2026年9月1日
Vishal Batchu，研究工程师；Michelangelo Conserva，研究科学家，Google Research
“利用 EMIT 进行甲烷分析与羽流定位”模型是一个深度学习框架，可自动化地实现全球甲烷羽流的检测、增强量化与来源估计，将原始卫星数据转化为可规模化推广的气候行动。
甲烷是一种强效温室气体；在100年的时间尺度上，其增温潜势是二氧化碳的30倍。事实上，自工业时代开始以来，它已推动了约25%的人为变暖。由于甲烷在大气中的寿命相对较短，及时减少这些排放为缓解全球气温上升提供了一条关键的“快速行动”路径。
这种紧迫性体现在全球甲烷承诺中，已有超过125个国家承诺到2030年将排放量减少30%。要实现这些目标，我们必须赋能利益相关方，以追踪废弃物、农业和能源领域中的局部点源（即发生在几十米量级的小空间范围内的排放）。最具成本效益的策略是减少来自油气基础设施、农业设施和垃圾填埋场的排放。
为了在全球范围内追踪这些排放，科学家们越来越依赖天基成像。一个典型例子是NASA在国际空间站上的地球表面矿物尘埃源调查（EMIT）仪器。虽然它最初设计用于绘制干旱地区的矿物组成，但NASA喷气推进实验室（JPL）的科学家以及更广泛的科学界已利用EMIT先进的高光谱能力来检测甲烷排放。通过为每个像素记录数百个不同的光波段，它使研究人员能够“看到”这些原本不可见气体的独特化学指纹。
在这些投入的基础上，我们在发表于《美国国家科学院院刊》（Proceedings of the National Academy of Sciences（PNAS））的论文《利用 EMIT 高光谱辐射测量深度学习对甲烷点源进行全球监测》中，描述了一种将原始卫星数据转化为可规模化减排行动的新方法。甲烷分析与羽流定位结合 EMIT（MAPL-EMIT）是一个深度学习框架，代表着朝着在全球范围内自动化检测、增强预测和甲烷羽流来源估计迈出的重要一步。我们展示了 MAPL-EMIT 如何在专家标注的羽流上实现 84% 的高召回率，并且与现有的基于匹配滤波的增强方法相比具有高信噪比。为支持更广泛的科学界，我们正在 Earth Engine 上发布我们的全球羽流数据库，并在 Kaggle 上发布训练好的模型和合成羽流，以及在 Github 上发布推理库。
从太空进行甲烷探测的全球视图。随着我们放大，MAPL-EMIT 模型突出显示特定的甲烷羽流，揭示诸如来源位置等关键细节。
从太空测量甲烷需要平衡三个关键因素：（1）视场（空间覆盖/重访），（2）空间分辨率，以及（3）光谱分辨率。
像 TROPOMI 这样的全球测绘仪旨在通过整合高覆盖（约 2,600 公里幅宽）、粗空间分辨率（约 5.5 公里 x 3.5 公里）和精细光谱采样（0.1 纳米）来检测背景甲烷浓度的微小变化。
相比之下，像 EMIT 这样的点源测绘仪擅长在设施尺度上测量甲烷排放。它们通过结合中等覆盖（80 公里宽的视场）与非常高的空间分辨率（60 米）和中等光谱分辨率（7.4 纳米光谱采样）来实现这一点，足以以高信噪比捕获甲烷的化学特征。
然而，在全球范围内充分释放这些丰富数据的潜力还面临额外的挑战。地球多样的地貌提供了复杂的背景，一些地表物质可能伪装成甲烷，使得识别较小或更分散的来源特别具有挑战性。为了在 EMIT 团队的基础工作上进一步发展并实现高通量全球测绘，我们与他们合作应用能够理解场景更广泛视觉背景的深度学习模型。
这项工作与 Google 在 Google Earth AI 背后的更广泛努力相一致，这是我们收集的地理空间模型和数据集，旨在将行星数据转化为可操作的智能。通过将深度学习大规模应用于卫星图像，我们旨在用专门的工具补充更广泛的行星 AI 计划，以进行有针对性的环境监测。
发现不可见之物。这一对比展示了甲烷检测的挑战：标准可见光影像显示不出气体， NASA L2B 增强影像（来自匹配滤波）揭示出噪声信号，但 MAPL-EMIT 模型清晰地将甲烷羽流从背景景观中分离出来。
我们使用端到端视觉 Transformer 架构（Swin-S transformer）构建了 MAPL-EMIT。许多方法以逐像素方式分析高光谱数据，而 MAPL-EMIT 利用现代计算机视觉技术，将完整光谱与其周围空间上下文一并处理。通过分析气体如何在景观中扩散，该模型能够更好地区分真正的、随风飘散的甲烷羽流（从特定源扩散出的一缕甲烷气体）与仅仅具有相似光谱特征的地面斑块，后者历来会导致甲烷误检。
