Appendix: Methodology

Downloads

Faça o download do PDF completo

DATOS

Os dados de grade global são fornecidos no formato NetCDF. Os dados nos locais dos locais de extração de carvão, petróleo e gás da GEM e dados de produção de países são fornecidos como arquivos CSV. Os arquivos globais são fornecidos para ativar a extração de dados para qualquer local, não apenas os locais de combustível fóssil apresentados no estudo, mas também outras fontes, como locais de aterro, e para apoiar a criação de mapas para sub -regiões, países ou outras áreas de interesse. (PDF)

For more details on the provided data, please refer to the data description document below.

Métodos

Esta é uma descrição técnica do método e das entradas usadas para derivar a categorização de detecção. favorável, moderado e difícil para a detecção de metano. O sistema de pontuação foi projetado de maneira flexível para ser executada em qualquer resolução espacial ou timestep. Para os propósitos deste estudo, cada conjunto de dados é interpolado em uma grade espacial e temporal consistente (0,1

Five gridded datasets are combined to create a score with three categories; favourable, moderate and difficult for methane detection. The scoring system is designed flexibly to be run on any spatial resolution or timestep. For the purposes of this study, each dataset is interpolated onto a consistent spatial and temporal grid (0.1 O x 0,1 O, que é aproximadamente 10 km de resolução nos equadores, e um timep). A grade espacial foi escolhida para ser a mesma que a ERA5-LAND GRID.  

Para cada conjunto de dados de entrada, as condições em cada célula da grade são rotuladas como favoráveis, moderadas ou difíceis, com base nos limites definidos na tabela abaixo. 

Uma categoria combinada para cada célula / mês da grade é atribuída da seguinte forma:

• Favorável: todas as entradas devem ter categorias favoráveis. 
• Moderado: uma ou mais entradas devem ter uma categoria moderada. 
• Difícil: Um ou mais entradas devem ter uma categoria difícil. 

O resultado é uma categoria de detecção para cada mês, para cada pixel de 0,1 graus globalmente. O desvio padrão da elevação dentro de uma caixa de grade de 0,1 grau é derivado de 30 dados de arcsegundos.  Desvios padrão> 100m são classificados como difíceis.  Os valores entre 80m e 100m são classificados como moderados e menos de 80m são favoráveis. Esses limites são os mesmos que os usados ​​para aplicar sinalizadores de qualidade no algoritmo de recuperação

Elevation variability

Mountainous regions are identified using the variability in elevation from the GMTED2010 digital elevation model. The standard deviation of the elevation within a 0.1-degree grid box is derived from 30 arcsecond data.  Standard deviations  > 100m  are classified as difficult.  Values between 80m and 100m are classified as moderate and less than 80m are favourable. These thresholds are the same as those used to apply quality flags in the Tropomi.  

ângulo do zênite solar

O ângulo do zênite solar é modelada usando o dia do ano e a latitude.  Os valores mensais são calculados como a média dos valores diários máximos.  Ângulos do zênite solar maiores que 75 O são classificados como difíceis, entre 70 O e 75 O || 448 are moderate and less than 70o are favourable. These thresholds are taken from the quality flags applied to the Tropomi.   

Cover de nuvens

Identificamos áreas muito nubladas para a recuperação do metano usando o Pontuação da nuvem+ Produto, disponível no Google Earth Engine.  O produto foi derivado usando imagens Sentinel-2 e aprendizado de máquina para identificar a semelhança entre imagens nubladas e claras do céu e contém duas pontuações em nuvem. Aqui, a chamada banda CS é usada, onde os valores de 0 representam o céu "nublado" e 1 representa o céu "claro".  A pontuação média mensal da nuvem + os dados foram extraídos para os anos 2020-2023.  Uma média mensal é calculada ao longo desses anos para explicar a variabilidade interanual na nebulosidade.  

