Гиперспектральные наблюдения в коротковолновой инфракрасной области спектра (SWIR) открывают широкие возможности для обнаружения и количественной оценк и шлейфов метана (CH₄) из космоса. Однако компромисс между вычислительной эффективностью и физической точностью остаётся одной из ключевых проблем для оперативного мониторинга. В работе представлен единый статистический алгоритм извлечения информации для анализа метана по данным EnMAP и PRISMA уровня Level‑1C. Алгоритм объединяет фильтрацию, обобщённый метод наименьших квадратов и метод обнаружения аномалий. Эти быстрые, адаптируемые к конкретной сцене методы систематически сравниваются с физическим алгоритмом извлечения информации алгоритма восстановления ИК-сигнала на основе закона Бугера – Ламберта – Бера (Beer – Lambert Infrared Retrieval Algorithm, BIRRA), основанном на модели переноса излучения. Полученные результаты показывают, что статистические методы обеспечивают быстрое обнаружение шлейфов в пределах всей сцены и обладают высокой пространственной согласованностью, однако их количественная точность ограничена вследствие упрощений, заложенных в них. Для преодоления этого ограничения предложен регрессор на основе нейронной сети, обученной на спектрах, полученных с помощью BIRRA. Нейронная сеть обрабатывает спектры с использованием функции потерь с повышенным весом у случаев с высокими значенями метана, что позволяет точнее детектировать шлейфы метана. Такой подход обеспечивает вычислительную эффективность и лучшее согласование с алгоритмами, основанными на модели переноса излучения. Количественная оценка с использованием метрики Fraction Skill Score 1 (FSS) подтверждает, что нейронная сеть превосходит все рассмотренные статистические методы при восстановлении морфологии шлейфов на различных пространственных масштабах. В работе предлагается двухэтапная стратегия обработки: применение статистических методов для крупномасштабного скрининга с последующим использованием более точных моделей восстановления газового состава. Предложенный подход обеспечивает масштабируемый, точный и пригодный для оперативного применения мониторинг метана по гиперспектральным спутниковым данным. 1. Белов М.Л., Всякова Ю.И., Городничев В.А. Оптический метод обнаружения нефтяных загрязнений на водной поверхности в УФ спектральном диапазоне // Светотехника, 2019, Т. 3, С. 15–21
2. Нгуен Минь Бач, Федотов Ю.В., Барышников Н.В., Белов М.Л. Экспериментальные исследования влияния проективного покрытия почвы травой на эффективность метода обнаружения нефтяных загрязнений в ближнем ИК диапазоне // Светотехника, 2025, № 6, С. 91–94
3. Белов М.Л., Белов А.М., Городничев В.А., Альков С.В. Многоспектральный оптический рефлектометрический метод мониторинга лесных ресурсов // Светотехника, 2021, № 6, С. 57–63
4. Катаев М.Ю., Лукьянов А.К. Моделирование отражённого солнечного излучения для оценки газового состава атмосферы при оптическом дистанционном зондировании из космоса // Светотехника, 2017, № 6, С. 50–55
5. Rouet-Leduc B., Hulbert C. Automatic detection of methane emissions in multispectral satellite imagery using a vision transformer // Nature Communications, 2024, Vol. 15, No. 1.
6. Федотов Ю.В., Белов М.Л., Животовский И.В., Сахаров А.А. Выбор и обоснование оптимальных спектральных диапазонов регистрации выбросов метана с ИСЗ для перспективного наноспутника // Светотехника», 2023, № 3, С. 89–96
7. Roger J., Guanter L., Gorroño J., Irakulis-Loitxate I. Exploiting the entire near-infrared spectral range to improve the detection of methane plumes with high-resolution imaging spectrometers // Atmospheric Measurement Techniques, 2024, Vol. 17, No. 4, pp. 1333–1346.
8. Erland B.M., Thorpe A.K., Gamon J.A. Recent advances toward transparent methane emissions monitoring: A review // Environmental Science and Technology, 2022, Vol. 56, No. 23, pp. 16567–16581.
9. Guanter L., Warren J., Omara M., Chulakadabba A., Roger J., Sargent M., Franklin J.E., Wofsy S.C., Gautam R. Detection and quantification of methane plumes with the MethaneAIR airborne spectrometer // Atmospheric Measurement Techniques, 2025, Vol. 18, No. 15, pp. 3857–3872.
