Erkennung von Methan- und Treibhausgasfahnen aus Satellitendaten

Methan ist ein kurzlebiges, aber sehr wirksames Treibhausgas, und ein großer Teil der Emissionen aus Öl und Gas, Kohle und Deponien stammt aus wenigen unbeabsichtigten Lecks und Entlüftungsereignissen. Satellitenspektrometer sehen die Methanabsorption im kurzwelligen Infrarot, und ML-Modelle machen aus diesen Spektren Fahnenmasken, Emissionsraten und Zuordnungen zu einzelnen Anlagen. Das Ergebnis sind unabhängige, wiederholbare Nachweise für Leckreparatur-Kampagnen, die Berichterstattung an Behörden und die Importprüfung, die sonst nur aus lückenhaften Bodenmessungen verfügbar sind.

Problem & Nutzen

• Heute: Betreiber stützen sich auf periodische Leckerkennung mit Handgeräten oder Fahrzeugen (LDAR), Bottom-up-Emissionsfaktoren und Selbstauskünfte. Große, sporadische Freisetzungen („Super-Emitter“) werden leicht übersehen, und Importeure, Behörden und Investoren haben keine unabhängige Kontrolle.
• KI-Nutzen: Satelliten decken abgelegene Anlagen laufend ab. Segmentierung mit Deep Learning und physikalisch basierte Retrievals finden Fahnen in Bildern, die Menschen nicht in dieser Menge prüfen können, quantifizieren sie und ordnen sie einer benannten Anlage zu. So können die Einsatzkräfte Reparaturen priorisieren.
• Regulatorischer Druck in der EU: Die Verordnung (EU) 2024/1787 zur Verringerung der Methanemissionen im Energiesektor verlangt Messung, Berichterstattung und Überprüfung (MRV) sowie Leckerkennung und -reparatur für Öl-, Gas- und Kohlebetreiber in der EU. Importeure müssen belegen, dass Lieferländer und Lieferunternehmen ein MRV anwenden, das den EU-Regeln gleichwertig ist; die Nachweise zur Gleichwertigkeit sind ab 2027 fällig. Die Kommission nutzt außerdem Satellitendaten, um große Emissionsereignisse zu erkennen und die Mitgliedstaaten zu benachrichtigen, die ihrerseits die Betreiber zu Untersuchung und Bericht verpflichten müssen [1][2].
• Globale Warnungen: Die International Methane Emissions Observatory (IMEO) des UNEP betreibt das Methane Alert and Response System (MARS), das Satellitenerkennungen in Benachrichtigungen an Regierungen und Betreiber umsetzt [3].
• Zahlen zum Minderungspotenzial veröffentlichen die IEA und das UNEP; verwenden Sie für einen Business Case deren Zahlen statt Herstellerangaben.

Varianten

• Öl- und Gasbetreiber: eigene Anlagen prüfen, LDAR validieren, nicht gemeldete Ereignisse finden.
• Importeur / Gaskäufer: Lieferantenangaben nach den EU-Import-MRV-Regeln überprüfen (LNG, Pipelinegas, Rohöl).
• Kohlebergwerke: Emissionen aus Wetterschächten und Entgasungsstationen.
• Deponien und Abfallstandorte: Fahnenerkennung an Standorten mit dauerhaften Punktquellen.
• Behörde / öffentliche Stelle: nationale Nachverfolgung von Super-Emitter-Meldungen; gezielte Inspektionen.
• Investoren und ESG-Analysten: Emissions-Screening auf Portfolioebene, siehe DATA-012 und LANG-037.
• Andere Treibhausgase: CO2-Punktquellen (Kraftwerke, Zement) aus Missionen wie OCO-3, PRISMA und dem kommenden Copernicus CO2M, dazu regionale Inversion für nationale Inventare.
• Kartierung auf EnMAP-Basis: Die deutsche hyperspektrale Mission EnMAP ist eine EU-Datenquelle in Forschungsqualität für Methan-Retrievals.

