Automated detection and monitoring of methane super-emitters using satellite data
Notice bibliographique
Résumé
Abstract. A reduction in anthropogenic methane emissions is vital to limit near-term global warming. A small number of so-called super-emitters is responsible for a disproportionally large fraction of total methane emissions. Since late 2017, the TROPOspheric Monitoring Instrument (TROPOMI) has been in orbit, providing daily global coverage of methane mixing ratios at a resolution of up to 7×5.5 km2, enabling the detection of these super-emitters. However, TROPOMI produces millions of observations each day, which together with the complexity of the methane data, makes manual inspection infeasible. We have therefore designed a two-step machine learning approach using a convolutional neural network to detect plume-like structures in the methane data and subsequently apply a support vector classifier to distinguish the emission plumes from retrieval artifacts. The models are trained on pre-2021 data and subsequently applied to all 2021 observations. We detect 2974 plumes in 2021, with a mean estimated source rate of 44 t h−1 and 5–95th percentile range of 8–122 t h−1. These emissions originate from 94 persistent emission clusters and hundreds of transient sources. Based on bottom-up emission inventories, we find that most detected plumes are related to urban areas and/or landfills (35 %), followed by plumes from gas infrastructure (24 %), oil infrastructure (21 %), and coal mines (20 %). For 12 (clusters of) TROPOMI detections, we tip and cue the targeted observations and analysis of high-resolution satellite instruments to identify the exact sources responsible for these plumes. Using high-resolution observations from GHGSat, PRISMA, and Sentinel-2, we detect and analyze both persistent and transient facility-level emissions underlying the TROPOMI detections. We find emissions from landfills and fossil fuel exploitation facilities, and for the latter, we find up to 10 facilities contributing to one TROPOMI detection. Our automated TROPOMI-based monitoring system in combination with high-resolution satellite data allows for the detection, precise identification, and monitoring of these methane super-emitters, which is essential for mitigating their emissions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».