甲烷泄漏是温室气体排放的重要组成部分，也是石油和天然气行业的一个全球性问题. 排放来自各种各样的地点，没有可识别的模式, 需要在整个生产链中频繁监控这些发布的方法. 经济有效地监测广泛分散的井台, 我们开发了一种甲烷点仪器，部署在设施中，并连接到基于云的解释平台，在所有天气条件下提供实时连续监测. 利用高斯过程回归的机器学习方法对甲烷传感器进行标定，并将标定结果与人工神经网络进行比较. 机器学习方法将环境影响纳入传感器响应，并通过少量参数实现甲烷排放监测所需的精度.