So funktioniert es

1. satellite scene (SWIR hyperspectral or Sentinel-2/Landsat bands)
2. radiometric prep, cloud/glint/surface masking
3. methane enhancement retrieval (matched filter or ΔXCH4 from spectra)
4. ML plume detection/segmentation (CNN/U-Net/ViT)
5. false-positive rejection
6. wind lookup (ERA5 / forecast)
7. emission rate by integrated mass enhancement or cross-sectional flux
8. facility attribution (asset registry geometry, plume origin)
9. expert review of candidate plumes
10. alert / notification / MRV record

• Retrieval: Die Familie der Matched-Filter-Verfahren (und iterative physikalisch basierte Retrievals) schätzt pro Pixel die Methan-Anreicherung aus den SWIR-Absorptionsmerkmalen um 2300 nm. Die Sentinel-2-SWIR-Bänder liefern nur grobe spektrale Information, dafür aber große Abdeckung und häufige Wiederkehr.
• Gelernte Erkennung: Segmentierungsnetze, die auf gelabelten Anreicherungskarten trainiert wurden (zum Beispiel die STARCOP-Arbeiten zu hyperspektralen Daten und mehrere Sentinel-2-Fahnenstudien), unterdrücken Fehlalarme durch Oberflächenartefakte und finden schwächere Fahnen [4][5].
• Quantifizierung: erfordert Windgeschwindigkeit und eine auf der Fahnenmaske beruhende Massenschätzung (Integrated Mass Enhancement, IME, oder Querschnittsfluss). Die Windunsicherheit dominiert oft den Fehler.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten prüfen Kandidatenfahnen, bevor ein Alarm an einen Betreiber oder eine Regierung geht, denn eine falsche Zuordnung hat vertragliche und rufschädigende Folgen.

Datenaufbereitung

Die Kerndaten sind Satellitenaufnahmen (EnMAP, EMIT, Sentinel-2, TROPOMI), die öffentlich oder lizenziert sind und vom Nutzer nicht bereinigt werden müssen. Schwierig ist die Betreiberseite: Anlagenregister, Anlagenkoordinaten, Wartungs- und LDAR-Aufzeichnungen. Diese liegen typischerweise in GIS, einem Instandhaltungssystem (SAP PM oder ähnlich), Tabellenkalkulationen und PDF-Inspektionsberichten auf Dateiablagen.

Typische Lücken sind falsche oder veraltete Anlagenkoordinaten, Anlagen ohne eindeutige IDs, Reparaturnachweise nur als eingescanntes Papier oder Freitext, uneinheitliche Einheiten (kg/h gegenüber t/Jahr) sowie Wind- oder Zeitstempel ohne gemeinsame Zeitzone. Ohne sauberes Anlagenregister lässt sich eine erkannte Fahne keinem verantwortlichen Betreiber zuordnen.

Schritte der Aufbereitung: (1) ein georeferenziertes Anlagenregister mit stabilen IDs und Polygonen aufbauen (QGIS, PostGIS, OSM als Gegenprobe); (2) Reparatur- und Inspektionshistorie aus dem Instandhaltungssystem extrahieren und Papierberichte digitalisieren, siehe PREP-005 und PREP-006; (3) Einheiten und Zeitstempel in aufgeräumten Tabellen vereinheitlichen, siehe PREP-011; (4) für jede Datenquelle eine verantwortliche Person festlegen, siehe PREP-004; (5) mit Fachleuten eine kleine Validierungsmenge bestätigter Lecks zusammenstellen, siehe PREP-018. Planen Sie etwa die Hälfte des Aufwands für die Datenarbeit ein, weil die Modelle und Satelliten-Feeds gekauft oder offen sind. Führen Sie zuerst den Daten-Readiness-Check in GUIDE-003 durch.

