Objective Probability of Detection Functions for High-Resolution Detection of Point-Source Methane Emissions from Space 
Notice bibliographique
Résumé
Reliable detection and localization of methane point sources is critical to rapidly mitigating methane emissions and avoiding the worst-case projected scenarios of climate change. With increasingly widespread coverage and short revisit periods, satellite-based detection of methane point-sources is well-suited to identifying the largest emitters for mitigation. To fully understand how satellite-based detection fits within multi-scale monitoring, reporting, and verification (MRV) frameworks, however, it is crucial to robustly characterize the probability of detection (POD) of active and planned instruments. This is especially true in the upstream oil and gas sector, where measurements show highly right-skewed emissions size distributions that raise doubt on the portion of sector-wide emissions detectable from space. While there is no shortage of statements regarding vaguely defined limits of detection (LODs) or PODs within the literature and press releases, these are often opaquely derived and, crucially, are not placed in the context of false positive rates. Moreover, LODs based on single-blind controlled release testing are inherently problematic as prior knowledge of controlled releases precludes objective interpretation of detectability. With ongoing efforts to improve detection sensitivities and quantification accuracies, a standardized framework for objective and transparent PODs is needed to ensure satellite-based instruments are leveraged to their full capacity. Here, we present an innovative framework to objectively quantify detection probabilities for satellite observations of methane point sources. This generalized framework is independent of satellite resolution and precision in addition to the underlying – and potentially proprietary – method for plume segmentation. Based in frequentist hypothesis testing, the new framework provides a POD function for satellite-specific characteristics, given a permissible false positive rate. This latter point is critical when considering satellite techniques for use in MRV as well as leak detection and repair (LDAR) programs where nuisance detections (i.e., false positives) can render satellite approaches cost prohibitive. We apply this new framework to methane-detecting satellite instruments in two scenarios: 1) idealized conditions of spatially uncorrelated image noise and 2) realistic conditions with spatially correlated noise derived from publicly available image data. These analyses identify best-case PODs as a function of imagery resolution and precision and show the detrimental effect of spatially correlated noise on automated plume segmentation.
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 | 0,020 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».