Le méthane (CH₄) est le deuxième plus important gaz à effet de serre d'origine humaine après le dioxyde de carbone. L'identification rapide et précise des sources d'émission de méthane est cruciale pour la surveillance du changement climatique. Avec l'intérêt croissant pour les enjeux climatiques, l'application des technologies de télédétection hyperspectrale pour la surveillance des panaches de méthane devient un sujet de recherche majeur. Les études existantes se concentrent principalement sur les événements d'émission de méthane à grande échelle, tandis que les panaches faibles et denses sont peu étudiés. Les panaches faibles de méthane sont souvent difficiles à représenter intégralement dans les images hyperspectrales, leurs contours sont flous et ils sont plus sensibles aux interférences atmosphériques, de surface et instrumentales. Pour résoudre les problèmes de flou des contours et de sensibilité au bruit de fond des panaches faibles, cet article propose un modèle d'apprentissage profond nommé LightMethaneNet (LM-Net). LM-Net améliore les modèles existants pour la détection des panaches de méthane en intégrant un module gaussien dynamique (DGMM) pour renforcer les caractéristiques spatiales du panache, ainsi qu'un mécanisme d'attention hybride pour affiner les caractéristiques et supprimer le bruit de fond, répondant ainsi au compromis entre précision et efficacité des méthodes de segmentation basées sur l'apprentissage profond. La méthode proposée a été entraînée et évaluée sur le jeu de données public STARCOP, avec une précision de détection des faibles panaches de 53 % et un rappel de 82,7 %. Par rapport aux modèles classiques de segmentation, LM-Net améliore respectivement de 32,34 %, 38,01 % et 34,57 % le mIoU, le score F1 et la précision. Cette méthode améliore efficacement la précision de détection des faibles panaches de méthane, permet une meilleure identification des panaches faibles et des zones d'émission suspectes, offrant une solution technique viable pour la détection hyperspectrale précise des panaches de méthane dans des environnements complexes.

Méthane;apprentissage profond;détection des faibles panaches;mécanisme d'attention hybride;module gaussien dynamique