Detecção e segmentação de plumas de metano em imagens hiperespectrais do sensor EMIT pelo método Hyperspectral Mask R-CNN

O presente estudo investigou a detecção de plumas de metano, um gás de efeito estufa de grande impacto para as mudanças climáticas na atmosfera antropogênica, cujas emissões estão intimamente relacionadas as atividades do setor de óleo e gás. Utilizando o algoritmo de Deep Learning HMRCNN (Hyperspectral Mask R-CNN), uma Rede Neural Convolucional (CNN) avançada para classificação semântica e segmentação de imagens, este trabalho propõe um método automatizado para identificar e segmentar exsudações de metano a partir de imagens hiperespectrais capturadas pelo sensor EMIT da NASA.

O algoritmo incorpora o filtro "Matched Filter" em sua arquitetura, permitindo a diferenciação das emissões de metano do fundo atmosférico com base em seu espectro característico, facilitando a detecção em nível de pixel. Para o treinamento, utilizou-se um conjunto de dados com mais de 300 imagens da região da Permian Basin, nos Estados Unidos, permitindo que o modelo fosse ajustado para reconhecer áreas com concentrações elevadas de metano, comparando os espectros desconhecidos com um de referência.

Os resultados indicaram que o algoritmo é capaz de identificar concentrações de metano superiores a 1000 ppm e gerar mapas das plumas. Essa eficácia foi então validada em imagens de áreas conhecidas pela exploração de óleo e gás, como nos campos de Goturpede e Barsagelmez, no Turcomenistão.

A metodologia proposta busca melhorar a precisão e reduzir análises manuais, possibilitando monitoramento em larga escala de emissões e contribuindo para a mitigação de seus efeitos climáticos, como foco futuro na construção e execução do modelo HMRCNN e análise temporal.