Le méthane (CH₄) est le deuxième gaz à effet de serre anthropique après le dioxyde de carbone. L’identification rapide et précise des sources d’émission de méthane est d’une importance cruciale pour la surveillance du changement climatique. Avec un intérêt croissant pour les enjeux climatiques, l’application de la télédétection hyperspectrale dans la surveillance des panaches de méthane devient un sujet de recherche émergent. Les études existantes se concentrent principalement sur des événements d’émission de méthane à grande échelle, tandis que les panaches faibles et denses reçoivent moins d’attention. Les panaches faibles de méthane sont souvent difficilement visibles de manière complète dans les images hyperspectrales et présentent des frontières floues, étant également davantage affectés par divers facteurs tels que l’atmosphère, la surface terrestre et la réponse des instruments. Pour traiter les problèmes liés aux frontières floues des panaches faibles et à l’interférence du bruit de fond, cet article propose un modèle d’apprentissage profond nommé LightMethaneNet (LM-Net). LM-Net améliore les modèles d’apprentissage profond existants pour la détection des panaches de méthane en introduisant un module gaussien dynamique (DGMM) pour renforcer les caractéristiques spatiales des panaches et un mécanisme d’attention hybride pour affiner les caractéristiques tout en supprimant le bruit de fond. Cela résout le dilemme entre précision et efficacité dans les méthodes de segmentation basées sur l’apprentissage profond. La méthode a été entraînée et évaluée sur le jeu de données public STARCOP, avec une précision de détection des panaches faibles de 53 % et un rappel de 82,7 %. Par rapport aux modèles de segmentation classiques, LM-Net améliore significativement le mIoU, le score F1 et la précision de 32,34 %, 38,01 % et 34,57 % respectivement. Cette méthode améliore efficacement la précision de détection des panaches faibles de méthane, permettant une meilleure identification des panaches faibles et des zones d’émission suspectées, fournissant une solution technique viable pour la détection hyperspectrale précise des panaches de méthane dans des contextes complexes.

méthane; apprentissage profond; détection des panaches faibles; mécanisme d’attention hybride; module gaussien dynamique