Deployment-invariant probability of detection characterization for aerial LiDAR methane detection
Notice bibliographique
Résumé
Accurate detection sensitivity characterization of remote methane monitoring technologies is critical for designing, implementing, and auditing effective emissions monitoring and mitigation programs. Several research groups have developed test methods based on single/double-blind controlled release protocols and regression-based data analysis techniques to create probability of detection (PoD) models for characterizing remote sensor detection sensitivities. The previously created methods and models account for some of the important factors that affect detection sensitivity, such as wind speed, and in the case of Conrad et al. flight altitude. However, these models do not account for other important factors, such as terrain albedo, variation in individual sensor performance, or spatial density of the remote sensing measurements. In this paper, we build on the work of Conrad et al. by introducing a gas concentration noise (GCN) model for Gas Mapping LiDAR aerial methane detection technology that, when combined with wind speed at the emission location, accounts for all significant sensor and environmental parameters that affect detection sensitivity for scenarios involving an isolated emission source resulting in a single methane plume. We incorporate the GCN model into Conrad et al.’s PoD model and apply it to several sets of controlled release data acquired across widely varying deployment and environmental conditions to develop PoD models for Bridger Photonics Inc.’s first- and second-generation (GML 2.0) Gas Mapping LiDAR sensors. Finally, we compare controlled release data acquired by GML 2.0 in different geographic regions and terrain cover types, in different wind conditions, deployed on different aircraft types, and with different flight parameters. Results show that the GML 2.0 PoD model remains valid regardless of the location or conditions under which the sensors are deployed, and the aircraft and flight parameters used for deployment. Based on PoD measurements in 12 production basins across North America, the average 90% PoD emission rate for sites measured by GML 2.0 in 2023 was 1.27 kg/h.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».