메탄(CH₄)은 이산화탄소에 이어 두 번째로 큰 인위적 온실가스이며, 메탄 배출원을 빠르고 정확하게 식별하는 것은 기후 변화 모니터링에 중요한 의미를 가진다. 기후 변화 문제에 대한 관심이 점점 증가함에 따라, 고분광 원격 탐사 기술의 메탄 플룸 모니터링 적용이 점차 연구의 중심이 되고 있다. 기존 연구는 주로 대규모 메탄 배출 사건에 집중되어 있으며, 밀집하고 미약한 메탄 플룸에 대한 관심은 부족한 편이다. 미약한 메탄 플룸은 고분광 영상에서 보통 플룸의 완전한 형태를 나타내기 어렵고 경계 특징이 흐릿하며, 대기, 지표, 기기 반응 등 여러 요인의 영향을 받기 쉽다. 흐릿한 미약 메탄 플룸 경계와 배경 잡음 간섭 문제를 해결하기 위해 본 논문에서는 딥러닝 모델인 LightMethaneNet(LM-Net)을 제안한다. LM-Net은 기존 메탄 플룸 검출 딥러닝 모델을 개선하여 플룸 공간 특징을 강화하는 동적 가우스 모듈(DGMM)과 배경 잡음 억제를 위한 혼합 어텐션 메커니즘을 도입하여, 기존 딥러닝 분할 방법이 해당 가스 플룸 처리 시 정밀도와 효율성을 모두 갖추기 어려운 문제를 해결한다. 제안 방법은 공개 데이터셋 STARCOP에서 학습 및 평가되었으며, 미약 플룸 검출 정확도는 53%, 재현율은 82.7%를 달성하였다. 기존 분할 모델과 비교할 때 LM-Net은 mIoU, F1 점수, 정밀도에서 각각 최대 32.34%, 38.01%, 34.57% 향상되었다. 이 방법은 미약한 메탄 플룸 검출 정확도를 효과적으로 향상시켜 미약 플룸 및 의심 배출 구역을 더 잘 식별할 수 있게 하며, 복잡한 배경에서 고정밀 메탄 플룸 원격 탐사를 위한 실용적인 기술적 해결책을 제공한다.

메탄; 딥러닝; 미약 플룸 검출; 혼합 어텐션 메커니즘; 동적 가우스 모듈