Μοντέλα και πλατφόρμες AI

Η Google και το JPL της NASA παρουσιάζουν μοντέλο AI που χαρτογραφεί παγκόσμιες πηγές μεθανίου

mm
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google

Η Google και το Jet Propulsion Laboratory (JPL) της NASA παρουσίασαν το MAPL-EMIT στις 9 Σεπτεμβρίου 2026, ένα μοντέλο βαθιάς μάθησης που ανιχνεύει, ποσοτικοποιεί και εντοπίζει παγκόσμιες πηγές μεθανίου από το δορυφορικό όργανο EMIT της NASA, σύμφωνα με την ανακοίνωση της Google. Η Google δήλωσε ότι το μοντέλο, εκπαιδευμένο σε 3,6 εκατομμύρια φυσικά προσομοιωμένες πηγές μεθανίου, ανιχνεύει 50 % περισσότερες πηγές από τους ανθρώπινους ειδικούς και εντοπίζει περισσότερες από 23 000 επιπλέον πηγές παγκοσμίως, συμπεριλαμβανομένων πηγών σε 24 από τις 25 μεγαλύτερες εκπομπές απορριμμάτων στον κόσμο.

Το σύστημα, με την επίσημη ονομασία Methane Analysis and Plume Localization with EMIT, περιγράφεται σε μια μελέτη στα Proceedings of the National Academy of Sciences (PNAS) που συντάχθηκε από ερευνητές της Google Research και του JPL, καθώς και σε μια τεχνική ανάρτηση της Google Research με ημερομηνία 1 Σεπτεμβρίου 2026, γραμμένη από τον μηχανικό έρευνας Vishal Batchu και τη επιστήμονα Michelangelo Conserva. Ο Batchu συνέγραψε επίσης την ανακοίνωση της Google της 9 Σεπτεμβρίου.

Παρακολούθηση Μεθανίου και το Όργανο EMIT

Η ανακοίνωση της Google περιγράφει το μεθάνιο ως ένα ισχυρό αέριο του θερμοκηπίου, του οποίου η θέρμανση σε χρονικό ορίζοντα 100 ετών είναι 30 φορές μεγαλύτερη από εκείνη του διοξειδίου του άνθρακα. Η μελέτη αναφέρει ότι το 20‑ετές παγκόσμιο θερμικό δυναμικό του μεθανίου είναι 81‑86 φορές αυτό του CO₂, αποδίδοντας περίπου το 25 % της ανθρωπογενής θέρμανσης από το ξεκίνημα της βιομηχανικής εποχής στο αέριο, και σημειώνει διάρκεια ζωής στην ατμόσφαιρα περίπου εννέα ετών. Πάνω από 125 χώρες έχουν δεσμευτεί σε μείωση των εκπομπών μεθανίου κατά 30 % έως το 2030 στο πλαίσιο της Παγκόσμιας Δέσμευσης για το Μεθάνιο, και η μελέτη αναφέρει ότι η ανθρώπινη δραστηριότητα ευθύνεται για το 60 % της παγκόσμιας παραγωγής μεθανίου, κατανεμημένο σε απόβλητα (19 %), γεωργία (44 %) και ενέργεια (37 %).

Το EMIT (Earth Surface Mineral Dust Source Investigation) λειτουργεί στο Διεθνή Διαστημικό Σταθμό και σχεδιάστηκε αρχικά για τη χαρτογράφηση της μεταλλικής σύνθεσης σε ξηρές περιοχές. Το όργανο καταγράφει 285 φασματικές ζώνες από 381 έως 2 493 νανόμετρα με χωρική ανάλυση 60 μέτρων και πάχος σάρωσης 80 χιλιόμετρα· η καταγραφή εκατοντάδων διαφορετικών ζωνών ανά εικονοστοιχείο αποκαλύπτει τα χημικά αποτυπώματα ενός αερίου που διαφορετικά θα ήταν αόρατο, εξηγεί η ανάρτηση της Google Research. Η μελέτη συγκρίνει αυτή τη διαμόρφωση με παγκόσμιους χαρτογράφους όπως το TROPOMI, το οποίο συνδυάζει πάχος σάρωσης περίπου 2 600 χιλιόμετρα με ανάλυση 5,5 × 3,5 km για την παρακολούθηση των φόντων συγκεντρώσεων μεθανίου, μια κλίμακα πολύ χονδρική για την απομόνωση μεμονωμένων πηγών.

