Метан (CH₄) является вторым по величине антропогенным парниковым газом после диоксида углерода. Быстрая и точная идентификация источников выбросов метана имеет важное значение для мониторинга изменения климата. С ростом внимания к проблемам изменения климата применение гиперспектральной дистанционной съемки для мониторинга метановых шлейфов постепенно становится актуальной темой исследований. Существующие исследования в основном сосредоточены на масштабных событиях выбросов метана, при этом мало внимания уделяется плотным слабым шлейфам. Слабые метановые шлейфы часто сложно полностью отобразить на гиперспектральных изображениях, границы шлейфов размыты и они подвержены воздействиям множества факторов, таких как атмосфера, поверхность земли и отклик приборов. Для решения проблем с размытыми границами слабых шлейфов и помехами от фонового шума в данной работе предложена глубокая модель LightMethaneNet (LM-Net). LM-Net улучшает существующие модели глубокого обучения для обнаружения метановых шлейфов, вводя динамический гауссовый модуль (DGMM) для усиления пространственных признаков шлейфа и смешанный механизм внимания для подавления фонового шума, что решает проблему баланса между точностью и эффективностью существующих методов сегментации для подобных газовых шлейфов. Метод был обучен и оценен на открытом наборе данных STARCOP, где точность обнаружения слабых шлейфов составила 53%, а полнота — 82,7%. По сравнению с классическими моделями сегментации LM-Net показал максимальное улучшение mIoU, F1-меры и точности на 32,34%, 38,01% и 34,57% соответственно. Предложенный метод эффективно повышает точность обнаружения слабых метановых шлейфов, лучше идентифицирует слабые шлейфы и предполагаемые районы выбросов, предоставляя практическое техническое решение для высокоточного дистанционного мониторинга метановых шлейфов в сложных условиях.

метан; глубокое обучение; обнаружение слабых шлейфов; смешанный механизм внимания; динамический гауссовый модуль