Google og NASA JPL præsenterer AI-model, der kortlægger globale metanstrømme

Google og NASA’s Jet Propulsion Laboratory (JPL) introducerede MAPL-EMIT den 9. september 2026, en dyb‑læringsmodel, der opdager, kvantificerer og lokaler metanstrømme globalt fra NASA’s EMIT‑satellitinstrument, ifølge Googles meddelelse. Google oplyser, at modellen, trænet på 3,6 millioner fysik‑simulerede metanstrømme, opdager 50 % flere strømme end menneskelige eksperter og identificerer mere end 23.000 ekstra strømme globalt, herunder strømme ved 24 af verdens 25 største udledende lossepladser.

Systemet, formelt kaldet Methane Analysis and Plume Localization with EMIT, beskrives i en undersøgelse i Proceedings of the National Academy of Sciences (PNAS) forfattet af forskere fra Google Research og JPL, samt i et Google Research teknisk indlæg dateret 1. september 2026, af forskningsingeniør Vishal Batchu og forskningsforsker Michelangelo Conserva. Batchu skrev også Googles meddelelse den 9. september.

Metanovervågning og EMIT‑instrumentet

Googles meddelelse beskriver metan som en kraftig drivhusgas, hvis opvarmningspotentiale over en 100‑årsperiode er 30 gange større end kuldioxid. Undersøgelsen angiver, at metans 20‑års globale opvarmningspotentiale er 81 til 86 gange CO₂s, tilskriver omkring 25 % af den menneskeskabte opvarmning siden den industrielle æra til gassen og bemærker en atmosfærisk levetid på omkring ni år. Over 125 lande har forpligtet sig til at reducere metanudledninger med 30 % inden 2030 under Global Methane Pledge, og undersøgelsen rapporterer, at menneskelig aktivitet udgør 60 % af den globale metanproduktion, fordelt på affald (19 %), landbrug (44 %) og energi (37 %) inden for denne andel.

EMIT, Earth Surface Mineral Dust Source Investigation, opererer ombord på den Internationale Rumstation og blev oprindeligt designet til at kortlægge mineralindhold i tørre områder. Instrumentet registrerer 285 spektrale bånd fra 381 til 2.493 nanometer med en rumlig opløsning på 60 meter og en svævning på 80 kilometer; at optage flere hundrede forskellige bånd pr. pixel afslører de kemiske fingeraftryk af en ellers usynlig gas, forklarer Google Research‑indlægget. Undersøgelsen sammenligner denne konfiguration med globale kortlæggere som TROPOMI, som kombinerer en svævning på cirka 2.600 kilometer med en opløsning på 5,5 × 3,5 kilometer for at spore baggrundsmetankoncentrationer, en skala der er for grov til at isolere enkelte kilder.

En Vision‑Transformer Trænet på Simulerede Strømme

MAPL-EMIT er en end‑to‑end vision‑transformer, der behandler det komplette EMIT‑radiancespektrum for samtidigt at udtrække metanforøgelser over alle pixel i en scene. Modellen kombinerer en Swin‑v2‑S transformer‑encoder på cirka 30 millioner parametre med en konvolutionel dekoder i en U‑Net‑lignende arkitektur og udfører tre opgaver samtidigt: kvantificering af metanforøgelsen i hver pixel, afgrænsning af hver strøms form og grænser samt lokalisering af hver udlednings kilde. Undersøgelsen angiver, at dette omfatter adskillelse af overlappende strømme fra nabofaciliteter, et scenarie som eksisterende metoder ifølge studiet ikke fanger godt.

Da der ikke findes et mærket datasæt med millioner af virkelige strømme, byggede holdet en fysikbaseret simuleringspipeline, der genererede 3,6 millioner syntetiske strømme med Lagrangian‑puff‑modeller, som simulerer hvordan partikler spreder sig i luften, og injicerede dem i reelle EMIT‑scener ved hjælp af linje‑for‑linje strålingsoverførsel med HITRAN‑spektraldata. Forskerne delte 235.000 EMIT‑fliser op i trænings‑, validerings‑ og test‑sæt og trænede modellen på 32 Google‑TPU‑chips i cirka 96 timer. Google Research oplyser, at de syntetiske data udsatte modellen for varierende udledningsrater, terræn og atmosfæriske forhold, hvilket forbedrede dens generalisering til reelle observationer.

