Cette intelligence artificielle détecte depuis l'espace les fuites de méthane

L'Université d'Oxford, en collaboration avec Trillium Technologies et NIO.space, a franchi une étape significative dans la détection des émissions de méthane, un puissant gaz à effet de serre. En exploitant l'apprentissage automatique avec des données hyperspectrales, les chercheurs ont développé un outil capable de repérer automatiquement les fuites de méthane depuis l'orbite terrestre. Cette avancée pourrait jouer un rôle crucial dans l'identification et la réduction des émissions excessives de méthane par les "super émetteurs".


Les résultats de cette recherche, intitulés "Segmentation sémantique des panaches de méthane avec des modèles d'apprentissage automatique hyperspectraux", ont été publiés dans la revue Scientific Reports. Si les objectifs de neutralité carbone se concentrent principalement sur les émissions de CO₂, la lutte contre les émissions de méthane est également essentielle pour ralentir le réchauffement climatique. Le méthane est 80 fois plus efficace que le CO₂ pour piéger la chaleur, mais reste moins longtemps dans l'atmosphère (environ sept à douze ans contre plusieurs siècles). Des actions rapides pour réduire les émissions de méthane d'origine anthropique auraient donc un impact immédiat sur le ralentissement du réchauffement global et l'amélioration de la qualité de l'air. Il est estimé que des réductions réalisables des émissions de méthane pourraient éviter près de 0,3°C de réchauffement au cours des deux prochaines décennies.

Jusqu'à présent, peu de méthodes permettaient de cartographier facilement les fuites de méthane à partir d'images aériennes, et le processus de traitement était extrêmement chronophage. En effet, le gaz méthane est transparent à l'œil humain et aux plages spectrales utilisées par la plupart des capteurs satellites. Même lorsque ces capteurs opèrent dans la plage spectrale adéquate pour détecter le méthane, les données sont souvent noyées dans le bruit, nécessitant des approches manuelles laborieuses pour identifier efficacement les fuites.

L'outil d'apprentissage automatique développé par les chercheurs d'Oxford surmonte ces défis en détectant les fuites de méthane dans les données de satellites hyperspectraux. Ces derniers détectent des bandes plus étroites que les satellites multispectraux classiques, facilitant ainsi l'ajustement à la signature spécifique du méthane et la filtration du bruit. Cependant, le volume de données qu'ils produisent est considérablement plus important, rendant leur traitement difficile sans intelligence artificielle (IA).

Les chercheurs ont entraîné le modèle à l'aide de 167 825 tuiles hyperspectrales (chaque tuile représentant une zone de 1,64 km²) capturées par le capteur aérien AVIRIS de la NASA au-dessus de la région des Four Corners aux États-Unis. L'algorithme a ensuite été appliqué à des données provenant d'autres capteurs hyperspectraux en orbite, comme celles collectées par le nouveau capteur hyperspectral EMIT (Earth Surface Mineral Dust Source Investigation mission) de la NASA, attaché à la Station spatiale internationale et offrant une couverture quasi-globale de la Terre.

Globalement, le modèle affiche une précision supérieure à 81 % dans la détection des grands panaches de méthane, et se montre 21,5 % plus précis que l'approche la plus précise précédemment utilisée. La méthode a également nettement amélioré le taux de détection des faux positifs pour la classification des tuiles, le réduisant d'environ 41,83 % par rapport à l'approche précédente.

Afin de promouvoir de nouvelles recherches dans la détection du méthane, les chercheurs ont mis à disposition en open source à la fois le jeu de données annotées et le code utilisé pour le modèle sur la page du projet GitHub. Ils explorent désormais la possibilité d'intégrer directement le modèle à bord des satellites, permettant à d'autres satellites d'effectuer des observations de suivi dans le cadre de l'initiative NIO.space.

Le chercheur principal, l'étudiant en doctorat Vít Růžička (Département d'informatique, Université d'Oxford), explique: "Un tel traitement à bord pourrait signifier que seules les alertes prioritaires devraient être renvoyées sur Terre, par exemple un signal d'alerte textuel avec les coordonnées d'une source de méthane identifiée. De plus, cela permettrait à un essaim de satellites de collaborer de manière autonome: une détection initiale faible pourrait servir de signal d'alerte pour que les autres satellites de la constellation concentrent leurs imageurs sur le lieu d'intérêt."