至关重要的是，这种空间感知能力使模型能够理清高度复杂的场景。在密集的工业区域，来自多个相邻设施的排放常常合并成单一云团。为了理解这些场景，MAPL-EMIT 同时解决三个不同的任务：
理清复杂排放。通过分析空间上下文，MAPL-EMIT 同时描绘出多个重叠甲烷羽流的精确形状，并精确定位它们各自的来源起点（以 X 标记），即使在密集的工业区域也是如此。
基于 Transformer 的模型需要海量数据来学习，但包含数百万次真实世界甲烷排放的全球标注数据集根本不存在。为克服这一点，我们开发了一个基于物理的模拟框架。我们创建了 360 万个合成甲烷羽流，并将它们直接注入真实的 EMIT 场景中。通过使用 拉格朗日烟团模型，该模型模拟粒子如何在空气中移动和扩散，我们得以重现实际气体排放的混沌、湍流现实。在这些高度逼真的模拟上进行训练，使 MAPL-EMIT 学会在各种各样的大气和地理条件下发现甲烷。这种合成训练方法提供了几个关键优势：
用合成现实进行训练。由于不存在数百万个已标注的真实世界甲烷羽流，我们通过将基于物理的模拟羽流直接注入真实的 EMIT 高光谱场景来训练模型，这些羽流代表了多样的排放速率和湍流大气条件。
在真实世界卫星数据上部署后，MAPL-EMIT 展现出可扩展排放制图的强大潜力。在与 NASA 的金标准 L2B 甲烷羽流数据集 进行基准测试后，该模型捕获了 84% 的专家标注羽流，并在约 1100 个 EMIT 数据粒度中识别出多出约 50% 的合理羽流，展示了其从背景噪声中分离细微信号的能力。更多详情请参见论文。
这种提高的灵敏度还使 MAPL-EMIT 能够可靠地捕获较弱的排放，改进了当前的检测限。该模型在复杂环境中也被证明具有稳健性，成功绘制了全球 25 个最大排放垃圾填埋场中 24 个的羽流。
与许多高度敏感的模型一样，误报仍然是一个持续的挑战，尤其是在复杂地形中。为了帮助缓解这一问题，输出结果会附带基于物理的羽流置信度（光谱拟合）评分，该评分基于跨步推理中的检测数量进行评估，并结合多个其他属性进行评价，使用户能够根据自身需求，在捕捉真实羽流的能力与误报风险之间进行筛选和权衡。然而，这并不总是简单直接，因此我们还根据这些属性为每个羽流标记“较低”或“较高”置信度，让用户可以直接使用数据。
追踪随时间持续存在的排放。MAPL-EMIT 甲烷检测的时间序列成功捕捉到源自约旦安曼一座大型垃圾填埋场的羽流，展示了该模型在复杂环境中的高灵敏度和鲁棒性。
MAPL-EMIT 展示了一项强大的合作，将 Google 的机器学习专长与我们在 NASA JPL 的合作者的领域知识结合在一起。我们正在共同推进设施尺度天基甲烷观测的全部潜力，为全球社会提供采取有意义行动以减少温室气体排放所需的工具。
通过扩展我们在整个 EMIT 数据目录中检测羽流的能力，MAPL-EMIT 为当地利益相关者、研究人员、政策制定者和行业提供了一个强大的新工具，使他们能够以前所未有的速度识别甲烷排放。随着 NASA 准备发射下一代成像光谱仪，其覆盖范围将增加30–50 倍，稳健且自动化的技术比以往任何时候都更加重要。我们邀请更广泛的科学界探索我们新发布的 Earth Engine 全球羽流数据库，以及用于交互式可视化的 Earth Engine 应用，从 Kaggle 下载训练好的模型和合成羽流，并在 Github 上访问我们的推理库。我们希望这些数据能够为促进有针对性的减排提供坚实基础，并让我们所有人离实现全球气候目标更近一步。
我们要感谢 Google 和 NASA JPL 中开展这项工作并使此次发布成为可能的个人，包括（按字母顺序）：Alex Wilson、Anna M. Michalak、Varun Gulshan、Philip G. Brodrick、Andrew K. Thorpe、Christopher V. Arsdale、Burak Ekim、Carl Elkin、Tal Geller、Omry Gillon、Nita Goyal、Mansi Kansal、Roy Nadler、John Platt、Sergei Shames、Bijoy Shetty、Aaron Sonabend、Deepika Sukhija、Shahar Timnat、Maxim Neumann、Anton Raichuk、Frances Reuland、Adam R. Brandt、David R. Thompson、Robert O. Green、Jay Radzinski、Vishal V. Batchu 和 Michelangelo Conserva。