La integración de transformadores de visión y SAM para la detección automatizada de superemisores de metano...

Área de la Ciencia:

• Ciencias del medio ambiente
• Detección remota
• Inteligencia artificial

Sus antecedentes:

• El metano (CH4) es un potente gas de efecto invernadero, con un potencial de calentamiento global 84 veces mayor que el dióxido de carbono en 20 años.
• Una pequeña fracción de las fuentes antropogénicas de metano, denominadas superemisoras, contribuyen desproporcionadamente a las emisiones totales.
• Las tecnologías de teledetección son cada vez más vitales para el seguimiento de las emisiones de metano procedentes de diversas fuentes.

Objetivo del estudio:

• Desarrollar una solución automatizada para la identificación de superemisores de metano utilizando datos satelitales Sentinel-5P.
• Aprovechar un marco de aprendizaje profundo que integre Vision Transformer (ViT) y Segment Anything Model (SAM) para la detección y cuantificación de la columna de metano.
• Evaluar la eficacia del enfoque propuesto basado en la IA en diversas regiones de emisión globales.

Principales métodos:

• Se desarrolló un marco de aprendizaje profundo que combina Vision Transformer (ViT) para la clasificación de plumas y Segment Anything Model (SAM) para la segmentación de plumas.
• El modelo ViT fue entrenado con datos de pluma de metano del Instituto Holandés de Investigación Espacial (SRON), logrando una precisión general de 0,92.
• Se utilizó la mejora integrada de la masa (IME) para cuantificar las tasas de emisión de las máscaras de pluma generadas por SAM.

Principales resultados:

• El sistema de IA identificó con éxito importantes columnas de metano en varias regiones, incluidas Turkmenistán, España, Argelia y los Estados Unidos, con tasas de emisión de hasta 92 t/h.
• Las tasas de emisión cuantificadas coincidían estrechamente con los valores SRON para las mismas fechas y lugares.
• El componente SAM demostró la extracción automatizada y generalizable de la máscara sin requerir datos de entrenamiento específicos de la máscara.

Conclusiones:

• La integración de modelos avanzados de IA (ViT, SAM) con los datos satelitales Sentinel-5P ofrece una solución potente y automatizada para la detección de superemisores de metano.
• Este enfoque mejora significativamente las capacidades para el monitoreo del metano y la evaluación ambiental, que son cruciales para la mitigación del cambio climático.
• El estudio pone de relieve el potencial para la identificación escalable y eficiente de fuentes de emisión de metano de alto impacto a nivel mundial.