Отримано 18.03.2025, Доопрацьовано 10.06.2025, Прийнято 28.08.2025

Використання штучного інтелекту та машинного навчання для автоматичного виявлення викидів метану на супутникових знімках

Герман Краукліт

Метою цього дослідження був аналіз сучасних методів машинного навчання та їх інтеграція в обробку супутникових даних для автоматичного виявлення джерел викидів метану. У дослідженні розглянуто такі методи, як згорткові нейронні мережі (CNN), методи опорних векторів (SVM), випадковий ліс (RF) та k-найближчих сусідів (KNN). Основні результати продемонстрували ефективність CNN в автоматизованому аналізі супутникових знімків, зокрема їх здатність виявляти просторові закономірності, характерні для джерел викидів метану, з високою точністю та стійкістю до шуму. Було встановлено, що впровадження цієї технології для моніторингу в Азербайджані підтвердило її здатність оперативно виявляти антропогенні загрози на основі супутникових знімків. Тим часом метод SVM, реалізований на Python, досяг результату класифікації з 90 % ймовірністю на користь наявності викидів метану. Водночас програма на основі R успішно класифікувала зображення за категоріями «викиди метану» та «відсутність викидів метану», що ефективно дозволило локалізувати джерела викидів. Метод випадкового лісу також виявився ефективним у виявленні джерел метану за допомогою спектральних характеристик, індексів рослинності та даних про температуру із супутникових знімків. Програма R відобразила географічний розподіл джерел метану, тоді як код на основі Python підтвердив ефективність методу, обробивши зображення міста Баку, визначивши потенційні джерела метану навіть при низьких концентраціях. У свою чергу, метод KNN продемонстрував потенціал у класифікації пікселів за просторовими та спектральними ознаками, що дозволяє швидко виявляти небезпечні зони на нових супутникових знімках. Отримані результати підтвердили можливість інтеграції методів машинного навчання в системи супутникового моніторингу для забезпечення точного, оперативного та автоматизованого виявлення джерел викидів метану, що є значним кроком до підвищення екологічної безпеки та ефективного управління природними ресурсами в Азербайджані та за його межами

згорткова нейронна мережа; метод опорних векторів; випадковий ліс; алгоритм k найближчих сусідів; реалізація на Python та R; супутниковий моніторинг
144-156
Krauklit, G. (2025). Use of artificial intelligence and machine learning for automated detection of methane emissions on satellite images. Information Technologies and Computer Engineering, 22(2), 144-156. https://doi.org/10.31649/vitce/2.2025.144

Використані джерела

[1] Alshammari, A.F. (2024). Implementation of classification using K-nearest neighbors (KNN) in Python. International Journal of Computer Applications, 186(33), 19-24.

[2] Bairy, J., Shah, O.R., & Zhang, J. (2025). Data-driven solutions and artificial intelligence in the energy sector: Leveraging open GHGRP data for emissions forecasting for U.S. petroleum and natural gas assets. In SPE Oklahoma City oil and gas symposium (article number SPE-224384-MS). Oklahoma: Society of Petroleum Engineers. doi: 10.2118/224384-MS.

[3] Baku Satellite image from Pleiades Neo. (2021). Retrieved from https://space-solutions.airbus.com/newsroom/ satellite-image-gallery/pleiades-neo/pleiades-neo-baku/.

[4] Bi, H., & Neethirajan, S. (2024). Utilizing satellite data and machine learning for benchmarking methane emissions in the Canadian dairy industry. SSRN. doi: 10.2139/ssrn.4939071.

[5] Braik, A.M., & Koliou, M. (2024). Automated building damage assessment and large-scale mapping by integrating satellite imagery, GIS, and deep learning. Computer-Aided Civil and Infrastructure Engineering, 39(15), 2389-2404. doi: 10.1111/mice.13197.

[6] Chen, Y., Gao, J., & Zhang, K. (2020). R-CNN-based satellite components detection in optical images. International Journal of Aerospace Engineering, 2020(1), article number 8816187. doi: 10.1155/2020/8816187.

[7] Conway, T.J. (2024). To cut emissions, Azerbaijan prioritizes decarbonization of oil and gas. Retrieved from https://rmi. org/to-cut-emissions-azerbaijan-prioritizes-oil-and-gas/.

[8] Duan, H., et al. (2023). Quantification of diffusive methane emissions from a large eutrophic lake with satellite imagery. Environmental Science and Technology, 57(36), 13520-13529. doi: 10.1021/acs.est.3c05631.

[9] EOS Land Viewer. (n.d.). Passive sensors (day). Retrieved from https://eos.com/ landviewer/?day=true&s=Sentinel2&lat=40.42866&lng=49.52911&z=10.

[10] Goddard, L. (2024). Solving methane mysteries with satellite imagery. Retrieved from https://blog.datadesk.eco/p/ methane-mysteries.

[11] Ibrahimova, S., & Bağırzadə, M. (2024). Digital economy and artificial intelligence. The Caucasus: Economic and Social Analysis Journal of Southern Caucasus, 58(12(1)), 102-112. doi: 10.36962/cesajsc5801024-102.

