Google ja NASA JPL esittelevät tekoälymallin, joka kartoittaa maailmanlaajuiset metaanipilvet

Google ja NASA:n Jet Propulsion Laboratory (JPL) esittivät MAPL-EMIT:n 9. syyskuuta 2026, syväoppimismallin, joka havaitsee, kvantifioi ja paikantaa metaanipilviä maailmanlaajuisesti NASA:n EMIT-satelliittialkioiden avulla, Google:n ilmoituksen mukaan. Google kertoi, että malli, joka on koulutettu 3,6 miljoonalla fysiikka‑simuloidulla metaanipilvellä, havaitsee 50 % enemmän pilviä kuin ihmisen asiantuntijat ja tunnistaa yli 23 000 lisäpilveä maailmanlaajuisesti, mukaan lukien pilviä 24:ssa maailman 25:stä suurimmasta päästöjen aiheuttavasta kaatopaikasta.

Järjestelmä, jonka virallinen nimi on Methane Analysis and Plume Localization with EMIT, on kuvattu tutkimuksessa Proceedings of the National Academy of Sciences (PNAS), jonka ovat kirjoittaneet Google Researchin ja JPL:n tutkijat, sekä Google Researchin teknisessä postauksessa 1. syyskuuta 2026, jonka ovat kirjoittaneet tutkimusinsinööri Vishal Batchu ja tutkimustieteilijä Michelangelo Conserva. Batchu kirjoitti myös Google:n 9. syyskuun ilmoituksen.

Metaanin seuranta ja EMIT-instrumentti

Google:n ilmoitus kuvaa metaania voimakkaana kasvihuonekaasuna, jonka lämpenemispotentiaali 100 vuoden aikavälillä on 30‑kertainen hiilidioksidiin verrattuna. Tutkimus toteaa, että metaanin 20‑vuotinen ilmastonlämpenemispotentiaali on 81–86‑kertainen CO2:een, ja että noin 25 % ihmisen aiheuttamasta lämmityksestä teollisuuskauden alusta on peräisin tästä kaasusta, ja mainitsee ilmakehän eliniän noin yhdeksän vuotta. Yli 125 maata on sitoutunut Global Methane Pledge -ohjelman mukaisesti vähentämään metaanipäästöjä 30 % vuoteen 2030 mennessä, ja tutkimus raportoi, että ihmistoiminta vastaa 60 % maailmanlaajuisesta metaanituotannosta, jakaantuen jätteisiin (19 %), maatalouteen (44 %) ja energiaan (37 %) tässä osuudessa.

EMIT, eli Earth Surface Mineral Dust Source Investigation, toimii Kansainvälisen avaruusasemaa (ISS) ja alun perin suunniteltiin kartoittamaan mineraalikoostumusta kuivuilla alueilla. Instrumentti tallentaa 285 spektrikaistaa, jotka kattavat 381–2 493 nanometriä, 60 metrin spatiaalisella tarkkuudella ja 80 kilometrin poikkileikkauksella; satojen erillisten kaistojen tallentaminen per pikseli paljastaa kemialliset sormenjäljet muuten näkymättömästä kaasusta, selittää Google Research -postaus. Tutkimus vertaa tätä konfiguraatiota globaaleihin kartoittajiin, kuten TROPOMI:iin, joka yhdistää noin 2 600 kilometrin poikkileikkauksen ja tarkkuuden 5,5 × 3,5 kilometriä taustametaanipitoisuuksien seuraamiseen – mittakaava, joka on liian karkea erillisten lähteiden eristämiseen.

Simuloiduilla pilvillä koulutettu Vision Transformer

MAPL-EMIT on end-to-end vision transformer, joka käsittelee koko EMIT-säteilyspektrin hakeakseen metaanin lisäyksiä kaikissa kohtauksessa olevissa pikseleissä samanaikaisesti. Malli yhdistää Swin-v2-S transformer -enkooderin, jossa on noin 30 miljoonaa parametria, konvoluution dekooderiin U‑Net‑tyyppisessä arkkitehtuurissa ja suorittaa kolme tehtävää yhtä aikaa: metaanin lisäyksen kvantifiointi jokaisessa pikselissä, kunkin pilven muodon ja rajojen määrittely sekä jokaisen päästölähteen paikantaminen. Tutkimus toteaa, että tähän sisältyy päällekkäisten pilvien erottaminen viereisistä laitoksista, tilanne, jonka olemassa olevat menetelmät eivät hyvin havaitse.

