MétaCan
Menu
Retour à la cohorte
Enregistrement W3082794649 · doi:10.5194/amt-14-1267-2021

Detection and quantification of CH <sub>4</sub> plumes using the WFM-DOAS retrieval on AVIRIS-NG hyperspectral data

2021· article· en· W3082794649 sur OpenAlexfundaboutno aff
Jakob Borchardt, Konstantin Gerilowski, Sven Krautwurst, H. Bovensmann, Andrew K. Thorpe, David R. Thompson, Christian Frankenberg, Charles E. Miller, Riley Duren

Notice bibliographique

RevueAtmospheric measurement techniques · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric and Environmental Gas Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesJet Propulsion LaboratoryBundesministerium für Bildung und ForschungUniversität BremenAlberta Agriculture and ForestryCalifornia Institute of TechnologyNational Aeronautics and Space Administration
Mots-clésDifferential optical absorption spectroscopyRemote sensingEnvironmental scienceImaging spectrometerHyperspectral imagingPlumeAtmospheric radiative transfer codesRadiative transferSpectrometerMeteorologyAbsorption (acoustics)GeologyPhysicsOptics

Résumé

récupéré en direct d'OpenAlex

Abstract. Methane is the second most important anthropogenic greenhouse gas in the Earth's atmosphere. To effectively reduce these emissions, a good knowledge of source locations and strengths is required. Airborne remote sensing instruments such as the Airborne Visible InfraRed Imaging Spectrometer – Next Generation (AVIRIS-NG) with meter-scale imaging capabilities are able to yield information about the locations and magnitudes of methane sources. In this study, we successfully applied the weighting function modified differential optical absorption spectroscopy (WFM-DOAS) algorithm to AVIRIS-NG data measured in Canada and the Four Corners region. The WFM-DOAS retrieval is conceptually located between the statistical matched filter (MF) and the optimal-estimation-based iterative maximum a posteriori DOAS (IMAP-DOAS) retrieval algorithm, both of which were already applied successfully to AVIRIS-NG data. The WFM-DOAS algorithm is based on a first order Taylor series approximation of the Lambert–Beer law using only one precalculated radiative transfer calculation per scene. This yields the fast quantitative processing of large data sets. We detected several methane plumes in the AVIRIS-NG images recorded during the Arctic-Boreal Vulnerability Experiment (ABoVE) Airborne Campaign and successfully retrieved a coal mine ventilation shaft plume observed during the Four Corners measurement campaign. The comparison between IMAP-DOAS, MF, and WFM-DOAS showed good agreement for the coal mine ventilation shaft plume. An additional comparison between MF and WFM-DOAS for a subset of plumes showed good agreement for one plume and some differences for the others. For five plumes, the emissions were estimated using a simple cross-sectional flux method. The retrieved fluxes originated from well pads, cold vents, and a coal mine ventilation shaft and ranged between (155 ± 71) kg (CH4) h−1 and (1220 ± 450) kg (CH4) h−1. The wind velocity was a significant source of uncertainty in all plumes, followed by the single pixel retrieval noise and the uncertainty due to atmospheric variability. The noise of the retrieved CH4 imagery over bright surfaces (>1 µW cm−2 nm−1 sr−1 at 2140 nm) was typically ±2.3 % of the background total column of CH4 when fitting strong absorption lines around 2300 nm but could reach over ±5 % for darker surfaces (< 0.3 µW cm−2 nm−1 sr−1 at 2140 nm). Additionally, a worst case large-scale bias due to the assumptions made in the WFM-DOAS retrieval was estimated to be ±5.4 %. Radiance and fit quality filters were implemented to exclude the most uncertain results from further analysis mostly due to either dark surfaces or surfaces where the surface spectral reflection structures are similar to CH4 absorption features at the spectral resolution of the AVIRIS-NG instrument.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,054
Score d'incertitude au seuil0,108

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,045
Tête enseignante GPT0,249
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations50
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAtmospheric measurement techniquesMême sujetAtmospheric and Environmental Gas DynamicsTravaux en français237 207