[12] Ismayilov, R., & Mustafayev, Y. (2024). Leak detection in gas distribution networks. PAHTEI Refered & Reviewed Journal, 48(5(8)), 193-203. doi: 10.36962/PAHTEI4308022024-21.

[13] Karim, A., Alkholeify, A., Choi, J., Dhall, J., Huda, T., Ranjekar, A., Yassine, Y., & Wischert, D. (2024). Spiking neural network design for on-board detection of methane emissions through neuromorphic computing. In IAF earth observation symposium: Heald at the 75th international astronautical congress (pp. 1212-1223). Milan: International Astronautical Federation. doi: 10.52202/078362-0152.

[14] Koshariya, A.K., Alok, Hiremath, S.S., Nigam, R., Shankar, U., Kansara, S.S., Sinha, S.S., & Pratibha. (2025). Detection and management of plant disease using artificial intelligence and machine learning applications: A review. Journal of Scientific Research and Reports, 31(3), 281-298. doi: 10.9734/jsrr/2025/v31i32902.

[15] Kumar, D.V.R., Lakshman, V.V.V., Trylokya, M., Rao, M.L., & Sri, K.B. (2025). Land-water classification for satellite images. International Journal for Research in Applied Science and Engineering Technology, 13(3), 1945-1948. doi: 10.22214/ijraset.2025.67731.

[16] Kumar, S., Setia, R., & Singh, K. (2023). Artificial intelligence and machine learning in satellite data processing and services. Singapore: Springer. doi: 10.1007/978-981-19-7698-8.

[17] Mammadli, H., & Murtuzov, T. (2024). Preparation of geological and structural maps using artificial intelligence. In Conference “Study of the Earth’s subsoil and forecasting of mineral raw materials resources”. Baku: Baku State University.

[18] Marcon, Y., Stetzler, M., Ferré, B., Kopiske, E., & Bohrmann, G. (2025). Deep learning-based characterization of underwater methane bubbles using simple dual camera platform. Limnology and Oceanography: Methods, 23(3), 155-175. doi: 10.1002/lom3.10672.

[19] Marzouk, O.A. (2023). Adiabatic flame temperatures for oxy-methane, oxy-hydrogen, air-methane, and air-hydrogen stoichiometric combustion using the NASA CEARUN tool, GRI-Mech 3.0 reaction mechanism, and Cantera Python package. Engineering, Technology & Applied Science Research, 13(4), 11437-11444. doi: 10.48084/etasr.6132.

[20] Mexwell. (2023). Aerial imagery capturing oil refineries. Retrieved from https://www.kaggle.com/datasets/mexwell/ aerial-imagery-capturing-oil-refineries.

[21] Radman, A., Mahdianpari, M., Varon, D.J., & Mohammadimanesh, F. (2023). S2MetNet: A novel dataset and deep learning benchmark for methane point source quantification using Sentinel-2 satellite imagery. Remote Sensing of Environment, 295, article number 113708. doi: 10.1016/j.rse.2023.113708.

[22] Rashidov, T. (2019). Assessments of gas emission from the mud volcanoes in Azerbaijan. Geophysical Research Abstracts, 21, EGU2019-399.

[23] Rouet-Leduc, B., & Hulbert, C. (2024). Automatic detection of methane emissions in multispectral satellite imagery using a vision transformer. Nature Communications, 15, article number 3801. doi: 10.1038/s41467-024-47754-y.

[24] Sable, A.V., Patil, A., Rathi, M., & Shriwas, A. (2024). Classification of image using convolutional neural network (CNN). International Journal for Research in Applied Science and Engineering Technology, 12(4), 3357-3362. doi: 10.22214/ ijraset.2024.60650.

[25] Schillaci, G., et al. (2024). Analyzing methane emissions using satellite imagery and artificial intelligence. In 2024 Abu Dhabi international conference and exhibition (article number: SPE-222006-MS). Abu Dhabi: Society of Petroleum Engineers. doi: 10.2118/222006-MS.

[26] Schuit, B.J., et al. (2023). Automated detection and monitoring of methane super-emitters using satellite data. Atmospheric Chemistry and Physics, 23(16), 9071-9098. doi: 10.5194/acp-23-9071-2023.

[27] Sloan, S., Talkhani, R.R., Huang, T., Engert, J., & Laurance, W.F. (2024). Mapping remote roads using artificial intelligence and satellite imagery. Remote Sensing, 16(5), article number 839. doi: 10.3390/rs16050839.

[28] Sugeng, & Praminiarto, H. (2024). Detection of drowsiness in drivers using image processing and support vector machine (SVM) classification. Informatics Online Journal, 9(2), 238-248. doi: 10.15575/join.v9i2.1076.

[29] Xing, Y., Han, G., Mao, H., He, H., Bo, Z., & Gong, R. (2025). MAM-YOLOv9: A multiattention mechanism network for methane emission facility detection in high-resolution satellite remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 66. doi: 10.1109/TGRS.2025.3545034.

[30] Xu, P., Wang, J., Jiang, Y., & Gong, X. (2024). Applications of artificial intelligence and machine learning in image processing. Frontiers in Materials, 11, article number 1431179. doi: 10.3389/fmats.2024.1431179.