Umsetzungswege

Welcher Weg für wen

• Enterprise: Weg A, weil ausgereifte Anbieter von Emissionsanalysen validierte Fahnendaten und Zuordnung als Dienst liefern und Prüfnachweise gegenüber Auditoren und Behörden belastbar sein müssen.
• Developer: Weg C, weil offene Daten (Sentinel-2, EMIT, TROPOMI) und offener Retrieval-Code den Aufbau und die Validierung eigener Pipelines auf GPU-Hardware erlauben.
• Public: Weg C, weil Behörden von offenen Daten, reproduzierbaren Methoden und souveränem EU-Hosting (z. B. Copernicus-Infrastruktur) statt von der Abhängigkeit von einem einzelnen kommerziellen Anbieter profitieren.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• Kommerzielle Anbieter von Emissionsanalysen: GHGSat (Kanada; eigene Methansatelliten mit Auflösung auf Anlagenebene), Kayrros (Frankreich, EU; Methanüberwachung aus Satellitendaten mehrerer Quellen), Orbio Earth (Deutschland, EU; Methanüberwachung auf Sentinel-2-Basis), Carbon Mapper (gemeinnützig; Tanager-Satelliten und öffentliches Datenportal), Planet und Kuva Space (Finnland, EU; hyperspektrale Daten). Mehrere bieten API-Feeds und auf Importeure ausgerichtete Berichte.
• Öffentliche Warndienste: UNEP-IMEO-MARS-Benachrichtigungen für Regierungen und berechtigte Betreiber [3].
• A wählen, wenn: Sie schnell glaubwürdige, auditfähige Ergebnisse brauchen. Prüfen Sie die Datenlizenzbedingungen und welche Missionen der Anbieter tatsächlich nutzt, da sich die Nachweisgrenzen stark unterscheiden.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Datenzugang: Copernicus Data Space Ecosystem (EU) für Sentinel-2 und Sentinel-5P, die offenen Datenportale von NASA EMIT und Carbon Mapper, EnMAP-Daten über das EOWEB des Deutschen Zentrums für Luft- und Raumfahrt (DLR), Google Earth Engine zum Erkunden, ERA5-Wind aus dem Copernicus Climate Data Store.
• Rechenleistung: Cloud-GPUs in EU-Regionen; Orchestrierung mit STAC-Katalogen und Workflow-Werkzeugen (Airflow, n8n).
• B wählen, wenn: Sie eine eigene Screening-Ebene wollen und Herstellerdaten nur zur Bestätigung nutzen.

Weg C — Selbst betreiben (Open Source)

• Stack: Python mit rasterio, xarray, STAC-Clients (pystac-client), PyTorch-Segmentierungsmodellen, offenen Matched-Filter-Implementierungen von NASA JPL und dem EMIT-Team sowie dem offenen STARCOP und ähnlichem Forschungscode [4].
• Daten: offene Aufnahmen von Sentinel-2, EMIT und EnMAP. ERA5 für den Wind verwenden.
• Hardware: HW3 für Training und Batch-Inferenz über große Gebiete (Szenenkacheln sind groß). Inferenz auf einzelnen Aufnahmen passt auf eine kleinere GPU.
• Aufwand: erfordert Fachwissen in Fernerkundung und Atmosphärenphysik.

Weg D — Eigenes Training

Lohnt sich, wenn sich Ihre Anlagen oder Regionen von öffentlichen Benchmarks unterscheiden (zum Beispiel besondere Landbedeckung, Off-Nadir-Geometrie oder ein neuer Sensor). Erfordert gelabelte Anreicherungskarten mit bestätigten Fahnen und bestätigten Nicht-Fahnen, idealerweise mit Daten aus kontrollierten Freisetzungen oder Flugzeugvalidierung. Die synthetische Einblendung von Fahnen in reale Aufnahmen ist Standard zur Datenaugmentierung.

Stand der Technik (2026)