10. Thompson D.R., Thorpe A.K., Frankenberg C., Green R.O., Duren R.O., Guanter L., Hollstein A., Middleton E., Ong L., Ungar S. Space-based remote imaging spectroscopy of the Aliso Canyon CH₄ superemitter // Geophysical Research Letters, 2016, Vol. 43, No. 12, pp. 6571–6578.
11. Roger J., Irakulis-Loitxate I., Valverde A., Gorroño J., Chabrillat S., Brell M., Guanter L. High-resolution methane mapping with the EnMAP satellite imaging spectroscopy mission // IEEE Transactions on Geoscience and Remote Sensing, 2024, Vol. 62, pp. 1–12.
12. Li K., Bai K., Fu P., Jiao P., Chen H., Huang X., Liu Ch., Chang N.-B. SSRMF: A sparse spectral reconstruction enhanced matched filter for improving point-source methane emission detection in complex terrain // ISPRS Journal of Photogrammetry and Remote Sensing, 2025, Vol. 225, pp. 238–256.
13. Feng Ch., Chen S., Zeng Z., Luo Y., Natraj V., Yung Y.L. Aerosol-calibrated matched filter method for retrievals of methane point source emissions over the Los Angeles basin // Earth and Space Science, 2024, Vol. 11, No. 8.
14. Masin F., Maestri T., Martinazzo M., Pelliccia G.P. Improved methane flux estimation from hyperspectral imagery via log-domain matched filtering and background homogenization // Atmospheric Environment: X, 2026, Vol. 29, 100417.
15. Kataev M. Yu. Inverse Methods in Studies of Terrestrial Atmosphere. Springer International Publishing, 2021, pp. 175–194.
16. Hochstaffl P., Schreier F., Köhler C.H., Baumgartner A., Cerra D. Methane retrievals from airborne HySpex observations in the shortwave infrared // Atmospheric Measurement Techniques, 2023, Vol. 16, No. 18, pp. 4195–4214.
17. Yang S., Song Z., Yuan H., Zou Zh., Shi Zh. Fast high-order matched filter for hyperspectral image target detection // Infrared Physics & Technology, 2018, Vol. 94, pp. 151–155.
18. Gallagher N.B., Goyetche R., Amigo J.M., Kucheryavskiy S. Extended least squares (ELS) and generalized least squares (GLS) for clutter suppression in hyperspectral images: A theoretical description // Chemometrics and Intelligent Laboratory Systems, 2024, Vol. 244, 105032.
19. Nasrabadi N.M. Regularization for spectral matched filter and RX anomaly detector // Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XIV / Eds. Shen S.S., Lewis P.E. SPIE, 2008, Vol. 6966, 696604.
20. Gao C., Wu Y., Hao X. Hierarchical suppression based matched filter for hyperspectral imagery target detection // Sensors, 2020, Vol. 21, No. 1, 144.
21. Heinz D.C., Chang Chein-I. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery // IEEE Transactions on Geoscience and Remote Sensing, 2001, Vol. 39, No. 3, pp. 529–545.
22. Ouerghi E., Ehret T., De Franchis C., Facciolo G., Lauvaux T., Meinhardt E., Morel J.-M. Detection of methane plumes in hyperspectral images from Sentinel‑5P by coupling anomaly detection and pattern recognition // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2021, Vol. V‑3–2021, pp. 81–87.
23. Varon D.J., McKeever J., Spence I., Gains D., Jacob D.J. High-frequency monitoring of anomalous methane point sources with multispectral Sentinel‑2 satellite observations // Atmospheric Measurement Techniques, 2021, Vol. 14, No. 4, pp. 2771–2785.
24. Joyce P., Ruiz Villena C., Huang Y., Webb A., Gloor M., Wagner F.H., Chipperfield M.P., Barrio Guilló R., Wilson C., Boesch H. Using a deep neural network to detect methane point sources and quantify emissions from PRISMA hyperspectral satellite images // Atmospheric Measurement Techniques, 2023, Vol. 16, No. 10, pp. 2627–2640.
25. Li K., Bai K., Jiao P., Chen H., He H., Shao L., Sun Y., Zheng Z., Li R., Chang N.-B. Developing unbiased estimation of atmospheric methane via machine learning and multiobjective programming based on TROPOMI and GOSAT data // Remote Sensing of Environment, 2024, Vol. 304, 114039.
