Una dificultad central en el control de las emisiones de gases de efecto invernadero para frenar el cambio climático es encontrarlos en primer lugar.
Tal es el caso del metano, un gas incoloro e inodoro que en la actualidad es el segundo gas de efecto invernadero más abundante en la atmósfera, después del dióxido de carbono. Aunque tiene una vida más corta que el dióxido de carbono, según la Agencia de Protección Ambiental de EE. UU., es 25 veces más potente que el CO2 para atrapar el calor, y se estima que atrapa 80 veces más calor en la atmósfera que el CO2 más de 20 años.
Por esa razón, frenar el metano se ha convertido en una prioridad, dijo el investigador de UC Santa Barbara Satish Kumar, estudiante de doctorado en el Laboratorio de Investigación de la Visión del científico informático BS Manjunath.
«Recientemente, en la Cumbre Internacional del Clima de 2022, el metano fue en realidad el punto culminante porque todo el mundo está luchando contra él», dijo.
Incluso con los requisitos de notificación en los EE. UU., la invisibilidad del metano significa que es probable que sus emisiones no se notifiquen. En algunos casos, las discrepancias son enormes, como Permian Basin, un campo de extracción de petróleo y gas natural de 86,000 millas cuadradas ubicado en Texas y Nuevo México que alberga decenas de miles de pozos. El monitoreo independiente de metano del área ha revelado que el sitio emite de ocho a 10 veces más metano que lo informado por los operadores del campo.
A raíz de las reuniones de la COP27, el gobierno de EE. UU. ahora está buscando formas de reforzar los controles sobre este tipo de fugas de «superemisiones», especialmente porque se espera que la producción de petróleo y gas aumente en el país en un futuro próximo. Sin embargo, para hacerlo, debe haber una forma de recopilar datos confiables de emisiones fugitivas para evaluar el desempeño de los operadores de petróleo y gas e imponer sanciones apropiadas según sea necesario.
Ingrese a MethaneMapper, una herramienta de imágenes hiperespectrales impulsada por inteligencia artificial que Kumar y sus colegas han desarrollado para detectar emisiones de metano en tiempo real y rastrearlas hasta sus fuentes. La herramienta funciona mediante el procesamiento de datos hiperespectrales recopilados durante escaneos aéreos del área objetivo.
«Tenemos 432 canales», dijo Kumar. Usando imágenes de encuestas del Laboratorio de Propulsión a Chorro de la NASA, los investigadores toman imágenes a partir de longitudes de onda de 400 nanómetros y en intervalos de hasta 2.500 nanómetros, un rango que abarca las firmas espectrales de los hidrocarburos, incluida la del metano. Cada píxel de la fotografía contiene un espectro y representa un rango de longitudes de onda llamado «banda espectral». A partir de ahí, el aprendizaje automático toma la gran cantidad de datos para diferenciar el metano de otros hidrocarburos capturados en el proceso de creación de imágenes. El método también permite a los usuarios ver no solo la magnitud del penacho, sino también su fuente.
Las imágenes hiperespectrales para la detección de metano son un campo candente, con empresas que se lanzan a la refriega con equipos y sistemas de detección. Lo que hace que MethaneMapper se destaque es la diversidad y profundidad de los datos recopilados de varios tipos de terreno que permiten que el modelo de aprendizaje automático detecte la presencia de metano en un contexto de diferentes topografías, follaje y otros fondos.
«Un problema muy común con la comunidad de sensores remotos es que cualquier cosa que esté diseñada para un lugar no funcionará fuera de ese lugar», explicó Kumar. Por lo tanto, un programa de teledetección a menudo aprenderá cómo se ve el metano en un determinado paisaje, por ejemplo, el desierto seco del suroeste de Estados Unidos, pero lo comparará con el esquisto rocoso de Colorado o las extensiones planas del Medio Oeste, y el sistema podría no tener tanto éxito.
«Seleccionamos nuestros propios conjuntos de datos, que cubren aproximadamente 4000 sitios de emisiones», dijo Kumar. «Tenemos los estados secos de California, Texas y Arizona. Pero también tenemos la densa vegetación del estado de Virginia. Así que es bastante diversa». Según él, la precisión de rendimiento de MethaneMapper actualmente es del 91 %.
La versión operativa actual de MethaneMapper se basa en aviones para el componente de escaneo del sistema. Pero los investigadores están fijando algunas aspiraciones ambiciosas para un programa habilitado por satélite, que tiene el potencial de escanear franjas más amplias de terreno repetidamente, sin los gases de efecto invernadero que emiten los aviones. La principal compensación entre el uso de aviones y el uso de satélites está en la resolución, dijo Kumar.
«Puedes detectar emisiones tan pequeñas como 50 kg por hora desde un avión», dijo. Con un satélite, el umbral aumenta a unos 1000 kg o 1 tonelada por hora. Pero con el fin de monitorear las emisiones de las operaciones de petróleo y gas, que tienden a emitir miles de kilogramos por hora, es un pequeño precio a pagar por la capacidad de escanear partes más grandes de la Tierra, y en lugares que podrían no estar en el radar, por así decirlo.
«El caso más reciente, creo que hace siete u ocho meses, fueron las emisiones de una plataforma petrolera frente a la costa en algún lugar hacia México», dijo Kumar, «que emitía metano a una tasa de 7610 kilogramos por hora durante seis meses. Y nadie lo sabía.
«Y el metano es tan peligroso», continuó. «La cantidad de daño que el dióxido de carbono causará en cien años, el metano puede hacerlo en solo 1,2 años». La detección satelital no solo podría rastrear las emisiones de carbono a escala global, sino que también se puede usar para dirigir escaneos posteriores desde aviones para investigaciones de mayor resolución.
En última instancia, Kumar y sus colegas quieren llevar el poder de la IA y las imágenes hiperespectrales de metano a la corriente principal, poniéndolos a disposición de una amplia variedad de usuarios, incluso sin experiencia en aprendizaje automático.
«Lo que queremos ofrecer es una interfaz a través de una plataforma web como BisQue, donde cualquier persona puede hacer clic y cargar sus datos y generar un análisis», dijo. «Quiero proporcionar una interfaz simple y efectiva que cualquiera pueda usar».
El proyecto MethaneMapper está financiado por el premio SI2-SSI #1664172 de la Fundación Nacional de Ciencias. El proyecto es parte de la iniciativa del Centro para la ciencia y la atención médica de Big Data multimodal en UC Santa Barbara, dirigida por el profesor BS Manjunath. Además, MethaneMapper se presentará como un documento destacado en la Conferencia de reconocimiento de patrones y visión por computadora (CVPR) de 2023, el evento principal en el campo de la visión por computadora, que se llevará a cabo del 18 al 22 de junio en Vancouver, Columbia Británica.