“温室效应强84倍”的甲烷，将用AI实时监测…UNIST开发新型探测技术[读懂科学]

by Kim Jonghwa

Published 25 May.2026 09:00(KST)

利用NASA超光谱卫星数据训练自动识别甲烷泄漏
“学习的不是颜色而是物理特性”……有望成为下一代温室气体监测技术

一项能够在卫星影像中自动找出甲烷泄漏位置的人工智能技术已在韩国本土开发完成。由于无需人工逐一核查卫星影像，人工智能即可快速判断是否存在甲烷泄漏，有望被用于构建国际社会的温室气体减排监测体系。

蔚山科学技术院（UNIST）25日表示，地球环境城市建设工学系 Im Jeongho 教授研究团队开发出一项利用超光谱卫星数据自动探测甲烷泄漏羽流（Plume）的人工智能技术。

利用超光谱卫星数据的甲烷羽流探测方法比较。直接利用卫星观测信号的辐射亮度法有利于快速探测，而基于甲烷浓度增强的方法则能更精细地区分泄漏区域。研究团队确认，两种方法在不同的卫星数据上都能稳定适用。研究团队供图

甲烷在大气中的停留时间相对较短，但据悉以排放后20年为基准，其温室效应约为二氧化碳的84倍。尤其是在石油、天然气设施以及废弃物处理场、煤炭开采区等地，可能发生大规模泄漏，因此国际社会正在加强对其减排的监测。

本次研究的核心在于，即便无人直接分析卫星影像，人工智能也能自动区分出甲烷泄漏的痕迹。

研究团队利用美国国家航空航天局（NASA）国际空间站（ISS）搭载的超光谱成像仪“EMIT”数据，对深度学习图像分割模型进行训练。超光谱卫星会将地表反射的光划分为数十到数百个窄波段进行观测，而甲烷具有吸收特定红外波段光线的特性，利用这一点即可识别大气中的甲烷泄漏痕迹。

人工智能在卫星影像中自动分离出了甲烷扩散形成的“羽流”形态。研究团队利用土库曼斯坦、阿尔及利亚、美国等地石油、天然气设施以及废弃物处理场、煤炭开采区发生的真实甲烷泄漏案例，对模型性能进行了验证。

利用EMIT和Tanager-1卫星资料探测到的全球甲烷羽流分布及主要排放源分析结果。甲烷排放主要集中在亚洲和北美地区，在油气设施、垃圾处理场和煤炭开采区发现了大量泄漏。美国和中国的探测频率尤为突出，基于人工智能的探测模型在多种排放环境下均表现出稳定性能。研究团队供图

研究团队特别通过可解释人工智能（XAI）分析确认，人工智能并非仅学习了影像的颜色或背景模式，而是基于甲烷对光的吸收波段、泄漏羽流形态等真实物理特性作出判断。

Im Jeongho UNIST 教授表示：“甲烷是一种只要快速掌握‘从哪里、泄漏多少’就能显著提升减排效果的温室气体，但以往在数据处理和专家审查上耗时较长，存在局限”，“本研究利用超光谱卫星数据和人工智能，提出了既能快速筛选疑似泄漏区域，又能在必要时进行精细核查的分析标准，具有重要意义。”

研究团队在本次研究中，还比较分析了两类卫星数据与三种深度学习图像分割模型的组合，提出了具体的应用基准。

研究团队合影。（自左起）Lim Jungho 教授、Yang Seyeong 研究员（第一作者）、Kim Yejin 研究员（第一作者）、Chu Minki 研究员、Choi Hyunyoung 研究员。UNIST 供图

对强调甲烷浓度增加区域的数据进行训练的模型，整体探测精度更高。相反，直接学习卫星观测到的辐射亮度的数据模型，虽然精度相对较低，但无需额外预处理即可快速搜索疑似泄漏区域，具有速度优势。

此外，在NASA EMIT数据上验证的方法，在民用超光谱卫星“Tanager-1”数据上也表现出类似性能，表明即便卫星类型不同，该方法仍具有扩展适用的可能性。

研究团队预计，今后该技术有望成为及早探测并应对大规模甲烷泄漏的下一代温室气体监测体系。

本研究由 Yang Seyoung 与 Kim Yejin 研究员共同担任第一作者，研究成果已发表在国际学术期刊《npj 气候与大气科学（npj Climate and Atmospheric Science）》上。

本报道由人工智能(AI)翻译技术生成。