甲烷是一種強效溫室氣體，其在百年時間尺度內的暖化潛勢是二氧化碳的 30 倍。事實上，自工業時代開始以來，它已導致約 25% 的人為暖化。

由於甲烷在大氣中的壽命相對較短，迅速減少這些排放提供了一條關鍵的「快速行動」途徑，以減緩全球氣溫上升。全球甲烷承諾（Global Methane Pledge）也反映了這項緊迫性，超過 125 個國家承諾在 2030 年前將甲烷排放量減少 30%。

為了實現這些目標，我們必須賦予利害關係人追蹤廢棄物、農業和能源部門中局部點源（在數十公尺的小空間範圍內發生的排放）的能力。目前最具成本效益的策略是減少石油和天然氣基礎設施、農業設施和垃圾掩埋場的排放。

為了在全球範圍內追蹤這些排放，科學家們越來越依賴太空影像。NASA 國際太空站上的地球表面礦物塵埃源調查（EMIT）儀器就是一個主要例子。

EMIT 最初設計用於繪製乾旱地區的礦物成分圖，但 NASA 噴射推進實驗室（JPL）的科學家和廣泛的科學界已利用其先進的高光譜能力來偵測甲烷排放。透過記錄每個像素數百個不同的光譜帶，它讓研究人員能夠「看見」這些原本隱形氣體的獨特化學指紋。

基於這些投入，我們在《美國國家科學院院刊》（PNAS）上發表了「利用 EMIT 高光譜輻射測量數據進行深度學習的全球甲烷點源監測」一文，描述了一種將原始衛星數據轉化為可擴展減緩行動的新方法。

MAPL-EMIT（Methane Analysis and Plume Localization with EMIT）是一個深度學習框架，代表著在全球範圍內自動化偵測、增強預測和估算甲烷羽流來源的重大進展。我們展示了 MAPL-EMIT 在專家標註的羽流上實現了 84% 的高召回率，並且與現有的基於匹配濾波器的增強方法相比，具有更高的訊噪比。

為了支持更廣泛的科學社群，我們正在 Earth Engine 上發布我們的全球羽流資料庫，同時在 Kaggle 上發布訓練好的模型和合成羽流，並在 Github 上發布推論函式庫。

從太空測量甲烷需要平衡三個關鍵因素：(1) 視野（空間覆蓋/重訪頻率）、(2) 空間解析度，以及 (3) 光譜解析度。

像 TROPOMI 這樣的全球繪圖儀器旨在透過整合高覆蓋範圍（約 2,600 公里掃描寬度）、粗空間解析度（約 5.5 公里 x 3.5 公里）和精細光譜採樣（0.1 奈米）來偵測背景甲烷濃度的微小變化。

相比之下，像 EMIT 這樣的點源繪圖儀器擅長在設施規模上測量甲烷排放。它們透過結合中等覆蓋範圍（80 公里寬的視野）與非常高的空間解析度（60 公尺）和中等光譜解析度（7.4 奈米光譜採樣）來實現這一點，足以以高訊噪比捕捉甲烷的化學特徵。

然而，在全球範圍內充分釋放這些豐富數據的潛力帶來了額外的挑戰。地球多樣的景觀提供了複雜的背景，一些地表物質可能會偽裝成甲烷，使得識別較小或更分散的來源特別困難。

為了在 EMIT 團隊的基礎工作上進一步發展並實現高通量全球繪圖，我們與他們合作應用深度學習模型，這些模型能夠理解場景的更廣泛視覺上下文。這項工作與 Google 在 Google Earth AI 背後的廣泛努力相符，Google Earth AI 是我們將行星數據轉化為可操作情報的地理空間模型和數據集集合。

透過大規模應用深度學習於衛星影像，我們旨在透過專門的工具進行有針對性的環境監測，以補充更廣泛的行星 AI 計畫。

我們使用端到端視覺轉換器（vision transformer）架構（Swin-S transformer）構建了 MAPL-EMIT。雖然許多方法是逐像素分析高光譜數據，但 MAPL-EMIT 利用現代電腦視覺技術來處理完整的光譜及其周圍的空間上下文。