• Missionen: GHGSat-Konstellation, NASA EMIT auf der ISS, EnMAP, PRISMA, die Tanager-Satelliten von Carbon Mapper sowie Sentinel-2/Landsat für breite Abdeckung. MethaneSAT (EDF) startete 2024 zur flächendeckenden Kartierung, die Mission wurde 2025 aber als verloren gemeldet; prüfen Sie den aktuellen Status, bevor Sie sich auf ihr Archiv stützen [6]. Sentinel-5P TROPOMI liefert regionales Screening in grober Auflösung.
• Modelle: Deep-Learning-Detektoren auf Matched-Filter-Ausgaben übertreffen Schwellenwertverfahren bei hyperspektralen Daten, und die Erkennung großer Fahnen mit Sentinel-2 ist in Forschung und kommerziellen Diensten inzwischen Routine [4][5]. Foundation Models für die Erdbeobachtung dienen als Merkmalsextraktoren, aber physikalisch basierte Retrievals bleiben die Grundlage der Quantifizierung.
• Kontrollierte Freisetzungstests unabhängiger Gruppen sind der anerkannte Weg, Nachweisgrenzen und Quantifizierungsfehler zu prüfen; fordern Sie solche Ergebnisse von jedem Anbieter an.
• Grenzen: Die Nachweisschwellen variieren je nach Sensor (grobe Sensoren finden nur große Emittenten), und helle oder heterogene Oberflächen, Wolken, Sonnenreflexion, Schnee und Wasser verursachen Fehlalarme oder blinde Flecken. Offshore- und Hochbreiten-Standorte sind schwierig. Einzelne Überflüge erfassen bei sporadischen Quellen nur eine Momentaufnahme, daher lassen sich Jahressummen nicht naiv hochrechnen. Der Windfehler dominiert die Unsicherheit der Rate. Satelliten ergänzen Boden- und Flugzeugmessungen, sie ersetzen sie nicht.

Gemeinsame Bausteine & Kombinationen

• Gleicher Fernerkundungs-Stack: VIS-021 Landnutzung und Veränderungserkennung, VIS-038 Compliance-Prüfungen öffentlicher Stellen, VIS-049 EUDR und MRV für Waldkohlenstoff, VIS-061 InSAR-Bodenbewegung — gemeinsame STAC-Pipelines, Kachelung, GPU-Inferenz.
• Kombinationen: ANOM-013 (Leckerkennung im Netz) liefert Referenzwerte (Ground Truth) für Pipelines; DATA-012 (CSRD-Berichterstattung) und DATA-021 (Produkt-CO2-Fußabdruck) verwenden die Emissionsschätzungen; SCI-010 (Klima- und Erdsystemmodellierung) nutzt sie für Inversionen.
• Hardware: HW3 gemeinsam mit anderen Fernerkundungs-Batch-Workloads.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zur Einführung; Abonnement oder Preise pro Standort/Bericht.
• Weg B: 3–6 Monate für eine Screening-Pipeline samt Validierung.
• Weg C/D: 6–12 Monate mit Fachpersonal; gelabelte Daten sind der Engpass.
• Kostentreiber: kommerzielle hochauflösende Aufnahmeaufträge, GPU-Zeit für große Gebiete, fachliche Prüfung.
• Kennzahlen: Nachweisquote (Recall) und Fehlalarmrate gegenüber kontrollierten Freisetzungen, Fehler der Emissionsrate, Zeit vom Überflug bis zum Alarm, Anteil der vor Ort bestätigten Alarme, Reparaturvorlaufzeit, Abdeckung und Wiederkehrrate der Anlagen.

Menschen & Veränderung

Beginnen Sie mit der Geschäftsleitung und der Abteilungsleitung für Betrieb oder Compliance, die das Ziel (Berichtspflichten, Importprüfung oder Leckreparatur) und das Budget festlegen. Binden Sie die Datenverantwortlichen von Anlagenregister und Instandhaltungssystem früh ein, denn die Zuordnung hängt von deren Daten ab. Die IT muss Alarme in den Ticket- oder Instandhaltungsworkflow integrieren; Recht und Compliance prüfen Berichtspflichten und Vertragsbedingungen mit Datenanbietern, und Lieferanten oder Partnerbetreiber sollten informiert werden, wenn ihre Standorte überwacht werden.

Betriebsrat: normalerweise nicht erforderlich, weil Satellitendaten Anlagen betreffen und nicht Beschäftigte, sodass § 87 Abs. 1 Nr. 6 BetrVG nicht ausgelöst wird. Relevant wird er, wenn Alarme zur Beurteilung einzelner Beschäftigter genutzt werden; dann binden Sie ihn ein, und bei Änderung von Arbeitsabläufen unterrichten Sie ihn nach § 90 Abs. 1 Nr. 3. Es gibt keine personenbezogenen Daten, daher sind Datenschutzbeauftragte(r) und DSFA meist nicht nötig; prüfen Sie dies aber, wenn Standortkameras oder Personaldaten verknüpft werden.

