الميثان (CH₄) هو ثاني أكبر غاز دفيئة من صنع الإنسان بعد ثاني أكسيد الكربون، ويُعد التعرف السريع والدقيق على مصادر انبعاث الميثان أمرًا ذا أهمية كبيرة لمراقبة تغير المناخ. مع تزايد الاهتمام بقضايا تغير المناخ، أصبحت تقنية الاستشعار عن بُعد الطيفي العالي تطبيقها في رصد انبعاثات الميثان موضوع بحثي ساخن، وتركز الأبحاث الحالية بشكل رئيسي على أحداث انبعاث الميثان واسعة النطاق، بينما لم تولِ الانبعاثات الدقيقة والكثيفة الاهتمام الكافي. غالبًا ما يصعب عرض شكل الطائرة الكامل للانبعاثات الدقيقة للميثان في الصور الطيفية عالية الدقة ويكون الحد الفاصل غير واضح، كما تتأثر بسهولة بعدة عوامل مثل الغلاف الجوي وسطح الأرض واستجابة الأجهزة. في مواجهة مشكلة غموض حدود الانبعاثات الدقيقة وتأثرها بضوضاء الخلفية، قدم هذا البحث نموذجًا للتعلم العميق يُدعى LightMethaneNet (LM-Net). يُحسّن LM-Net النماذج العميقة الحالية للكشف عن انبعاثات الميثان من خلال إدخال وحدة Gaussian الديناميكية (DGMM) لتعزيز الخصائص المكانية للطائرة، وآلية الانتباه المختلطة لتصفية ميزات خاصة وتقليل الضوضاء الخلفية، مما يعالج صعوبة تحقيق الدقة والكفاءة في طرق الفصل المبنية على التعلم العميق. تم تدريب وتقييم الطريقة المقترحة على مجموعة البيانات العامة STARCOP، حيث وصلت دقة كشف الانبعاثات الدقيقة إلى 53% ومعدل الاستدعاء إلى 82.7%. مقارنة بالنماذج الكلاسيكية، حقق LM-Net تحسنًا أقصى في mIoU، ونقاط F1، والدقة بنسبة 32.34%، 38.01%، و34.57% على التوالي. حسّنت الطريقة بفاعلية دقة اكتشاف الانبعاثات الدقيقة للميثان، وتمكنت من تحديد الانبعاثات المشكوك فيها ومناطق الانبعاث بشكل أفضل، مما يوفر حلاً تقنيًا عمليًا لرصد انبعاثات الميثان بدقة عالية في بيئات خلفية معقدة.

الميثان;التعلم العميق;كشف الانبعاثات الدقيقة;آلية الانتباه المختلطة;وحدة Gaussian الديناميكية