Ένας Vision Transformer Εκπαιδευμένος σε Προσομοιωμένες Πηγές

Το MAPL-EMIT είναι ένας ολοκληρωμένος Vision Transformer που επεξεργάζεται ολόκληρο το φάσμα ακτινοβολίας του EMIT για την ανάκτηση των ενισχύσεων του μεθανίου σε όλα τα εικονοστοιχεία μιας σκηνής ταυτόχρονα. Το μοντέλο συνδυάζει έναν κωδικοποιητή Swin‑v2‑S με περίπου 30 εκατομμύρια παραμέτρους και έναν συνελικτικό αποκωδικοποιητή σε αρχιτεκτονική τύπου U‑Net, και εκτελεί τρεις εργασίες ταυτόχρονα: ποσοτικοποίηση της ενίσχυσης του μεθανίου σε κάθε εικονοστοιχείο, διαμόρφωση του σχήματος και των ορίων κάθε πηγής, και εντοπισμός της πηγής κάθε εκπομπής. Η μελέτη δηλώνει ότι αυτό περιλαμβάνει τον διαχωρισμό επικαλυπτόμενων πηγών από γειτονικές εγκαταστάσεις, ένα σενάριο που, κατά λέξη, δεν καλύπτεται επαρκώς από τις υπάρχουσες προσεγγίσεις.

Δεδομένου ότι δεν υπάρχει ετικετοποιημένο σύνολο δεδομένων με εκατομμύρια πραγματικές πηγές, η ομάδα δημιούργησε μια φυσική‑βασισμένη γραμμή προσομοίωσης που παρήγαγε 3,6 εκατομμύρια συνθετικές πηγές με μοντέλα Lagrangian puff, τα οποία προσομοιώνουν τη διάχυση σωματιδίων στον αέρα, και τις ενσωμάτωσε σε πραγματικές σκηνές EMIT χρησιμοποιώντας γραμμική‑με‑γραμμή ακτινοβολιακή μεταφορά με φασματικά δεδομένα HITRAN. Οι ερευνητές διαιρέθηκαν 235 000 πλακίδια EMIT σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμής και εκπαίδευσαν το μοντέλο σε 32 τσιπ TPU της Google για περίπου 96 ώρες. Η Google Research ανέφερε ότι τα συνθετικά δεδομένα έδειξαν στο μοντέλο ποικίλες ρυθμούς εκπομπής, εδάφη και ατμοσφαιρικές συνθήκες, βελτιώνοντας τη γενίκευσή του σε πραγματικές παρατηρήσεις.

Επικύρωση σε Συνθετικά και Πραγματικά Benchmarks

Σε πραγματικά benchmarks, η μελέτη αναφέρει ότι το MAPL-EMIT κατέγραψε το 84 % των χειροκίνητα επισημασμένων συνόλων πηγών NASA EMIT L2B σε ένα σύνολο δοκιμής 1 084 κομματιών EMIT, ενώ εντόπισε περίπου 1,5 φορές περισσότερες ενδεδειγμένες πηγές από τους ανθρώπινους αναλυτές. Οι αρχικές 3 672 ανιχνεύσεις του μοντέλου σε αυτά τα κομμάτια μειώθηκαν σε 2 209 μετά το φιλτράρισμα για πηγές εντός χερσαίου εδάφους που εντοπίστηκαν σε περισσότερα από 13 από τα 16 επικαλυπτόμενα παράθυρα.

Για να εκτιμηθεί το ποσοστό ψευδών θετικών, η ομάδα έτρεξε το μοντέλο σε 20 000 κομμάτια όπου αναμενόταν ελάχιστες πηγές. Η μελέτη αναφέρει 1 513 ανιχνεύσεις μετά το φιλτράρισμα, από τις οποίες 355 αξιολογήθηκαν ως πιθανώς γνήσιες μέσω αξιολόγησης φασματικής προσαρμογής· οι υπόλοιπες 1 158 μη επιβεβαιωμένες ανιχνεύσεις, κυρίως σε ορεινό έδαφος ή πυκνά δάση, αντιστοιχούν σε μια συντηρητική εκτίμηση περίπου 0,06 ψευδών πηγών ανά κομμάτι.

Το μοντέλο εντόπισε πιθανές πηγές σε 24 από τις 25 κορυφαίες εκπομπές απορριμμάτων παγκοσμίως· η μελέτη σημειώνει ότι προηγούμενη εργασία είχε βρει ότι το προϊόν EMIT L2B εντόπιζε πιθανές πηγές σε 17 από τα 25 αυτά σημεία. Σε σύγκριση με τα αεροφωτογραφικά δεδομένα AVIRIS‑3, το MAPL-EMIT ανίχνευσε δύο από τρεις διακριτές πηγές χωρίς ψευδείς θετικά και με λόγο σήματος‑προς‑θόρυβο 8,60, έναντι 1,21 για το επαναδειγματοληπτικό φίλτρο AVIRIS‑3 και 0,40 για το τυπικό φίλτρο L2B. Σε ελεγχόμενα πειράματα απελευθέρωσης που πραγματοποιήθηκαν από 1 Αυγούστου 2024 έως 31 Δεκεμβρίου 2025, κοντά σε πεδίο στο Αριζόνα, το μοντέλο ανίχνευσε πέντε από τις επτά απελευθερώσεις και δεν παρήγαγε ψευδείς θετικά στα σημεία απελευθέρωσης.

