SRON ontwikkelt machine-learning methode om uitstoot van methaanpluimen te bepalen

SRON publiceert al enkele jaren wekelijks tientallen grote methaanlekken over de hele wereld. Het methaanteam heeft daartoe een machine-learning methode ontwikkeld om automatisch methaanpluimen te filteren uit de miljoenen pixels die het dagelijks ontvangt van het ruimte-instrument TROPOMI. Maar het blijft een enorme uitdaging om de snelheid te bepalen waarmee een pluim het krachtige broeikasgas in de atmosfeer laat ontsnappen.

TROPOMI heeft een groot blikveld waarmee het dagelijks de hele wereld scant op zoek naar grote, geconcentreerde methaanpluimen. Om hun emissies te schatten, gebruiken SRON-wetenschappers de zogenaamde IME-methode, waarbij ze de uitstoot afleiden uit methaanconcentraties, windsnelheden en de vorm van de pluim. Complicerende factoren daarbij zijn bewolking en de wind.

Nu publiceert SRON’s methaanteam, met eerste auteur Clayton Roberts, een nieuwe machine-learning methode die de uitstoot automatisch kwantificeert nadat het bestaande machine-learning systeem een pluim heeft gedetecteerd. Ze hebben hun zogenaamde ML-SPERE model getraind met gemodelleerde pluimen, waardoor het de verbanden heeft geleerd tussen waargenomen pluimen, windsnelheden en emissies. In testen met een reeks gesimuleerde waarnemingen presteert ML-SPERE beter dan de IME-methode door de gemiddelde fout terug te brengen van 42,4% naar 24,3%.

Op mondiale schaal levert ML-SPERE schattingen op die overeenkomen met die van IME, wat de betrouwbaarheid van beide methodes bevestigt. Vanaf nu kan beide methodes gebruiken, zodat ze per pluim twee onafhankelijke schattingen krijgen. In gebieden waar TROPOMI veel pluimen bij lage windsnelheden detecteert, zoals in het zuidoosten van Australië, geeft ML-SPERE een hogere uitstoot aan dan IME. ‘ML-SPERE is beter in staat om emissiesnelheden bij lage windsnelheden in te schatten,’ zegt Roberts. ‘We hebben meer detecties bij zwakke wind, dus het is belangrijk dat onze nieuwe methode in dit scenario beter presteert.’

Clayton Roberts, Joannes D. Maasakkers, Tobias A. de Jong, Berend J. Schuit, Shubham Sharma, Theo Huegens, Anne-Wil van den Berg, Sander Houweling, and Ilse Aben, ‘Machine learning-based emission rate estimates of global methane super-emissions’, Atmospheric Measurement Techniques