メタン（CH₄）は二酸化炭素に次ぐ二番目に大きな人為的温室効果ガスであり、メタン排出源を迅速かつ正確に特定することは気候変動の監視において重要である。気候変動問題への関心が高まる中、高分光リモートセンシング技術によるメタンプルームの監視応用が研究のホットスポットとなっている。既存の研究は主に大規模なメタン排出事象に集中しており、密集した微弱なメタンプルームへの注目は不足している。微弱なメタンプルームは高分光画像ではプルームの完全な形態を示しにくく、境界特徴が不明瞭であり、大気、地表、機器応答など複数の要因の影響を受けやすい。境界が不明瞭で背景雑音の干渉を受けやすい微弱なメタンプルームの問題に着目し、本稿では深層学習モデルLightMethaneNet（LM-Net）を提案する。LM-Netは既存のメタンプルーム検出に用いられる深層学習モデルを改良し、プルーム空間特徴を強化する動的ガウスモジュール（DGMM）と、特徴を洗練して背景雑音を抑制する混合注意機構を導入し、この種のガスプルーム処理において精度と効率を両立しづらい既存の深層学習ベースのセグメンテーション手法の課題を解決する。提案手法は公開データセットSTARCOPで学習および評価され、微弱プルーム検出の精度は53％、再現率は82.7％であった。従来のクラシックなセグメンテーションモデルと比較して、LM-NetはmIoU、F1スコア、精度でそれぞれ最大32.34％、38.01％、34.57％の改善を示した。本手法は微弱なメタンプルーム検出の精度を効果的に向上させ、微弱プルームおよびその疑わしい排出領域をより良く識別可能にし、複雑な背景下における高精度なメタンプルームのリモートセンシング検出に対する実現可能な技術的解決策を提供する。

メタン; 深層学習; 微弱プルーム検出; 混合注意機構; 動的ガウスモジュール