Resumen:La mitigación de las fuentes antropogénicas de metano es una de las palancas más rentables para frenar el calentamiento global. Si bien los espectrómetros de imágenes satelitales, como EMIT, PRISMA y EnMAP, pueden detectar estas fuentes puntuales, los métodos actuales de recuperación de metano basados en filtros compatibles aún producen una gran cantidad de detecciones falsas que requieren una laboriosa verificación manual. Este artículo describe el despliegue operativo de un sistema de aprendizaje automático para detectar emisiones de metano dentro del Sistema de Alerta y Respuesta de Metano (MARS) del Observatorio Internacional de Emisiones de Metano del Programa de las Naciones Unidas para el Medio Ambiente. Creamos el conjunto de datos global más grande y diverso de columnas de metano anotadas a partir de tres misiones de espectrómetros de imágenes y comparamos cuantitativamente diferentes configuraciones de modelos de aprendizaje profundo. Centrándonos en los requisitos para la implementación operativa, ampliamos las metodologías de evaluación anteriores desde pequeños conjuntos de datos en mosaico hasta una evaluación granular completa. Esto reveló que los modelos de aprendizaje profundo todavía producen una gran cantidad de detecciones falsas, un problema que abordamos con el ensamblaje de modelos, que redujo las detecciones falsas en más del 74 %. Implementado en el oleoducto MARS, nuestro sistema procesa escenas y propone columnas a los analistas, acelerando el proceso de detección y análisis. Durante siete meses de despliegue operativo, facilitó la verificación de 1.351 fugas de metano distintas, lo que dio lugar a 479 notificaciones a las partes interesadas. Además, demostramos la utilidad del modelo para verificar el éxito de la mitigación a través de estudios de caso en Libia, Argentina, Omán y Azerbaiyán. Nuestro trabajo representa un paso crítico hacia un sistema global de detección de fugas de metano asistido por IA, que se requiere para procesar los volúmenes de datos dramáticamente mayores que se esperan de los espectrómetros de imágenes nuevos y actuales.
Publicado originalmente en export.arxiv.org el 11 de noviembre de 2025.
Ver fuente original