Validering på Syntetiske og Virkelige Benchmarks

På virkelige benchmarks rapporterer undersøgelsen, at MAPL-EMIT fangede 84 % af håndannoterede NASA EMIT L2B‑strømkombinationer på et test‑sæt af 1.084 EMIT‑granuler, mens den identificerede cirka 1,5 gange så mange plausible strømme som menneskelige analytikere. Modellens 3.672 indledende detektioner på disse granuler faldt til 2.209 efter filtrering til landbaserede strømme, der blev opdaget i mere end 13 af 16 overlappende strided‑inference‑sæt.

For at afgrænse falsk‑positiv‑raten kørte holdet modellen over 20.000 granuler, hvor der forventedes minimale strømme. Undersøgelsen rapporterer 1.513 detektioner efter filtrering, hvoraf 355 blev vurderet som sandsynligvis ægte gennem spektral‑fit‑evaluering; de resterende 1.158 ubekræftede detektioner, hovedsageligt over kuperet terræn eller tætte skove, udgør et konservativt estimat på omkring 0,06 falske strømme pr. granule.

Modellen identificerede potentielle strømme ved 24 af verdens 25 største udledende lossepladser; undersøgelsen bemærker, at tidligere arbejde fandt, at EMIT L2B‑produktet opdagede potentielle strømme ved 17 af de 25 steder. I forhold til samtidige AVIRIS‑3‑flyobservationer opdagede MAPL-EMIT to af tre opløselige strømme uden falske positiver og med et signal‑til‑støj‑forhold på 8,60, sammenlignet med 1,21 for den resamplede AVIRIS‑3‑matched filter og 0,40 for den standard L2B‑matched filter. I Stanford‑kontrollerede udslipseksperimenter udført fra 1. august 2024 til 31. december 2025 nær et feltsted i Arizona, opdagede modellen fem af syv udslip og producerede ingen falske positiver ved udslipslokationerne.

På syntetiske benchmarks steg præcisionen pr. strøm fra 0,80 for de svageste strømme til 0,97 for de mest intense, genkaldelsen steg fra 0,33 til 0,93, og den gennemsnitlige kilde‑lokationsfejl var 101 meter. Undersøgelsen rapporterer, at modellen pålideligt fanger strømme svarende til lækager på 250 til 500 kg/t ved en nominelt vindhastighed på 2,5 m/s, en omtrentlig 2‑til‑4‑gange forbedring i forhold til eksisterende modeller, og opnår en symmetrisk gennemsnitlig absolut procentfejl på 56 % på de 1.084 sammenligningsgranuler, versus 117 % for EMIT L2B‑strømmene.

Begrænsninger, Offentlige Udgivelser og Fremtidige Skridt

Forfatterne angiver, at falske positiver fortsat er en åben udfordring, især i komplekst terræn, og at MAPL-EMIT viser betydeligt flere falske positiver end ekspert‑gennemgåede kataloger såsom EMIT L2B‑strømkombinationerne. Hver strøm i den frigivne database er mærket som lavere eller højere tillid baseret på fysikbaserede spektral‑fit‑score og antallet af detektioner på tværs af strided‑inference, og forfatterne advarer om, at kataloget ikke forventes at være komplet, da omkring 16 % af EMIT L2B‑strømkombinationerne ikke blev fanget.

Sammen med artiklen frigav Google den globale strømdatabank og metanforøgelses‑rastere som Earth Engine‑samlinger, en Earth Engine‑app til visualisering af dataene, den trænede model og det syntetiske strømsæt på Kaggle samt et inferensbibliotek på GitHub. Undersøgelsen blev modtaget den 11. april 2026, accepteret den 3. august 2026 og offentliggjort online den 1. september 2026; den fremgår af PNAS bind 123, nummer 36, dateret 8. september 2026.

Forfatterne angiver, at fremtidig forskning vil udvide pipelinen til multigas‑ og multisatellit‑udtræk samt mod end‑to‑end estimat af udledningshastighed, hvilket vil give direkte lækagerate‑estimater uden efterfølgende vindintegration. Google Research‑indlægget bemærker, at NASA’s næste generations billedspektralområder er planlagt til at øge dækningen med en faktor på 30 til 50.