대규모 메탄 배출을 지속적이고 전 지구적으로 탐지하는 것은 지구 온난화 완화를 위한 중요한 단계입니다. S5P/TROPOMI와 같은 위성 관측은 플룸 탐지 알고리즘 (plume detection algorithms)과 결합하여 이러한 노력에 핵심적인 역할을 할 수 있습니다. 그러나 메탄 배출 플룸처럼 보이는 모든 TROPOMI 플룸 탐지 결과가 실제 배출의 결과인 것은 아닙니다. 데이터 내 플룸과 유사한 특징의 상당 부분은 검색 아티팩트 (retrieval artifacts)입니다. 이러한 아티팩트는 고도 변화나 알베도 구배 (albedo gradients), 높은 에어로졸 농도, 해안선, 수역 등의 결과일 수 있습니다. 이전 연구들은 도메인 전문가들이 설계한 광범위한 관측 기반 스칼라 특징 (scalar features) 세트로 학습된 서포트 벡터 머신 분류기 (Support Vector Machine Classifier, SVC)를 통해 플룸-아티팩트 분류 문제를 접근했습니다. 그러나 이러한 접근 방식은 알고리즘이 받는 정보의 범위를 전문가가 중요하다고 간주하는 것으로 제한하고, 픽셀 간의 공간적 관계를 깨뜨리며, 통계적 집계 과정에서 정보를 손실합니다. 본 연구에서는 균형 잡힌(balanced) 및 불균형한(imbalanced) 평가 설정 하에서 메탄 플룸-아티팩트 분류를 위한 특징 기반 (SVC, Random Forest, XGBoost) 모델과 이미지 기반 (ResNet-18, ResNet-34) 모델을 비교합니다. 결과를 해석하기 위해, 두 모델 군 모두에 SHAP 기반 설명 가능성 (explainability)을 적용합니다. 우리의 연구 결과는 CAMS Methane Hotspot Explorer와 같은 운영 메탄 스크리닝 워크플로우에서의 모델 선택을 위한 실질적인 지침을 제공합니다.