美国谷歌研究院与NASA JPL用AI探测甲烷 识别率84%
谷歌研究院（Google Research）与美国国家航空航天局（NASA）喷气推进实验室（JPL）合作，借助名为MAPL-EMIT的深度学习框架，从太空探测并分析甲烷羽流。据政府间气候变化专门委员会（IPCC）数据，甲烷是天然气的主要成分，约占当今全球变暖效应的三分之一。由于该气体肉眼不可见，识别单个泄漏点一直是甲烷减排工作的主要难点。
MAPL-EMIT全称为“基于EMIT的甲烷分析与羽流定位”（Methane Analysis and Plume Localisation with EMIT），建立在NASA利用国际空间站上的EMIT仪器开展轨道甲烷探测的基础之上。EMIT最初的设计目标是绘制干旱地区的矿物成分，但其高光谱能力也能捕捉甲烷的化学特征。该仪器为每个像素记录数百个不同光波段，使研究人员能够发现传统图像中不可见的甲烷。其80公里的视场与60米的空间分辨率相结合，适用于识别单个设施的排放。谷歌研究院将深度学习技术应用于这些数据，以实现大规模甲烷探测和来源估算的自动化。
这项技术的难点在于，卫星图像中可能包含与甲烷信号相似的地貌和地表物质。谷歌首席可持续发展官凯特·布兰特（Kate Brandt）表示，甲烷是减缓全球变暖最快、最有效的机遇之一，但也因肉眼不可见而难以减排和追踪。MAPL-EMIT利用谷歌的机器学习及NASA的EMIT仪器数据，可改进甲烷羽流的探测、预测与来源估算。在真实卫星数据的测试中，MAPL-EMIT成功识别了84%的已知泄漏，且比传统探测方法多发现50%的潜在泄漏。
该系统采用视觉变换器（vision transformer）架构，分析全光谱光及周围空间背景，从而将真正的风吹甲烷羽流与可能造成误检的地面特征区分开。它还能解析多个设施排放相互重叠的复杂工业区域，同时进行增强量化、羽流描绘和来源定位，以确定甲烷存在量、界定排放边界并追溯来源。
训练能够全球识别甲烷的人工智能模型面临数据瓶颈：目前没有包含数百万个真实世界甲烷羽流的标注数据集。为此，谷歌研究院与NASA喷气推进实验室创建了360万个合成甲烷羽流，并将其插入真实的EMIT场景中。团队利用基于物理的模拟重现甲烷粒子在不同大气和地理条件下的扩散方式，使MAPL-EMIT能够从更广泛的排放速率、地貌和羽流形态中学习，并掌握来源估算与重叠羽流区分的能力。
以NASA的L2B甲烷羽流数据集为基准进行验证，MAPL-EMIT捕获了84%的专家标注羽流；与现有方法相比，它在大约1100个EMIT数据块中多识别出约50%的可能羽流。该模型能够探测较弱的排放，并已成功绘制全球排放量最大的25个垃圾填埋场中24个的羽流图。这些能力可帮助相关方发现此前被忽视的排放源，并为减排工作的优先级排序提供依据。
MAPL-EMIT的开发机构同时向外部用户开放相关资源。谷歌研究院和NASA喷气推进实验室通过Google Earth Engine提供全球羽流数据库，通过Kaggle提供训练好的模型及360万个合成羽流，并在GitHub发布推理库，为研究人员和开发者提供使用该技术的工具。团队表示，向更广泛的科学界开放资源，旨在支持研究人员、政策制定者、地方领导人和行业识别甲烷来源。
这一发布正值基于卫星的甲烷监测持续扩展之际。谷歌表示，MAPL-EMIT可作为处理更广泛EMIT数据目录的基础，而NASA正在准备下一代成像光谱仪，预计覆盖范围将扩大30至50倍。更大的卫星覆盖将产生更多待分析的环境数据，这对具备大规模处理能力的自动化方法提出了更高要求。对于能源、农业和废弃物领域的企业而言，更详细的排放数据可支持针对性减排，而非依赖粗略估算。MAPL-EMIT由此展示了人工智能、地球观测与开放数据在将甲烷监测转化为气候行动方面的协同潜力。
