Usan la IA para 'cazar' las esquivas y peligrosas emisones de metano desde el espacio

Investigadores británicos y españoles han desarrollado una herramienta para detectar automáticamente columnas de metano en la Tierra desde la órbita utilizando aprendizaje automático con datos hiperespectrales. Esto podría ayudar a identificar la ubicación de "súper emisores" de metano y actuar así más rápidamente contra estas emisiones de gases de efecto invernadero.

Aunque los objetivos de neutralidad climática se centran en las emisiones de CO2, combatir las emisiones de metano también resulta fundamental para frenar el aumento de las temperaturas. Y es que el metano atrapa 80 veces más calor que el CO2, si bien tiene una vida atmosférica mucho más corta (alrededor de siete a 12 años en comparación con los siglos que permanece el CO2).

Por lo tanto, actuar rápidamente para reducir las emisiones de metano procedentes de fuentes humanas tendría un impacto inmediato en la desaceleración del calentamiento global y la mejora de la calidad del aire. Se ha estimado que las reducciones fácilmente alcanzables en las emisiones de metano podrían evitar casi 0,3°C de calentamiento en las próximas dos décadas.

Sin embargo, hasta ahora, ha habido muy pocos métodos para cartografiar fácilmente las columnas de metano a partir de imágenes aéreas y su procesamiento requiere mucho tiempo. Esto se debe a que el gas metano es transparente tanto para el ojo humano como para los rangos espectrales utilizados en la mayoría de los sensores satelitales. Incluso cuando dichos sensores operan en el rango espectral correcto para detectar metano, los datos a menudo quedan oscurecidos por el ruido, lo que requiere laboriosos métodos manuales para identificar eficazmente las columnas.

El nuevo sistema, mucho más eficaz

La nueva herramienta de aprendizaje automático, desarrollada por investigadores de Oxford (Reino Unido), la Universidad de Valencia y la Politécnica de Valencia, así como la empresa Trillium Technologies, supera estos problemas al detectar columnas de metano en datos de satélites hiperespectrales. Éstos detectan bandas más estrechas que los satélites multiespectrales más comunes, lo que facilita la sintonización de la firma específica del metano y filtra el ruido. Sin embargo, la cantidad de datos que producen es mucho mayor, lo que dificulta su procesamiento sin inteligencia artificial (IA).

Los investigadores ensayaron 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 Four Corners de los EE. UU. Luego, el algoritmo se aplicó a datos de otros sensores hiperespectrales en órbita.

En general, el modelo tiene una precisión de más del 81% para detectar grandes columnas de metano y fue un 21,5% más preciso que el más detallado de los sistemas anteriormente existentes. El método también tuvo una tasa de detección de falsos positivos significativamente mejorada, reduciéndolos en aproximadamente un 41,83% en comparación con el sistema anterior.

Para promover más investigaciones en la detección de metano, los investigadores han abierto tanto el conjunto de datos anotado como el código utilizado para el modelo en la página del proyecto en GitHub. Ahora están explorando si el modelo podría funcionar directamente a bordo del satélite, permitiendo que otros satélites realicen observaciones de seguimiento como parte de la iniciativa NIO.space.

El investigador principal, estudiante de doctorado, Vít Růžička (Departamento de Ciencias de la Computación, Universidad de Oxford), afirmó: "Este procesamiento a bordo podría significar que inicialmente solo 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. Además, esto permitiría que un enjambre de satélites colaborara de forma autónoma: una detección débil inicial podría servir como señal de aviso para que los otros satélites de la constelación enfoquen sus imágenes en la ubicación requerida".

Estudio de referencia: https://www.nature.com/articles/s41598-023-44918-6

...............

Contacto de la sección de Medio Ambiente: crisisclimatica@prensaiberica.es