26. Zhang X., Zhang Y., Meng F., Tao J., Wang H., Wang Y., Chen L. Methane retrieval from hyperspectral infrared atmospheric sounder on FY3D // Remote Sensing, 2024, Vol. 16, No. 8, 1414.
27. Loshchilov I., Hutter F. Decoupled weight decay regularization // International Conference on Learning Representations, 2019.
28. Hu W., Huang Y., Wei L., Zhang F., Li H. Deep convolutional neural networks for hyperspectral image classification // Journal of Sensors, 2015, Vol. 2015, pp. 1–12.
29. Li Y., Zhang H., Shen Q. Spectral – spatial classification of hyperspectral imagery with 3D convolutional neural network // Remote Sensing, 2017, Vol. 9, No. 1, 67.
30. Bue B.D., Thompson D.R., Deshpande S., Eastwood M., Green R.O., Natraj V., Mullen T., Parente M. Neural network radiative transfer for imaging spectroscopy // Atmospheric Measurement Techniques, 2019, Vol. 12, No. 4, pp. 2567–2578.
31. Fan C., Fu G., Di Noia A., Smit M., Rietjens J.H.H., Ferrare R.A., Burton S., Li Z., Hasekamp O.P. Use of a neural network-based ocean body radiative transfer model for aerosol retrievals from multi-angle polarimetric measurements // Remote Sensing, 2019, Vol. 11, No. 23, 2877.
32. Brence J., Tanevski J., Adams J., Malina E., Džeroski S. Surrogate models of radiative transfer codes for atmospheric trace gas retrievals from satellite observations // Machine Learning, 2022, Vol. 112, No. 4, pp. 1337–1363.
33. Růžička V., Mateo-Garcia G., Gómez-Chova L., Vaughan A., Guanter L., Markham A. Semantic segmentation of methane plumes with hyperspectral machine learning models // Scientific Reports, 2023, Vol. 13, No. 1, 19999.
34. Schreier F., Gimeno García S., Hochstaffl P., Städt S. Py4CAtS – PYthon for Computational ATmospheric Spectroscopy // Atmosphere, 2019, Vol. 10, No. 5.
35. Storch T., Honold H.-P., Chabrillat S., Habermeyer M., Tucker P., Brell M., Ohndorf A., Wirth K., Betz M., Kuchler M., et al. The EnMAP imaging spectroscopy mission towards operations // Remote Sensing of Environment, 2023, Vol. 294, 113632.
36. Cogliati S., Sarti F., Chiarantini L., Cosi M., Lorusso R., Lopinto E., Miglietta F., Genesio L., Guanter L., Damm A., et al. The PRISMA imaging spectroscopy mission: over-view and first performance analysis // Remote Sensing of Environment, 2021, Vol. 262, 112499.
37. Hersbach H., Bell B., Berrisford P., Hirahara S., Horányi A., Muñoz-Sabater J., Nicolas J., Peubey C., Radu R., Schepers D., et al. The ERA5 global reanalysis // Quarterly Journal of the Royal Meteorological Society, 2020.
38. Rousseeuw P.J., Croux C. Alternatives to the median absolute deviation // Journal of the American Statistical Association, 1993, Vol. 88, No. 424, pp. 1273–1283.
39. Reed I.S., Yu X. Adaptive multiple-band CFAR detection of an optical pattern with unknown spectral distribution // IEEE Transactions on Acoustics, Speech, and Signal Processing, 1990, Vol. 38, No. 10, pp. 1760–1770.
40. Thompson D.R., Thorpe A.K., Frankenberg C., Green R.O., Duren R.M., Guanter L., Hollstein A., Miller C.E. Real-time remote detection and measurement for airborne imaging spectroscopy: a case study with methane // Atmospheric Measurement Techniques, 2015, Vol. 8, pp. 4383–4395.
41. Roberts N.M., Lean H.W. Scale-selective verification of rainfall accumulations from high-resolution forecasts of convective events // Monthly Weather Review, 2008, Vol. 136, No. 1, pp. 78–97.

• Предыдущая статья
• Следующая статья

• обнаружение метана
• гиперспектральная съёмка
• EnMAP
• PRISMA
• статистическое извлечение информации
• согласованный фильтр
• обнаружение шлейфов
• перенос излучения
• обратные задачи