Classification of Methane Satellite Image Retrievals

Le combat contre le changement et réchauffement climatique est un enjeu majeur au 21e siècle. Le méthane est le deuxième gaz à effet de serre d’origine humaine le plus émis et l’augmentation continue de ses niveaux d’émissions présente désormais une préoccupation internationale. En 2015, l’Accord de Paris a été adopté par 196 pays dans lequel des efforts coordonnés pour réduire les taux d’émission ont été mis en place. Les différentes limitations présentées par les méthodes traditionnelles de suivie et d’estimation des émissions ont conduit à l’utilisation croissante de technologies de télédétection telles que les méthodes aéroportées et satellitaires pour suivre les émissions de méthane. À l’exemple de GHGSAT, une société qui exploite des satellites équipés de capteurs hyperspectraux conçus explicitement pour surveiller les émissions de méthane provenant des industries et d’autres sources dans le monde. Le travail présenté a pour objectif d’implémenter des méthodes d’apprentissage automa- tiques dans le but de pouvoir différencier automatiquement les récupérations des satellites de GHGSAT qui présentent des émissions de méthane de ceux qui n’en présentent pas. Pour ce faire, 16 679 récupérations d’image de méthane qui ont été labellisés par les opérateurs de GHGSAT ont été utilisés. Des chaines d’image ainsi que des descripteurs d’image ont été conçus après une étude du jeu de données. Ces derniers sont extraits et utilisés pour entrainer et améliorer plusieurs modèles d’apprentissage automatique. L’approche a été rigoureusement évaluée, les meilleurs modèles affichent des précisions (accuracies) de 92% et un taux de détection de 80% pour les récupérations contenant des émissions, atteignant 96% pour les émissions les plus importantes.

Abstract

The 21st century poses an unprecedented challenge to humanity: combating and reducing the negative effects of climate change and global warming caused by greenhouse gases such as carbon dioxide and methane. Methane is the second most human-induced emitted greenhouse gas, and the continuous rise of its emission levels became an international concern, leading to coordinated efforts to reduce its emissions rates, such as the Paris Agreement, which was adopted by 196 countries in 2015. Traditional monitoring and emission rate estimation methods present several limitations, leading to the rise of the use of remote sensing technologies such as airborne methods and satellites to track methane emissions. GHGSAT operates satellites equipped with hyperspec- tral sensors designed explicitly for monitoring methane emissions from industries and other sources worldwide. The goal is to develop a machine learning model to automatically distinguish GHGSAT retrievals that contain methane emissions from those that do not, using a dataset of 16 779 labeled methane image retrievals from five satellites. After a study of the dataset, handcrafted channels and features are designed and extracted to train and fine-tune several machine learning models. A rigorous evaluation of this approach demonstrates its validity. The best models attain an accuracy of 92%, a detection rate of retrievals containing emissions of 80%, rising to 96% for the largest emissions, and a precision of 89%. Furthermore, these models achieve an F1 score of 83%, indicating a strong balance between precision and recall in identifying emissions.