Σε συνθετικά benchmarks, η ακρίβεια ανά πηγή αυξήθηκε από 0,80 για τις πιο αδύναμες πηγές έως 0,97 για τις πιο έντονες, η ανάκληση ανέβηκε από 0,33 σε 0,93, και το μέσο σφάλμα θέσης πηγής ήταν 101 μέτρα. Η μελέτη αναφέρει ότι το μοντέλο καταγράφει αξιόπιστα πηγές που αντιστοιχούν σε ρυθμούς διαρροής 250‑500 kg/h σε ονομαστική ταχύτητα ανέμου 2,5 m/s, μια βελτίωση περίπου 2‑4 × σε σχέση με υπάρχοντα μοντέλα, και φθάνει σε συμμετρικό μέσο απόλυτο ποσοστιαίο σφάλμα 56 % στα 1 084 συγκριτικά κομμάτια, έναντι 117 % για τις πηγές EMIT L2B.

Περιορισμοί, Δημόσιες Κυκλοφορίες και Επόμενα Βήματα

Οι συγγραφείς δηλώνουν ότι τα ψευδή θετικά παραμένουν ανοιχτό ζήτημα, ιδιαίτερα σε πολύπλοκο έδαφος, και ότι το MAPL-EMIT παρουσιάζει σημαντικά περισσότερα ψευδή θετικά από καταλόγους που έχουν ελεγχθεί από ειδικούς, όπως τα σύμπλεγμα πηγών EMIT L2B. Κάθε πηγή στη δημοσιευμένη βάση δεδομένων χαρακτηρίζεται ως χαμηλότερης ή υψηλότερης εμπιστοσύνης με βάση τις φασματικές προσαρμογές και τις μετρήσεις σε πολλαπλά παράθυρα, και οι συγγραφείς προειδοποιούν ότι ο κατάλογος δεν αναμένεται να είναι πλήρης, δεδομένου ότι περίπου το 16 % των συνόλων πηγών EMIT L2B δεν εντοπίστηκε.

Παράλληλα με την εργασία, η Google κυκλοφόρησε τη παγκόσμια βάση δεδομένων πηγών και τα ραστρικά δεδομένα ενίσχυσης μεθανίου ως συλλογές Earth Engine, μια εφαρμογή Earth Engine για οπτικοποίηση των δεδομένων, το εκπαιδευμένο μοντέλο και το συνθετικό σύνολο πηγών στο Kaggle, καθώς και μια βιβλιοθήκη επαγωγών στο GitHub. Η μελέτη υποβλήθηκε στις 11 Απριλίου 2026, εγκρίθηκε στις 3 Αυγούστου 2026 και δημοσιεύθηκε online στις 1 Σεπτεμβρίου 2026· εμφανίζεται στο PNAS Τόμος 123, Αριθμός 36, ημερομηνίας 8 Σεπτεμβρίου 2026.

Οι συγγραφείς αναφέρουν ότι μελλοντική έρευνα θα επεκτείνει τη γραμμή επεξεργασίας σε πολυ‑αέριο και πολυ‑δορυφορική ανάκτηση και προς εκτίμηση ρυθμού εκπομπής από άκρο σε άκρο, κάτι που θα παρήγαγε άμεσες εκτιμήσεις ρυθμού διαρροής χωρίς μεταγενέστερη ενσωμάτωση ανέμου. Η ανάρτηση της Google Research σημειώνει ότι τα επόμενης γενιάς φασματικά εικόναρα του NASA σχεδιάζονται να αυξήσουν την κάλυψη κατά παράγοντα 30‑50.

Ο Jonas Reeve είναι ένας αναλυτής που δημιουργείται από AI στη Unite.AI, με επίκεντρο την γνωστική AI, την τεχνητή γενική νοημοσύνη (AGI) και τις θεωρητικές βάσεις της μηχανικής νοημοσύνης. Το έργο του εξετάζει πώς η μάθηση, ο συλλογισμός, η μνήμη και η αφαίρεση εμφανίζονται και σε βιολογικά και τεχνητά συστήματα, δημιουργώντας συνδέσεις μεταξύ σύγχρονων αρχιτεκτονικών AI και μακροχρόνιων ερωτημάτων στις γνωστικές επιστήμες και τη φιλοσοφία του νου. Με μια концепτουαλιστική και αναστοχαστική προσέγγιση, ο Jonas εξετάζει πλαισιά όπως τα μοντέλα συλλογισμού, τα συστήματα agentic, η αναδυόμενη γνωστική και η θεωρία ευθυγράμμισης, με στόχο να αποσαφηνίσει τι σημαίνει πραγματικά η πρόοδος προς την AGI - και τι όχι. Αντί να κυνηγά χρονοδιαγράμματα ή υπεροπτικές εκφράσεις, τονίζει τις αρχές, τη концепτουαλιστική αυστηρότητα και τα όρια των τρεχόντων μοντέλων. Τα άρθρα που γράφονται από τον Jonas Reeve δημιουργούνται από AI και αναθεωρούνται από την редакτική ομάδα της Unite.AI για να διασφαλιστεί η ακρίβεια, η σαφήνεια και η υπεύθυνη συζήτηση για προηγμένα концеп AI.