透過分析氣體如何在景觀中擴散，該模型能更好地將真實的、隨風飄散的甲烷羽流（從特定來源擴散的甲烷氣體痕跡）與僅具有相似光譜特徵的地面區域區分開來，後者在歷史上曾導致錯誤的甲烷偵測。

至關重要的是，這種空間感知能力使模型能夠解開高度複雜的場景。在密集的工業區域，來自多個鄰近設施的排放物通常會合併成單一雲團。為了理解這些情況，MAPL-EMIT 同時解決三個不同的任務：

增強量化：測量每個羽流中每個像素存在的精確甲烷量。

羽流描繪：分割羽流的確切形狀和邊界，即使重疊的羽流隨風飄散。

來源定位：追溯分散的氣體，精確定位排放的確切位置。

基於轉換器的模型需要大量的數據來學習，但全球數百萬真實甲烷排放的標註數據集根本不存在。為了克服這個問題，我們開發了一個基於物理的模擬框架。

我們創建了 360 萬個合成甲烷羽流，並將它們直接注入真實的 EMIT 場景中。透過使用拉格朗日氣團模型（Lagrangian puff models），該模型模擬粒子如何在空氣中移動和擴散，我們能夠重現實際氣體排放的混亂、湍流現實。

在這些高度逼真的模擬上進行訓練，使 MAPL-EMIT 能夠在各種大氣和地理條件下學習偵測甲烷。這種合成訓練方法提供了幾個關鍵優勢：

排放率變化：模型學會識別大規模洩漏以及較小、間歇性的排放。

羽流多樣性：它能夠在大量多樣的地形和氣氛中看到羽流，從而更好地泛化。

羽流來源估計和重疊羽流：由於我們是合成生成羽流，我們可以訓練模型估計來源位置並描繪重疊的羽流。

部署在真實世界的衛星數據上，MAPL-EMIT 展現了可擴展排放繪圖的巨大潛力。在與 NASA 的黃金標準 L2B 甲烷羽流數據集進行基準測試時，該模型捕捉了 84% 的專家標註羽流，並在約 1100 個 EMIT 數據顆粒中識別出約 50% 更多合理的羽流，展示了其將微弱訊號從背景噪音中分離出來的能力。更多細節請參閱論文。

這種增加的靈敏度也使 MAPL-EMIT 能夠可靠地捕捉較弱的排放，改進了目前的偵測極限。該模型在複雜環境中也表現出穩健性，成功繪製了全球 25 個最大排放垃圾掩埋場中的 24 個的羽流。

與許多高靈敏度模型一樣，誤報仍然是一個持續的挑戰，尤其是在複雜地形中。為了幫助緩解這個問題，輸出結果與基於物理的羽流置信度（光譜擬合）分數配對，該分數根據跨步推論的偵測數量進行評估，並使用多種其他屬性進行評估，使用戶能夠根據需要過濾並權衡捕捉真實羽流的能力與誤報風險。

然而，這並非總是那麼簡單，這就是為什麼我們還根據這些屬性為每個羽流標記「較低」或「較高」的置信度，讓用戶可以直接使用數據。

MAPL-EMIT 展示了一項強大的合作，匯集了 Google 的機器學習專業知識與 NASA JPL 合作夥伴的領域知識。我們共同推進了設施規模太空甲烷觀測的全部潛力，為全球社群提供了減少溫室氣體排放所需的工具，以實現有意義的行動。

透過擴展我們偵測整個 EMIT 數據目錄中羽流的能力，MAPL-EMIT 為地方利害關係人、研究人員、政策制定者和產業提供了一個強大的新工具，比以往更快地識別甲烷排放。隨著 NASA 準備發射下一代成像光譜儀，將覆蓋範圍增加 30-50 倍，穩健和自動化的技術比以往任何時候都更加重要。

我們邀請廣泛的科學社群探索我們在 Earth Engine 上新發布的全球羽流資料庫以及用於互動式視覺化的 Earth Engine App，從 Kaggle 下載訓練好的模型和合成羽流，並在 Github 上存取我們的推論函式庫。我們希望這些數據能為促進有針對性的減緩提供堅實的基礎，並使我們所有人離實現全球氣候目標更近一步。

我們要感謝 Google 和 NASA JPL 的所有參與者，他們完成了這項工作並促成了發布，包括（按字母順序）：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, and Michelangelo Conserva。