ENGINEERINGNET.BE - Het ruimte-instrument TROPOMI heeft een groot blikveld waarmee het dagelijks de hele wereld scant op zoek naar grote, geconcentreerde methaanpluimen.
SRON publiceert al enkele jaren wekelijks tientallen van deze grote methaanlekken over de hele wereld.
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 een nieuwe machine-learning methode die de uitstoot automatisch kwantificeert nadat het bestaande machine-learning systeem een pluim heeft gedetecteerd.
Dit model, genaamd ML-SPERE, is getraind met gemodelleerde pluimen, waardoor het 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 zijn beide methodes te gebruiken, zodat er per pluim twee onafhankelijke schattingen zijn.
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 onderzoeker Clayton Roberts.
‘We hebben meer detecties bij zwakke wind, dus het is belangrijk dat onze nieuwe methode in dit scenario beter presteert.’
