Methan (CH₄) ist nach Kohlendioxid das zweitwichtigste vom Menschen verursachte Treibhausgas. Die schnelle und präzise Identifizierung von Methanemissionsquellen ist von großer Bedeutung für die Überwachung des Klimawandels. Mit dem zunehmenden Interesse an Klimafragen wird der Einsatz spektraler Fernerkundungstechnologien zur Überwachung von Methanschleiern allmählich zu einem Forschungsschwerpunkt. Die vorhandenen Studien konzentrieren sich größtenteils auf großflächige Methanemissionsereignisse, während dichte schwache Methanschleier wenig Beachtung finden. Schwache Methanschleier sind in hyperspektralen Bildern oft schwer vollständig darstellbar und weisen unscharfe Randmerkmale auf, die zudem durch Atmosphären-, Oberflächen- und Instrumentenreaktionen beeinflusst werden. Um Problemen wie unscharfen Grenzen schwacher Methanschleier und Störungen durch Hintergrundrauschen entgegenzuwirken, schlägt dieser Artikel ein Deep-Learning-Modell namens LightMethaneNet (LM-Net) vor. LM-Net verbessert bestehende Deep-Learning-Modelle zur Methanschleier-Erkennung, indem es ein dynamisches Gauß-Modul (DGMM) zur Verstärkung räumlicher Schleiermerkmale und einen hybriden Aufmerksamkeitsmechanismus zur Verfeinerung von Merkmalen und Unterdrückung von Hintergrundrauschen einführt. Dadurch wird das Dilemma zwischen Genauigkeit und Effizienz bei bestehenden tiefen Lerngeräte-basierten Segmentierungsmethoden für solche Gasstrahlen gelöst. Die Methode wurde auf dem öffentlichen Datensatz STARCOP trainiert und bewertet, wobei die Genauigkeit der Erkennung schwacher Schleier 53 % und die Trefferquote 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 %. Der Ansatz verbessert effektiv die Erkennungsgenauigkeit schwacher Methanschleier, wodurch schwache Schleier und potenzielle Emissionsbereiche besser identifiziert werden können und eine praktikable technische Lösung für die hyperspektrale Fernerkundung hochpräziser Methanschleier in komplexen Umgebungen bietet.

Methan; Deep Learning; schwache Schleiererkennung; hybrider Aufmerksamkeitsmechanismus; dynamisches Gauß-Modul