Метан (CH₄) является вторым по величине антропогенным парниковым газом после диоксида углерода, и быстрая и точная идентификация источников выброса метана имеет важное значение для мониторинга изменения климата. По мере углубления внимания к проблемам изменения климата применение гиперспектральной дистанционной съемки для мониторинга метановых шлейфов становится исследовательским трендом. Существующие исследования в основном фокусируются на масштабных событиях выбросов метана, тогда как внимание к плотным слабым метановым шлейфам недостаточно. Слабые метановые шлейфы часто трудно полностью визуализировать на гиперспектральных изображениях, их границы размыты и они более подвержены влиянию атмосферных, наземных, инструментальных и других факторов. Для решения проблем размытости границ слабых метановых шлейфов и их подверженности фоновому шуму в данной работе предложена модель глубокого обучения LightMethaneNet (LM-Net). LM-Net улучшает существующие модели глубокого обучения для обнаружения метановых шлейфов за счет введения динамического гауссовского модуля (DGMM) для усиления пространственных характеристик шлейфа и гибридного механизма внимания для уточнения характеристик и подавления фонового шума, что решает проблему баланса точности и эффективности в современных методах сегментации на основе глубокого обучения. Предложенный метод обучен и оценен на открытом наборе данных STARCOP, при этом точность обнаружения слабых шлейфов составляет 53%, а полнота — 82,7%. По сравнению с классическими моделями сегментации LM-Net демонстрирует максимальное улучшение по mIoU, F1-мере и точности на 32,34%, 38,01% и 34,57% соответственно. Метод эффективно повышает точность обнаружения слабых метановых шлейфов, лучше идентифицируя слабые шлейфы и подозрительные зоны выбросов, предоставляя техническое решение для высокоточного дистанционного мониторинга метана на сложном фоне.

Метан;глубокое обучение;обнаружение слабых шлейфов;гибридный механизм внимания;динамический гауссовский модуль