Methan (CH₄) ist nach Kohlendioxid das zweitgrößte menschengemachte Treibhausgas, und die schnelle sowie präzise Identifizierung von Methanemissionsquellen ist für die Klimawandelüberwachung von großer Bedeutung. Mit wachsendem Interesse an Klimawandelproblemen wird die Anwendung der hyperspektralen Fernerkundungstechnologie zur Überwachung von Methanfahnen zunehmend zu einem Forschungsschwerpunkt. Bestehende Studien konzentrieren sich hauptsächlich auf großskalige Methanemissionen, während dichten und schwachen Methanfahnen wenig Beachtung geschenkt wird. Schwache Methanfahnen sind in hyperspektralen Bildern oft schwer vollständig darstellbar, ihre Grenzmerkmale sind unscharf und sie sind anfälliger für Störungen durch Atmosphäre, Boden und Geräteantworten. Um die Probleme unscharfer Grenzen und Störanfälligkeit durch Hintergrundrauschen bei schwachen Methanfahnen zu lösen, wird in dieser Arbeit ein Deep-Learning-Modell namens LightMethaneNet (LM-Net) vorgeschlagen. LM-Net verbessert bestehende Deep-Learning-Modelle zur Erkennung von Methanfahnen durch Einführung eines dynamischen Gauß-Moduls (DGMM) zur Verstärkung der räumlichen Fahnenmerkmale sowie eines hybriden Aufmerksamkeitsmechanismus zur Verfeinerung der Merkmale und Unterdrückung von Hintergrundrauschen. Dies löst das Problem der Balance zwischen Genauigkeit und Effizienz bei tiefen Lernmethoden zur Segmentierung solcher Gasfahnen. Die vorgeschlagene Methode wurde auf dem öffentlichen Datensatz STARCOP trainiert und bewertet, wobei die Genauigkeit der Erkennung schwacher Fahnen 53 % und die Rückrufrate 82,7 % betrug. Im Vergleich zu klassischen Segmentierungsmodellen erzielte LM-Net maximale Verbesserungen bei mIoU, F1-Score und Genauigkeit von 32,34 %, 38,01 % bzw. 34,57 %. Die Methode verbessert effektiv die Erkennungsgenauigkeit schwacher Methanfahnen, ermöglicht eine bessere Identifikation schwacher Fahnen und möglicher Emissionsbereiche und bietet eine praktikable technische Lösung für die hochpräzise hyperspektrale Fernerkundung von Methanfahnen in komplexen Umgebungen.

Methan;Deep Learning;Erkennung schwacher Fahnen;hybrider Aufmerksamkeitsmechanismus;dynamisches Gauß-Modul