Os desenvolvedores do CloudScore+ fornecem um limite recomendado de 0,65 para distinguir entre dias claros e nublados, no entanto, esse limite é válido apenas para os dados diários de 10m brutos. Um novo limite é necessário quando os dados são agregados na resolução espacial de 0,1 graus e uma etapa mensal. A seção de ajuste de parâmetros abaixo descreve como o limite favorável foi selecionado empiricamente. O limiar de cobertura de nuvens sintonizado para condições "favoráveis" foi estimado em maior que 0,3. O limiar "difícil" foi definido como ≤ 0,2.  O julgamento foi usado ao selecionar esse limiar para garantir que os países tivessem uma distribuição de produção de petróleo, gás e carvão nas categorias "moderadas" e "difíceis". nm. Os dados são mascarados para remover a água e o oceano interiores usando o

Albedo

Surface albedo in the shortwave infrared, where methane sensing takes place,  was estimated from Sentinel-2 using band 12, centred around 2190 nm. The data is masked to remove inland water and ocean using the  Modis Land Classification Mapa. O albedo foi mascarado em nuvem usando a pontuação da nuvem+ o produto descrito acima.  Os albedos médios mensais são calculados usando o motor do Google Earth e agregados de 10 a 0,1 O x 0,1 O Resolução. Os dados mensais são produzidos para os anos 2020-2023.  Uma média mensal é calculada para explicar a variabilidade interanual no albedo e reduzir o impacto da cobertura de nuvens na cobertura de dados. A seção de ajuste de parâmetros abaixo descreve como o limite para detecção favorável foi selecionado. O limiar de albedo empiricamente ajustado para condições "favoráveis" foi estimado em maior que 0,06. O limiar "difícil" é definido com albedos ≤ 0,02. Esse valor foi selecionado porque está associado aos dados de baixa qualidade no algoritmo de recuperação de Tropomi.   

Velocidade do vento

Utilizamos velocidades médias mensais de zonal (u) e meridional (v) 10 metros de vento para os anos 2020-2023 do conjunto de dados ERA5-LandCopernicus Climate Data Store. Wind speed is calculated from the components and a monthly climatology is calculated. Wind speeds below 4m/s are labelled as favourable, between 4-10 m/s are labelled as moderate, and greater than 10m/s are labelled as difficult. The parameter tuning section below describes how the ‘favourable’ threshold was selected. For wind speed, ‘difficult’ was defined as exceeding a threshold of 10 m/s. This threshold was loosely informed by Publicações Indicando que a probabilidade de detecção é menor em velocidades de vento mais altas.  Estes Estudos mostraram probabilidade reduzida de detecção de até 8 m/s, por isso optamos por 10 m/s para errar no lado da cautela. Esta é uma abordagem semi-quantitativa, pois o limite pode variar dependendo das taxas de emissão e não há uma definição clara das categorias "moderadas" e "difíceis".   

Ajuste limiar

Para estabelecer limiares favoráveis ​​para cobertura de nuvens, velocidade do vento e albedo, ajustamos esses parâmetros usando 2.962 observações de pluma de metano de Tropomi, detectadas por Kayrros e Imoo. Exploramos uma variedade de valores de limiar plausível - velocidade de vento (1–14 m/s), cobertura de nuvens (0,25-0,6) e albedo (0,025-0,3) - e geramos 500 combinações diferentes usando a amostragem de hipercubo latino. Para cada combinação, verificamos a frequência com que as observações de Tropomi aconteceram em locais e meses favoráveis. Definimos o melhor conjunto como aquele que encontrou observações em condições favoráveis ​​em cerca de 85% dos casos. O limiar que separa as categorias "moderadas" e "difíceis" não foi ajustado dessa maneira, porque não está claro como fazê -lo com precisão. Em vez disso, definimos esses limiares com base em nosso julgamento para cada parâmetro, conforme descrito acima. Por exemplo, sensores com alta resolução espacial (por exemplo, Ghgsat, Emit, Carbonmapper) são capazes de detectar metano em algumas regiões montanhosas onde um mapeador de fluxo de área (Tropomi) consideraria isso desafiador. Além disso, para a maioria dos parâmetros, não existem limites físicos claros em que o sensor para de detectar metano, mas uma degradação gradual de seu desempenho esperado. O ajuste do limite foi realizado apenas em um conjunto de dados limitado, com base em um sensor e incluindo apenas detecções positivas. Portanto, todos os limiares fornecidos devem ser tratados como guias aproximados e não como limites físicos difíceis para o desempenho do satélite.   

