Bien qu'il ne soit pas aussi répandu dans l'atmosphère que le dioxyde de carbone, le méthane est un gaz à effet de serre bien plus puissant. D'origine naturelle et d'origine humaine, le méthane a une durée de vie beaucoup plus courte que le CO2, mais il agit rapidement et 20 à 80 fois plus efficace pour piéger la chaleur. Un peu de méthane supplémentaire fait beaucoup de bien.

En outre, le méthane est invisible, ce qui rend difficile la détection par des moyens conventionnels. Ainsi, lorsque le chercheur de l'UC Santa Barbara Satish Kumar et ses collègues ont noté l'utilisation croissante de la détection infrarouge comme moyen de détection des gaz à effet de serre, comme cela a été souligné dans un récent article du New York Times, ils étaient contents. La pièce interactive utilisait des caméras infrarouges pour suivre les émissions des installations pétrolières et gazières du bassin permien, un champ pétrolifère situé au Texas et au Nouveau-Mexique.

C'est un sujet qui lui tient à cœur, en tant que membre du professeur de génie électrique et informatique B.S. Laboratoire de recherche sur la vision de Manjunath, Kumar effectue des travaux de traitement et d'analyse de signaux multimédias.

"En tant qu'ingénieur informaticien intéressé par la gestion environnementale, Je suis incroyablement heureux que des fuites de méthane provenant de sources jusque-là inconnues soient révélées, " il a dit.

Maintenant, pour maintenir la conversation vivante, Kumar et ses collègues ont proposé un système qui fait mieux la détection de chaleur, en utilisant l'imagerie hyperspectrale et l'apprentissage automatique pour détecter la longueur d'onde spécifique des émissions de méthane. Leurs travaux ont été présentés à la conférence d'hiver 2020 de l'IEEE sur les applications de la vision par ordinateur.

"Les caméras infrarouges ne détectent que les signatures de température, donc s'il y a une combinaison de gaz avec des signatures à haute température, une caméra infrarouge ne pourra pas les différencier, " a déclaré Kumar. Une image infrarouge pourrait indiquer une suggestion de méthane, mais sa concentration et son emplacement n'ont pas pu être localisés par la seule signature thermique. En outre, plus un gaz chaud s'éloigne de sa source, plus il fait froid, le rendant finalement invisible à l'infrarouge.

Pour pallier ces lacunes, Kumar et son équipe ont utilisé les données de caméras hyperspectrales à des longueurs d'onde de 400 nanomètres à 2, 510 nm - une plage qui englobe les longueurs d'onde spectrales du méthane et peut-être celles d'autres gaz - dans les zones autour de la région des quatre coins. Situé dans le sud-ouest américain, la région est également le site de ce qui pourrait être la plus grande source de rejet de méthane aux États-Unis, en particulier le bassin de San Juan, partagé par le Nouveau-Mexique et le Colorado.

L'imagerie hyperspectrale consiste en la collecte d'une série d'images, dans laquelle chaque pixel contient un spectre et chaque image représente une bande spectrale (une plage de longueurs d'onde). Sa haute sensibilité lui permet de capturer des "empreintes digitales" spectrales qui correspondent à certains matériaux, comme le méthane 2, 200-2, longueurs d'onde de 400 nm, qui a permis aux chercheurs de localiser le méthane, même dans un panache d'autres gaz.

Mais, le méthane n'est pas le seul matériau qui existe à cette longueur d'onde.

"Il y a beaucoup de confusions avec le méthane, " a déclaré Kumar. " Les hydrocarbures des routes et des peintures sur les bâtiments, ils ont la même signature que le méthane. » La grande quantité de données et le potentiel de confusion entre le méthane et d'autres hydrocarbures ont conduit les chercheurs à se tourner vers l'apprentissage automatique.

« Nous avons utilisé un modèle d'apprentissage en profondeur pour entraîner l'ordinateur à apprendre la forme que prend une fuite de gaz méthane lorsqu'elle est libérée et se propage, " a-t-il expliqué. Cela a aidé les chercheurs non seulement à localiser l'endroit d'où le méthane était émis, qu'il s'agisse d'une usine à gaz ou d'une décharge, mais aussi de différencier automatiquement le méthane des autres hydrocarbures dans la même image.

En utilisant cette méthode, les chercheurs rapportent un taux de réussite de 87 % dans la détection précise des fuites de méthane, dont davantage continuent d'être découverts à partir d'une variété de sources artificielles. Il s'agit notamment des émissions fugitives provenant d'un torchage incomplet, fuites auparavant non détectées provenant d'opérations mal surveillées, et les fuites de méthane cumulées des habitations, entreprises et infrastructures urbaines.