减少破坏性的“超排放”甲烷泄漏，可能很快就会变得容易得多——这要归功于一款新的开源工具，该工具结合了机器学习和来自包括国际空间站上的一颗卫星在内的多颗卫星的轨道数据。
甲烷排放源于食物和植物物质在缺氧环境下分解的任何地方，例如沼泽、垃圾填埋场、化石燃料工厂——当然，还有奶牛场。它们还因对空气质量的剧烈影响而臭名昭著。尽管与二氧化碳的数百年寿命相比，它们在大气中仅能停留 7 到 12 年，但据估计，该气体在保留热量方面的效率仍是二氧化碳的 80 倍。立即减少其产量对于避免气候崩溃最严峻的短期后果至关重要——例如，到 2030 年将排放量减少 45%，可以使地球的平均升温幅度在未来二十年内减少约 0.3 摄氏度。
[相关：土库曼斯坦的天然气田排放大量甲烷。]
不幸的是，航空影像通常很难精确绘制甲烷排放的实时浓度。一方面，来自石油钻机和天然气管道故障等“超排放”事件（参见：土库曼斯坦）的羽流对人眼以及大多数卫星的多光谱近红外波长传感器来说是不可见的。而且，收集到的航空数据经常受到光谱噪声的干扰，需要手动解析才能准确地定位甲烷泄漏。
牛津大学的一个团队与 Trillium Technologies 的 NIO.space 合作，开发了一个由机器学习驱动的新的、开源工具，该工具可以使用更窄的卫星成像数据高光谱带识别甲烷云。这些带虽然更具体，但会产生大量数据——这正是人工智能训练派上用场的地方。
该项目在新近发表于 Nature Scientific Reports 的研究中得到了详细介绍，由牛津大学的团队与一份最近的大学资料共同完成。为了训练他们的模型，工程师们输入了由美国国家航空航天局（NASA）的机载可见/红外成像光谱仪（AVIRIS）卫星在飞越美国四角地区时生成的总共 167,825 个高光谱图像块——每个大约 0.66 平方英里。随后，该模型使用额外的轨道监测器进行了训练，包括目前搭载在国际空间站上的 NASA 高光谱 EMIT 传感器。
该团队目前的模型在识别甲烷羽流方面的准确性比现有的顶级工具高约 21.5%，同时与同一行业标准相比，误报错误减少了近 42%。据研究人员称，没有理由相信这些数字不会随着时间的推移而提高。
[相关：新型卫星可以精确定位甲烷泄漏，帮助我们战胜气候变化。]
“这项研究之所以特别令人兴奋和相关，是因为未来几年将部署更多的高光谱卫星，包括来自欧空局（ESA）、NASA 和私营部门的卫星，”主要研究者、牛津大学计算机科学系的博士生 Vít Růžička 在一份最近的大学资料中表示。随着卫星网络的扩展，Růžička 认为研究人员和环保监督者将很快获得在全球范围内自动、准确地检测甲烷羽流事件的能力。
这些新技术很快就能实现对温室气体生产和泄漏问题的独立、全球协作识别——不仅限于甲烷，还可以识别许多其他主要污染物。该工具目前利用已收集的地理空间数据，并且目前无法使用轨道卫星传感器提供实时分析。然而，在牛津大学最近的公告中，研究项目主管 Andrew Markham 补充说，团队的长期目标是将他们的程序运行在卫星的机载计算机上，从而“使即时检测成为现实”。
