به گزارش گروه علم و آموزش ایرنا از «فیز»، در حالی که هدف‌های مشخص شده در خصوص کاهش انتشار گازهای آلاینده بر گاز دی‌اکسید کربن متمرکز هستند اما مبارزه با انتشار گاز متان نیز یکی از فعالیت های حیاتی برای کُند کردن روند بالا رفتن دمای هوا در جهان است. متان در زمینه محبوس کردن گرما ۸۰ بار موثرتر از دی اکسید کربن عمل می‌کند اما دوره عمر اتمسفری بسیار کوتاه‌تری دارد که در حدود ۱۲ سال است در حالی که عمر اتمسفری دی‌اکسید کربن قرن‌ها به طول می‌کشد.
بنابراین اقدام سریع برای کاهش انتشار گاز متان تاثیر سریعی بر کند کردن گرمایش جهانی و بهبود کیفیت هوا خواهد داشت. برآورد شده است که کاهش سریع انتشار متان می تواند در دو دهه آینده از گرمایشی به میزان نزدیک به ۰.۳ درجه سانتیگراد جلوگیری کند.
با این حال تا نون راه های کمی برای شناسایی سریع ستون های آلودگی و انتشار متان از تصاویر هوایی وجود داشته است و مرحله پردازش تصاویر هم بسیار زمانبر است. حتی زمانی که حسگرهای ماهواره‌ای در موقعیت درستی برای ردیابی متان باشند باز هم داده‌ها اغلب به علت نویز مبهم و تار می شوند.
اما یک ابزار جدید یادگیری ماشین ابداع شده توسط محققان دانشگاه آکسفورد از طریق شناسایی منابع گاز متان در داده‌هایی از ماهواره‌های فراطیفی (hyperspectral) بر این مشکلات غلبه کرده است. داده‌های این ماهواره‌ها اما بسیار زیاد است و پردازش آنها بدون هوش مصنوعی دشوار است.
این محققان یک مدل هوش مصنوعی را با داده‌های حسگر هوایی «آویریس» سازمان فضایی ناسا آموزش دادند. این مدل در مجموع با دقت بیش از ۸۱ درصد موفق به شناسایی منابع انتشار گاز متان شده است و نسبت به دقیق‌ترین رویکرد قبلی ۲۱.۵ درصد دقیق‌تر عمل کرده است.
یافته‌های این تحقیق انجام شده توسط محققان دانشگاه آکسفورد با مشارکت موسسه «فناوری‌های تریلیوم» در نشریه «گزارش های علمی» انتشار یافته است.