El metano (CH₄) es el segundo gas de efecto invernadero antropogénico más importante después del dióxido de carbono. La identificación rápida y precisa de las fuentes de emisión de metano es de gran importancia para el monitoreo del cambio climático. Con un interés creciente en los problemas del cambio climático, la aplicación de la teledetección hiperespectral en el monitoreo de plumas de metano se ha convertido en un foco de investigación creciente. La mayoría de los estudios existentes se centran en eventos de emisiones de metano a gran escala, mientras que las plumas pequeñas e intensas reciben menos atención. Las plumas débiles de metano suelen ser difíciles de mostrar completamente en imágenes hiperespectrales y presentan bordes difusos, además de ser más susceptibles a interferencias de múltiples factores como la atmósfera, la superficie terrestre y la respuesta del instrumento. Para abordar problemas de bordes difusos y la interferencia de ruido de fondo en las plumas débiles, este artículo propone un modelo de aprendizaje profundo llamado LightMethaneNet (LM-Net). LM-Net mejora los modelos existentes de aprendizaje profundo para la detección de plumas de metano mediante la introducción de un módulo gaussiano dinámico (DGMM) para mejorar las características espaciales de la pluma y un mecanismo de atención híbrida para refinar las características y suprimir el ruido de fondo, resolviendo el dilema actual entre precisión y eficiencia en métodos de segmentación basados en aprendizaje profundo. El método fue entrenado y evaluado en el conjunto de datos público STARCOP, logrando una precisión de detección de plumas débiles del 53% y una tasa de recuperación del 82.7%. En comparación con modelos clásicos de segmentación, LM-Net mejoró en mIoU, puntuación F1 y precisión en un máximo del 32.34%, 38.01% y 34.57% respectivamente. Este método mejora eficazmente la precisión en la detección de plumas débiles de metano, permitiendo una mejor identificación de plumas débiles y áreas de emisiones sospechosas, ofreciendo una solución técnica viable para la detección hiperespectral de plumas de metano de alta precisión en entornos complejos.

metano; aprendizaje profundo; detección de plumas débiles; mecanismo de atención híbrida; módulo gaussiano dinámico