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der KI-Kompetenz der Beschäftigten; eine kurze Einweisung für Analysten und Einsatzteams zu den Grenzen der Erkennung (Wolken, helle Oberflächen, Nachweisschwellen) genügt, siehe GUIDE-006. Wählen Sie eine Anlagenklasse oder Region als Pilot, siehe GUIDE-009. Typische Sorge: Fehlalarme und unnötige Standortbesuche; begegnen Sie ihr mit Konfidenzwerten und menschlicher Prüfung vor jeder Entsendung oder behördlichen Meldung. Siehe auch GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Analyse nicht personenbezogener Umweltdaten; Anhang III gilt nicht. Betreiber sicherheitsrelevanter Gasinfrastruktur sollten KI dennoch aus sicherheitskritischen Regelkreisen heraushalten. KI-Kompetenz (Art. 4) gilt.
• Methanverordnung (EU) 2024/1787: legt Pflichten der Betreiber zu LDAR, MRV und Berichterstattung sowie Regeln zur Importgleichwertigkeit fest. Satellitennachweise unterstützen die vorgeschriebenen Messmethoden, ersetzen sie aber nicht [1].
• DSGVO: in der Regel nicht relevant (bei diesen Auflösungen keine Personen). Auf personenbezogene Daten prüfen, wenn Deponie- oder Anlagenbilder mit Eigentümerdaten kombiniert werden.
• Datenlizenzen und Exportkontrolle: kommerzielle Bildlizenzen beschränken die Weitergabe; sehr hochauflösende Daten können nationalen Regeln unterliegen.
• Reputations- und Rechtsrisiko: eine falsche Zuordnung zu einem benannten Betreiber kann zu Streit führen. Abhilfe: Freigabe durch Analysten, dokumentierte Unsicherheit, Herkunftsnachweis des Winds und archivierte Aufnahmen.

Erste Schritte

1. Die Fragestellung (eigene Anlagen, Lieferantenprüfung, Behörden-Screening) und die kleinste Emissionsrate festlegen, die Sie erkennen müssen.
2. 12 Monate offene Sentinel-2/EMIT/EnMAP-Daten für eine Pilotmenge von Anlagen abrufen und prüfen, was sichtbar ist.
3. Zwei Anbieter (Weg A) nach Ergebnissen kontrollierter Freisetzungen fragen und einen Blindtest an bekannten Ereignissen durchführen.
4. Den Prüf-Workflow, das Anlagenregister und die Berichterstattung zur Unsicherheit einrichten.
5. Alarme mit LDAR-Arbeitsaufträgen und mit CSRD- bzw. Importeur-MRV-Dokumentation verknüpfen.

Quellen

1. Regulation (EU) 2024/1787 on methane emissions reduction in the energy sector — https://eur-lex.europa.eu/eli/reg/2024/1787/oj
2. European Commission — Methane emissions in the energy sector (regulation overview) — https://energy.ec.europa.eu/topics/oil-gas-and-coal/methane-emissions_en
3. UNEP International Methane Emissions Observatory — Methane Alert and Response System — https://www.unep.org/topics/energy/methane/international-methane-emissions-observatory/methane-alert-and-response-system
4. Ruzicka et al. — Semantic segmentation of methane plumes with hyperspectral machine learning models (STARCOP), Scientific Reports 2023 — https://www.nature.com/articles/s41598-023-44918-6
5. Varon et al. — Satellite-based quantification of methane point sources with Sentinel-2, Atmospheric Measurement Techniques 2021 — https://amt.copernicus.org/articles/14/2771/2021/
6. MethaneSAT (Environmental Defense Fund) — https://www.methanesat.org/
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Copernicus Data Space Ecosystem — https://dataspace.copernicus.eu/