Även om det inte är lika utbrett i atmosfären som koldioxid, metan är en mycket mer potent växthusgas. Förekommer naturligt och är konstgjort, metan är mycket kortare än CO2, men den är snabbverkande och 20 till 80 gånger så effektiv för att fånga värme. Lite extra metan räcker långt.

Dessutom, metan är osynligt, vilket försvårar upptäckt på konventionellt sätt. Så när UC Santa Barbara-forskaren Satish Kumar och kollegor noterade den växande användningen av infraröd avkänning som ett sätt att detektera växthusgaser, som framhölls i en ny berättelse från New York Times, de var nöjda. Den interaktiva delen använde infraröda kameror för att spåra utsläpp från olje- och gasanläggningar i Permian Basin, ett oljefält i Texas och New Mexico.

Det är ett ämne som ligger honom varmt om hjärtat — som medlem av professor i elektro- och datateknik B.S. Manjunaths Vision Research Lab, Kumar arbetar med multimediasignalbehandling och analys.

"Som dataingenjör intresserad av miljöledning, Jag är otroligt glad att metanläckor från tidigare okända källor uppdagas, " han sa.

Nu, för att hålla konversationen vid liv, Kumar och hans kollegor har föreslagit ett system som gör värmedetekteringen bättre, genom att använda hyperspektral avbildning och maskininlärning för att detektera den specifika våglängden för metanemissioner. Deras arbete presenterades vid 2020 IEEE Winter Conference on the Applications of Computer Vision.

"Infraröda kameror upptäcker bara temperatursignaturer, så om det finns en kombination av gaser med högtemperatursignaturer, en infraröd kamera kommer inte att kunna skilja mellan dem, " sa Kumar. En infraröd bild kan peka på ett förslag på metan, men dess koncentration och dess läge kunde inte fastställas enbart av värmesignaturen. Dessutom, ju längre en het gas rör sig från sin källa, ju svalare det blir, så småningom gör den osynlig för infraröd.

För att övervinna dessa brister, Kumar och teamet använde data från hyperspektrala kameror vid våglängder från 400 nanometer till 2, 510 nm - ett intervall som omfattar metans spektrala våglängder och kanske andra gaser - i områden runt Four Corners-regionen. Beläget i sydvästra USA, regionen är också platsen för vad som kan vara den största källan till metanutsläpp i USA, särskilt San Juan Basin, delas av New Mexico och Colorado.

Hyperspektral avbildning innebär insamling av en serie bilder, där varje pixel innehåller ett spektrum och varje bild representerar ett spektralband (ett intervall av våglängder). Dess höga känslighet gör att den kan fånga spektrala "fingeravtryck" som motsvarar vissa material, såsom metan's 2, 200-2, 400 nm våglängder, som gjorde det möjligt för forskarna att lokalisera metan, även i en plym av andra gaser.

Men, Metan är inte det enda materialet som finns vid den våglängden.

"Det finns många förvirrare för metan, ", sa Kumar. "Kolvätena från vägar och färger på byggnader, de har samma signatur som metan." Den stora mängden data och risken för förväxling mellan metan och andra kolväten fick forskarna att vända sig till maskininlärning.

"Vi använde en modell för djupinlärning för att träna datorn att lära sig formen som en metangasläcka tar när den släpps ut och sprider sig, " förklarade han. Detta hjälpte forskarna inte bara att fastställa platsen från vilken metan släpptes ut, vare sig från gasanläggning eller deponi, men också att automatiskt skilja på metan och andra kolväten i samma bild.

Med denna metod, forskarna rapporterar en framgångsfrekvens på 87 % när det gäller noggrann upptäckt av metanläckor, av vilka fler fortsätter att upptäckas från en mängd olika konstgjorda källor. Dessa inkluderar flyktiga utsläpp från ofullständig fackling, tidigare oupptäckta läckor från dåligt övervakade operationer, och de kumulativa metanläckage från hem, företag och urban infrastruktur.