El metano es un gas de efecto invernadero 30 veces más potente para atrapar calor que el dióxido de carbono durante 100 años. Es responsable de alrededor del 30% del aumento global de las temperaturas hasta la fecha. Más de la mitad de las emisiones mundiales de metano provienen de actividades humanas en tres sectores: combustibles fósiles (principalmente petróleo y gas), residuos y agricultura.
Detener las fugas de metano sería una gran ayuda para nuestra lucha contra el cambio climático. Afortunadamente, recientemente se han puesto en órbita satélites que pueden detectar metano. Pero examinar los datos y encontrar a los culpables sigue siendo bastante difícil.
Investigadores de la Universidad de Oxford han desarrollado una solución. Han creado una nueva herramienta que detecta automáticamente columnas de metano en la Tierra desde la órbita mediante el uso de aprendizaje automático con datos hiperespectrales. Esto podría ayudar a identificar las principales fuentes de metano en todo el mundo y también permitir acciones más efectivas para reducir las emisiones de gases de efecto invernadero.
Actuar rápidamente para reducir las emisiones de metano puede tener un impacto inmediato en la desaceleración del calentamiento global. Sin embargo, hasta ahora, sólo ha habido unos pocos métodos para mapear fácilmente columnas de metano a partir de imágenes aéreas y el paso de procesamiento requiere mucho tiempo. Esto se debe a que el metano es transparente para el ojo humano y para la mayoría de los sensores satelitales.
La nueva herramienta de investigadores de Oxford, junto con NIO.space de Trillium Technologies, una empresa de inteligencia artificial, supera estos problemas al detectar columnas de metano en datos de satélites hiperespectrales. Estos detectan bandas más estrechas que los satélites multiespectrales más comunes, lo que facilita la detección de la firma específica del metano.
Sin embargo, el gran volumen de datos generados planteó un desafío importante para el procesamiento sin la ayuda de la IA. Los investigadores entrenaron el modelo utilizando 167.825 mosaicos hiperespectrales (cada uno de los cuales representa un área de 1,64 km2) capturados por el sensor aéreo AVIRIS de la NASA sobre el área de Cuatro Esquinas en los Estados Unidos.
Posteriormente, el algoritmo se utilizó con datos obtenidos de sensores hiperespectrales adicionales en órbita, incluida la información recopilada por el último sensor hiperespectral de la NASA, EMIT (misión de investigación de la fuente de polvo mineral de la superficie terrestre). EMIT está instalado en la Estación Espacial Internacional y ofrece una cobertura completa de la superficie de la Tierra.
A principios de este año, utilizando datos recopilados por EMIT, los investigadores de la NASA identificaron más de 50 “superemisores” de metano en Asia Central, Medio Oriente y el suroeste de Estados Unidos. Los superemisores son instalaciones, equipos y otras infraestructuras, normalmente en los sectores de combustibles fósiles, residuos o agricultura, que emiten una gran cantidad de metano.
“Lo que hace que esta investigación sea particularmente interesante y relevante es el hecho de que en los próximos años se desplegarán muchos más satélites hiperespectrales, incluidos los de la ESA, la NASA y el sector privado”, dijo Vít Růžička, investigador principal, en un comunicado de prensa. “En combinación, estos nuevos sensores proporcionarán una cobertura hiperespectral global”.
Mayor precisión
En general, el modelo tuvo una precisión de más del 81% en la identificación de grandes columnas de metano, superando el enfoque más preciso anterior en un 21,5%. Además, el método tuvo una tasa de detección de falsos positivos sustancialmente mejorada para la clasificación de baldosas, reduciéndola en aproximadamente un 41,83 % en comparación con el enfoque anterior más preciso.
Para fomentar la exploración continua en la detección de metano, los investigadores han puesto a disposición abiertamente tanto el conjunto de datos como el código del modelo en GitHub. Actualmente están investigando la viabilidad de implementar el modelo directamente a bordo del satélite, permitiendo a otros satélites realizar observaciones posteriores.
El procesamiento a bordo podría significar que sólo sería necesario enviar a la Tierra alertas prioritarias, por ejemplo, una señal de alerta de texto con las coordenadas de una fuente de metano identificada, dijo Vít Růžička. Esto también permitiría que los satélites colaboraran de forma autónoma, y una detección débil de un satélite serviría como aviso para los demás.
Sus hallazgos fueron publicados en un estudio en la revista Nature Scientific Reports.
Fuente: ZME Science.
