STARCOP; EMIT-MSeg

本研究引入两个关键数据集以支持星载甲烷检测算法的开发与评估。STARCOP数据集由机载AVIRIS-NG高光谱传感器采集，包含512×512像素的瓦片图像及甲烷羽流语义分割标签，其“全波段”变体涵盖125个光谱通道，专注于1573–2480纳米甲烷敏感波段，用于模型训练与测试。EMIT-MSeg作为新型空间数据集，源自国际空间站部署的EMIT传感器，提供285个光谱波段（381–2493纳米），包含52个手动标注场景，涵盖甲烷泄漏与混淆场景，旨在评估模型在未知传感器上的泛化能力。这些数据集通过高质量标注策略构建，应用于高光谱遥感领域，旨在解决甲烷泄漏的实时星载检测问题，助力气候变化减缓行动。This study introduces two key datasets to support the development and evaluation of spaceborne methane detection algorithms. The STARCOP dataset is collected by the airborne AVIRIS-NG hyperspectral sensor, containing 512×512 pixel tile images and methane plume semantic segmentation labels. Its "full-band" variant covers 125 spectral channels, focusing on the methane-sensitive spectral bands of 1573–2480 nm, and is used for model training and testing. EMIT-MSeg, as a novel spatial dataset, originates from the EMIT sensor deployed on the International Space Station (ISS). It provides 285 spectral bands (381–2493 nm) and contains 52 manually annotated scenes covering methane leaks and confounding scenarios, aiming to evaluate the generalization ability of models on unseen sensors. These datasets are constructed with high-quality annotation strategies and applied in the field of hyperspectral remote sensing, aiming to address the real-time spaceborne detection of methane leaks and support climate change mitigation efforts.

原始信息汇总

数据集概述：Methane Filters Benchmark

该数据集是一个用于基准测试和比较甲烷过滤器的项目，特别关注在低功耗边缘设备上的优化。除了传统滤波器，还探索了使用机器学习模型对滤波器输出进行精炼。

最新动态（期刊文章更新）

• EMIT 在 Q8J 上的部署：新增 emit_deployment/ 文件夹，包含用于预处理 EMIT 数据、运行完整检测管道以及测量 Q8J 板上每步时间戳、资源使用（CPU、RAM、磁盘 I/O）和功耗的脚本。
• Mag1c-SAS 的 Numpy 实现：在 sped_up_filters.py 中增加了纯 numpy 的 mag1c_SAS 和 mag1c_tile 实现。
• MF 和 ACE 的加性/乘性关系：优化的匹配滤波器和 ACE 现在支持加性和乘性背景-目标关系，通过 addition 参数控制。使用乘性关系改善了这些滤波器的视觉清晰度和检测指标。
• onboard-methane-detection 库：Mag1c-SAS 预处理和推理功能已集成到一个独立的 PyPI 库中，可通过 pip install onboard-methane-detection 安装。
• 更新的 CSV 文件：重新测量了所有滤波器在 Xiphos Q8J 上的运行时间，并为新的乘性 MF 和 ACE 变体添加了指标。
• 代码更新与重构：将硬编码参数移至 YAML 配置文件和 CLI 参数。

引用

若研究有用，请引用相关 arXiv 论文（编号：2606.03675）。

演示 Notebook

• Models Demo：演示模型推理。
• Products Creation and Benchmarking Demo：演示生成产品并测量其运行时间。

资源

• STARCOP – All Bands Version：原始高光谱数据，用于计算滤波器产品。
• Precomputed Filters：预计算的谱滤波器和数据产品。
• Trained Models：使用上述预计算产品训练的甲烷检测模型。
• EMIT Test Dataset：用于评估的 EMIT 高光谱测试场景。

仓库克隆

使用以下命令克隆包含子模块的仓库：

git clone --recursive https://github.com/zaitra/methane-filters-benchmark.git

概述

加速后的传统滤波器位于 sped_up_filters.py 文件中，Mag1c-SAS（Mag1c 的修改版本）作为子模块包含在 benchmark/mag1c_fork 中。运行时测试可通过 test_sped_up_filters.py 脚本执行。

运行时测量

使用以下命令测试和基准测试滤波器：

python benchmark/test_sped_up_filters.py --channels [N_of_channels]

可通过 --repetitions、--no-sleep、--channels、--compute-original-filters、--measure-morphological-baseline、--precision 和 --hdr-path 等参数进行自定义。

滤波器生成

使用 benchmark/create_filters_for_starcop.py 脚本从 STARCOP 数据生成滤波器，需在 benchmark/cfg/classic.yaml 配置文件中设置参数。

指标评估

使用 benchmark/metrics_runner/metrics_runner.py 脚本评估滤波器指标，配置在 benchmark/metrics_runner/cfg/ 目录下的 YAML 文件中定义。结果为 CSV 文件，存储在 csvs/ 目录中。

搜集汇总

数据集介绍

构建方式

在气候变化日益严峻的背景下，甲烷作为强效温室气体的早期检测具有重要意义。STARCOP数据集来源于机载AVIRIS-NG传感器获取的高光谱遥感影像，包含3425张512×512像素的训练样本与342张测试样本，覆盖125个光谱波段（RGB加122个甲烷相关通道），并附带语义分割标注。EMIT-MSeg数据集则基于星载EMIT传感器的L1B辐射数据构建，包含52个场景（其中半数含甲烷羽流），标注采用多尺度可视化辅助策略——标注者可切换四种不同最大浓度阈值的Mag1c产品视图，并结合Google Earth高分辨率影像与KML地理位置文件辅助判断，最终经两位遥感专家审核确认。

