城市与东亚农田，非洲拉美中东与市政污水管网代表不足，地面连续传感对归因与核查不可由遥感替代。该文发表于《Environmental Science & Technology》所属姊妹刊系，为从甲烷检测到验证减排的政策与运行闭环提供批判性地图。