Note that only the ‘favorable’ categories were tuned, as it is straightforward to define whether an observation exists or not. The threshold separating ‘moderate’ and ‘difficult’ categories was not tuned in this way because it is unclear how to do so precisely. Instead, we set those thresholds based on our judgement for each parameter, as described above.

Limitations of the method and future work

There are no universal thresholds that apply to all satellites, and individual sensors may be better at detecting methane than others in some environmental conditions. For instance, sensors with a high spatial resolution (e.g., GHGSat, EMIT, CarbonMapper) are able to detect methane in some mountainous regions where an area flux mapper (TROPOMI) would find this challenging. Moreover, for most parameters there exist no clear physical limits where the sensor stops detecting methane, but rather a gradual degradation of its expected performance. Threshold tuning was performed only on a limited dataset, based on one sensor, and including only positive detections. Therefore, all provided thresholds should be treated as rough guides and not as hard physical limits for satellite performance.   

Outra limitação é que as categorias de detecção são baseadas em dados mensais, enquanto as observações de satélite representam um único viaduto instantâneo. Essa simplificação se deve aos práticos de gerenciar grandes conjuntos de dados. No entanto, o uso de dados mensais pode obscurecer a variabilidade presente nas observações diárias

nem todos os fatores que afetam a recuperação do metano estão incluídos neste estudo. Por exemplo, a alta carga de aerossol pode ser de particular importância nas regiões áridas e semi-áridas, mas não foi levada em consideração. A variabilidade do albedo no solo também afetará a recuperação do metano, especialmente para sensores multi-espectrais, dificultando a distinção de plumas de metano de artefatos terrestres; Isso também não foi considerado neste estudo. 

Ativos de combustível fóssil de localização

Os locais dos locais de extração de combustível fósseis são retirados do Monitor Global de Energia (GEM) Global Coal Mine Tracker (GCMT) e || 503 Global Oil and Gas Extraction Tracker (GOGET). Monthly  ‘difficult’,  ‘moderate’ and ‘favourable’ categories are calculated for the nearest latitude and longitudes for 3,778 operational coal mines and 4,703 operational oil and gas upstream assets. Only onshore oil and gas exploration sites are included.  

Dados de produção de combustível fóssil

Os dados de produção de carvão são provenientes do recentemente liberado Supplemento de 2024 de setembro de 2024 para o rastreador de mina de carvão do Global Energy Monitor. Este suplemento fornece números históricos de produção para minas operacionais de carvão em todo o mundo, com capacidades superiores a 1 milhão de toneladas por ano, cobrindo os anos de 2017 a 2023. Para a análise, os valores de produção do ano mais recente disponíveis para cada mina de carvão são usados. 

Os dados de produção de petróleo e gás vêm do rastreador Global Oil and Gas Extração (GOGET). 

Os dados incluem locais de extração que possuem produção de 1 milhão de barris de petróleo por ano ou mais e ou reservas de 25 milhões de barris de petróleo. Para estimar a produção combinada de petróleo e gás, a produção de gás é convertida em barris de petróleo equivalente por ano. Semelhante ao carvão, os dados de produção para o ano mais recente disponível são usados ​​na análise. 

A produção em categorias "difíceis", "moderadas" e "favoráveis" é calculada multiplicando a produção de gem pela proporção do ano classificada com cada categoria. É importante observar que o conjunto de dados GEM não inclui informações de produção para todos os ativos listados, resultando em alguns dados ausentes. No entanto, escolhemos esse conjunto de dados porque é acessível abertamente.

Agradecimentos

Contribuidores

Os autores gostariam de agradecer a Reynaldo Dizon por criar as ilustrações deste relatório. 

Os autores também gostariam de agradecer ao número de colegas que ofereceram comentários valiosos durante a conceituação e a preparação deste relatório, incluindo Dody Setiawan, Zitited Tzompa Sosa, David McCabe, Sabina Assan, Hannah Broadbent, Eleanor Whittle, Muyi Yang, Jonathan. Revisores externos para seus comentários, o que ajudou a melhorar o relatório. 

We thank all external reviewers for their feedback which helped to improve the report. 

Imagem da capa

Crédito da foto da capa: Unsplash