Hyperspektral billeddannelse og kunstig intelligens kombinerer øget påvisning af metanlækager

Selvom det ikke er så udbredt i atmosfæren som kuldioxid, metan er en langt mere potent drivhusgas. Forekommer naturligt såvel som at være menneskeskabt, metan er meget kortere end CO2, men det er hurtigtvirkende og 20 til 80 gange så effektivt til at fange varme. Lidt ekstra metan rækker langt.

Ud over, metan er usynlig, hvilket gør detektering med konventionelle midler vanskelig. Så da UC Santa Barbara -forskeren Satish Kumar og kolleger bemærkede den stigende brug af infrarød sansning som et middel til påvisning af drivhusgasser, som blev fremhævet i en nylig historie i New York Times, de var tilfredse. Det interaktive stykke brugte infrarøde kameraer til at spore emissioner fra olie- og gasanlæg i Permian Basin, et oliefelt i Texas og New Mexico.

Det er et emne, der ligger ham varmt om hjertet - som medlem af professor i elektroteknik og computerteknik B.S. Manjunath's Vision Research Lab, Kumar arbejder med multimediesignalbehandling og analyse.

"Som computeringeniør interesseret i miljøledelse, Jeg er utrolig glad for, at metanlækager fra tidligere ukendte kilder bliver bragt frem i lyset, " han sagde.

Nu, for at holde samtalen i live, Kumar og hans kolleger har foreslået et system, der gør varmedetekteringen bedre, ved at bruge hyperspektral billeddannelse og maskinlæring til at detektere den specifikke bølgelængde af metanemissioner. Deres arbejde blev præsenteret ved IEEE -vinterkonferencen 2020 om applikationer af computervision.

"Infrarøde kameraer registrerer kun temperatursignaturer, så hvis der er en kombination af gasser med signaturer ved høj temperatur, et infrarødt kamera vil ikke være i stand til at skelne mellem dem, "Sagde Kumar. Et infrarødt billede kan pege på et forslag om metan, men dens koncentration og dens placering kunne ikke præciseres ved varmesignatur alene. Ud over, jo længere en varm gas bevæger sig fra dens kilde, jo køligere det bliver, til sidst gør det usynligt for infrarød.

For at overvinde disse mangler, Kumar og team brugte data fra hyperspektrale kameraer ved bølgelængder fra 400 nanometer til 2, 510 nm - et område, der omfatter metans spektrale bølgelængder og måske andre gassers - i områder omkring Four Corners -regionen. Beliggende i det amerikanske sydvest, regionen er også stedet for, hvad der kunne være den største kilde til metanfrigivelse i USA, især San Juan -bassinet, deles af New Mexico og Colorado.

Hyperspektral billeddannelse involverer indsamling af en række billeder, hvor hver pixel indeholder et spektrum, og hvert billede repræsenterer et spektralbånd (et område af bølgelængder). Dens høje følsomhed gør det muligt at fange spektrale "fingeraftryk", der svarer til visse materialer, såsom metans 2, 200-2, 400 nm bølgelængder, som gjorde det muligt for forskerne at lokalisere metan, selv i en plum af andre gasser.

Men, metan er ikke det eneste materiale, der findes ved den bølgelængde.

"Der er mange forvekslere med metan, "Kumar sagde." Kulbrinter fra veje og maling på bygninger, de har samme signatur som metan. "Den enorme mængde data og potentialet for forvirring mellem metan og andre kulbrinter fik forskerne til at vende sig til maskinlæring.

"Vi brugte en deep learning -model til at træne computeren til at lære den form, som en metangaslækage tager, når den frigives og spredes, "forklarede han. Dette hjalp forskerne ikke kun med at lokalisere det sted, hvorfra metan blev udsendt, enten fra gasanlæg eller losseplads, men også for automatisk at skelne mellem metan og andre kulbrinter i det samme billede.

Ved hjælp af denne metode, forskerne rapporterer en succesrate på 87% i den nøjagtige påvisning af metanlækager, hvoraf flere fortsat opdages fra en række menneskeskabte kilder. Disse omfatter flygtige emissioner fra ufuldstændig flaring, tidligere uopdagede lækager fra dårligt overvågede operationer, og den kumulative metanlækager fra hjem, virksomheder og byinfrastruktur.