O gás mais comumente associado ao efeito estufa é o dióxido de carbono, ou simplesmente gás carbônico, cuja principal fonte de geração acima dos níveis naturais é a combustão. Mas outro gás deve ser considerado em relação a esse fenômeno: o metano. Apesar de estar presente na atmosfera em menores concentrações e ser rapidamente decomposto, ele é de 20 a 80 vezes mais efetivo na retenção de calor.
O metano é o principal componente do gás natural que é usado como combustível. Níveis anormais de metano podem ser resultado de processos de queima incompletos (do ponto de vista químico) e de vazamentos de instalações industriais que usam o gás. O monitoramento e a prevenção de fuga de metano para a atmosfera são limitados por ser um gás de difícil detecção. Curiosamente, sua característica de aquecer rapidamente tem sido explorada com essa finalidade, através da captação de sinais de infravermelho, que são emitidos por fontes quentes. Entretanto, pela simples análise de infravermelho não é possível discernir o metano de outros gases com perfil de emissão similar.
Para fazer essa distinção, pesquisadores da Universidade da Califórnia Santa Barbara recorreram à inteligência artificial. Eles partiram de medidas de detecção de calor por infravermelho na região de comprimento de onda de 400 a 2510 nm, realizadas próximas a instalações de processamento de óleo e gás. Essas medições são apenas sugestivas da presença de metano, sem permitirem sua quantificação nem localização. Mas o método utilizado, chamado de imageamento hiperespectral, envolve a coleta de uma série de imagens onde cada pixel contém um espectro (sinal de emissão em comprimento de onda específico), e cada imagem representa uma banda espectral (uma faixa de comprimentos de onda). Aliada à sua alta sensibilidade, o método possibilita a identificação do perfil espectral dos gases, como o metano, que emite infravermelho na faixa de 2200 a 2400 nm. Mesmo nessa faixa mais estreita, entretanto, outros gases – como aqueles que se soltam de asfalto e tintas de construção – podem estar presentes, e é aí que entra o algoritmo de machine learning utilizado. Ele foi treinado para identificar o formato que um vazamento de metano toma desde seu início até sua dispersão na atmosfera. Assim foi possível não só diferenciar o metano nas leituras realizadas, mas também identificar sua origem. O método permitiu detectar vazamentos do gás com precisão de 87%.
A pesquisa deve permitir o correto dimensionamento da poluição relacionada ao metano, principalmente de fontes suspeitas, o que deve ajudar a elucidar o papel desse gás nas alterações climáticas. Também será possível aplicar o método no monitoramento e na geração de planos de ação caso vazamentos sejam identificados.
O trabalho foi apresentado na Conferência de Inverno de Visão Computacional Aplicada (WACV, Winter Conference on Applications of Computer Vision) que ocorreu entre os dias 1 e 5 de março no Colorado.