特点

STARCOP与EMIT-MSeg数据集各自承载着独特的科学价值。STARCOP专注于机载AVIRIS-NG数据，展现甲烷在短波红外谱段的吸收特征，适合训练地基到星载的迁移学习模型。EMIT-MSeg作为首个基于EMIT传感器的开源甲烷分割数据集，覆盖全球多样地理场景（包含城市、太阳能农场等已知干扰物），其正样本占比仅0.46%，具有显著的类别不平衡特征。特别值得关注的是，EMIT-MSeg的数据集构建采用精心设计的人工标注策略：通过四种不同可视化浓度范围的Mag1c产品叠加展示，使标注者能够精准区分真实甲烷增强与虚假信号。

使用方法

该数据集的使用方式灵活多元，为甲烷检测研究提供了完整解决方案。研究者可采用ACE、CEM、MF等经典目标检测方法或高效快速的Mag1c-SAS算法计算甲烷增强产品，随后对结果进行阈值分割和形态学后处理，或将其与RGB波段组合输入轻量级深度学习模型（如LinkNet）进行语义分割。模型训练时采用加权采样与损失函数引导策略，将前一步的甲烷增强产品作为注意力权重引入二元交叉熵损失，使模型聚焦于羽流区域和干扰区域。最终产物已封装为传感器无关的PyPI库，支持在Xiphos Q8J等星载CPU上高效运行，实现从原始高光谱数据到甲烷检测结果的端到端流水线。

背景与挑战

背景概述

甲烷作为一种强效温室气体，其短期增温潜势远超二氧化碳，而油气工业中的超排放事件具有突发性与不可预测性，因此对其实时监测成为减缓气候变化的关键手段。星载高光谱遥感虽能捕捉甲烷的特征光谱信号，但传统数据下行链路带宽有限，且依赖人工选区的观测模式严重限制了潜在泄漏事件的捕获。在此背景下，Jonáš Herec等研究人员于2025年提出了STARCOP与EMIT-MSeg两个数据集，前者基于机载AVIRIS-NG传感器数据构建用于训练与评估，后者则基于星载EMIT传感器数据并配套高质量标注策略，旨在推动低功耗卫星平台上基于算法与轻量机器学习的甲烷实时检测研究。这两个数据集的发布填补了星载甲烷分割领域中多传感器泛化评估的空白，为后续星上快速检测系统的开发奠定了重要基准。

当前挑战

当前甲烷星载检测面临的核心挑战在于资源受限硬件上的高效算法设计。高光谱数据维度高、存量庞大，传统匹配滤波算法如Mag1c虽精度优越，但逐列迭代计算协方差矩阵与背景统计参数，对低功耗星上CPU计算与内存开销过大。同时，STARCOP和EMIT-MSeg数据集构建中面临标注困难：甲烷羽流在伪彩色影像中不可见，需依赖多尺度可视化辅助人工判别，且不同场景间背景异质性（如城市、云层、光伏板等干扰源）增加了标签一致性与准确性保证的难度。此外，模型从机载传感器（AVIRIS-NG）向星载传感器（EMIT）迁移时，波段配置差异与全局背景统计不稳定导致检测性能下降，需额外设计阈值调整与波段选择策略以维持鲁棒性。

常用场景

经典使用场景

在遥感与气候变化研究领域，STARCOP与EMIT-MSeg数据集被广泛用于甲烷羽流的语义分割与检测任务。基于机载AVIRIS-NG与星载EMIT传感器采集的高光谱影像，这两个数据集为训练和评估甲烷泄漏检测算法提供了高质量的标注样本。研究者常利用它们开发高效的甲烷增强产品（如Mag1c-SAS）与轻量级机器学习模型（如LinkNet）相结合的检测流水线，旨在平衡星上部署的精度与计算效率。通过在这两个数据集上的交叉验证，可以评估模型对不同传感器与地理环境的泛化能力，从而推动星上实时甲烷监测技术的发展。

衍生相关工作

STARCOP与EMIT-MSeg数据集催生了多项具有影响力的衍生工作。其中，Mag1c-SAS算法作为对经典Mag1c的高效改进，被后续研究广泛采纳为星上甲烷检测的基线方法。同时，基于这两个数据集训练的U-Net与LinkNet模型，启发了将经典目标检测算法（如ACE、CEM、MF）与深度学习后处理结合的新范式，该范式已推广至其他痕量气体（如CO₂）的遥感检测任务。此外，数据集引入的高质量注释策略（结合多阈值可视化与Google Earth验证）也被多篇后续研究引用，成为高光谱气体羽流标注的参考标准。

数据集最近研究

最新研究方向

STARCOP和EMIT-MSeg数据集的最新研究方向聚焦于星上甲烷泄漏的快速检测，尤其是针对资源受限的低功耗卫星硬件。前沿工作通过Mag1c-SAS等加速算法将传统Mag1c方法提速约80倍，并结合轻量级LinkNet模型进行噪声抑制，在保持检测精度的同时实现了高效部署。该方向与全球气候变化监测紧密相关，尤其是对油气行业超强排放事件的早期预警，具有显著的环保与经济意义。此外，波段选择策略（如方差递增法和最高透过率法）的探索进一步优化了计算效率，而EMIT-MSeg数据集的提出填补了星载传感器标注数据的空白，为跨传感器泛化研究提供了基准。

相关研究论文

• A Fast Methane Detection Pipeline on Board Satellites Based on Mag1c-SAS and LinkNet

  扎伊特拉公司; 美国宇航局喷气推进实验室; 马萨里克大学·信息学院 · 2026年