O metano (CH₄) é o segundo maior gás de efeito estufa antropogênico, atrás apenas do dióxido de carbono. A identificação rápida e precisa das fontes de emissão de metano é de grande importância para o monitoramento das mudanças climáticas. Com o aumento do interesse nas questões climáticas, a aplicação da tecnologia de sensoriamento remoto hiperespectral na monitoração de plumas de metano tem se tornado um foco crescente de pesquisa. Pesquisas existentes concentram-se principalmente em eventos de emissão de metano em larga escala, enquanto as plumas fracas e densas recebem pouca atenção. Plumas fracas de metano geralmente são difíceis de apresentar uma forma completa nas imagens hiperespectrais e apresentam bordas difusas, sendo também suscetíveis a interferências de múltiplos fatores, como atmosfera, superfície terrestre e resposta do instrumento. Para abordar problemas como bordas difusas e interferência de ruído de fundo nas plumas fracas de metano, este artigo propõe um modelo de aprendizado profundo chamado LightMethaneNet (LM-Net). O LM-Net melhora os modelos de aprendizado profundo existentes para detecção de plumas de metano, introduzindo um módulo gaussiano dinâmico (DGMM) para reforçar as características espaciais das plumas e um mecanismo de atenção híbrido para refinar características e suprimir ruído de fundo, resolvendo o dilema atual entre precisão e eficiência nos métodos de segmentação baseados em aprendizado profundo. O método foi treinado e avaliado no conjunto de dados público STARCOP, com precisão de detecção de plumas fracas de 53% e taxa de recall de 82,7%. Em comparação com modelos clássicos de segmentação, o LM-Net melhorou o mIoU, a pontuação F1 e a precisão em até 32,34%, 38,01% e 34,57%, respectivamente. Este método melhora efetivamente a precisão da detecção de plumas fracas de metano, permitindo melhor identificação das plumas fracas e das áreas suspeitas de emissão, oferecendo uma solução técnica viável para a detecção hiperespectral de plumas de metano de alta precisão em ambientes complexos.

metano; aprendizado profundo; detecção de plumas fracas; mecanismo de atenção híbrido; módulo gaussiano dinâmico