Koska miljoonien todellisten pilvien merkittyä aineistoa ei ole, tiimi rakensi fysiikkaan perustuvan simulointiputken, joka tuotti 3,6 miljoonaa synteettistä pilveä Lagrangian-puff -malleilla, jotka simuloivat hiukkasten leviämistä ilmassa, ja injektoi ne todellisiin EMIT‑kohtauksiin käyttäen rivi‑kerrallaan säteilysiirtoa HITRAN‑spektridataa hyödyntäen. Tutkijat jaksoivat 235 000 EMIT‑tiiliä koulutus‑, validointi‑ ja testijoukkoihin ja kouluttivat mallin 32 Google‑TPU‑piirillä noin 96 tunnin ajan. Google Research kertoi, että synteettinen data altisti mallin erilaisille päästömäärille, maastoille ja ilmakehän olosuhteille, parantaen sen yleistymiskykyä todellisiin havaintoihin.

Validointi synteettisillä ja todellisilla vertailuarvoilla

Todellisilla vertailuarvoilla tutkimus raportoi, että MAPL-EMIT kaatoi 84 % käsin merkityistä NASA EMIT L2B -pilvikomplekseista testijoukossa, joka koostui 1 084 EMIT‑granulista, samalla kun se tunnisti noin 1,5‑kertaisesti enemmän mahdollisia pilviä kuin ihmisanalyytikot. Mallin alun perin 3 672 havaintoa näillä granuleilla väheni 2 209:een sen jälkeen, kun suodatus rajoitti havainnot maalla oleviin pilviin, jotka havaittiin yli 13:sta 16:sta päällekkäisestä porrastetusta inferenssistä.

Väärien positiivien määrän rajaamiseksi tiimi ajoi mallia 20 000 granulilla, joilla odotettiin vain vähän pilviä. Tutkimus raportoi 1 513 havaintoa suodatuksen jälkeen, joista 355 arvioitiin todennäköisesti aidoiksi spektrisopivuuden arvioinnin perusteella; jäljelle jäävät 1 158 vahvistamatonta havaintoa, enimmäkseen kukkuloisella maastolla tai tiheissä metsissä, antavat konservatiivisen arvion noin 0,06 väärää pilveä per granuli.

Malli tunnisti mahdollisia pilviä 24:ssä maailman 25:stä suurimmasta päästökaatopaikasta; tutkimus huomauttaa, että aikaisemmassa työssä EMIT L2B -tuote havaitsi mahdollisia pilviä 17:ssä näistä 25:stä kohteesta. Yhteensopivien AVIRIS‑3‑lentohavaintojen kanssa MAPL‑EMIT havaitsi kaksi kolmesta erotettavasta pilvestä ilman vääriä positiivisia ja signaali‑kohinasuhteen 8,60, kun taas uudelleennäytteistetyn AVIRIS‑3‑yhtävyysfiltterin arvo oli 1,21 ja standardin L2B‑yhtävyysfiltterin 0,40. Stanfordin kontrolloiduissa vapautuskokeissa, jotka toteutettiin 1. elokuuta 2024–31. joulukuuta 2025 Arizonan kenttäalueella, malli havaitsi viisi seitsemästä vapautuksesta eikä tuottanut vääriä positiivisia vapautuspaikoissa.

Synteettisillä vertailuarvoilla pilvi‑tarkkuus nousi 0,80:sta heikoimmilla pilvillä 0,97:aan voimakkaimmilla, palautus (recall) nousi 0,33:sta 0,93:een, ja keskimääräinen lähde‑sijaintivirhe oli 101 metriä. Tutkimus raportoi, että malli tunnistaa luotettavasti pilviä, jotka vastaavat vuotoja 250–500 kg/h nimellistuulinopeudella 2,5 m/s, mikä on noin 2‑4‑kertainen parannus olemassa oleviin malleihin verrattuna, ja saavuttaa symmetrisen keskimääräisen absoluuttisen prosentuaalivirheen 56 % 1 084 vertailugranulissa, kun EMIT L2B -pilvien virhe oli 117 %.

Rajoitukset, julkiset julkaisut ja seuraavat askeleet

Kirjoittajat toteavat, että väärät positiivit ovat edelleen avoin haaste, erityisesti monimutkaisessa maastossa, ja että MAPL‑EMIT näyttää merkittävästi enemmän vääriä positiivisia kuin asiantuntijoiden tarkastamat katalogit, kuten EMIT L2B -pilvikompleksit. Jokainen julkaistussa tietokannassa oleva pilvi on merkitty alhaisempaan tai korkeampaan luottamukseen fysiikka‑pohjaisten spektrisopivuuspisteiden ja havaintomäärien perusteella porrastetuissa inferensseissä, ja kirjoittajat varoittavat, että katalogia ei odoteta olevan täydellinen, koska noin 16 % EMIT L2B -pilvikomplekseista jäi havaitsematta.

Paperin ohella Google julkaisi globaalin pilvitietokannan ja metaanin lisäysrastrit Earth Engine -kokoelmana, Earth Engine -sovelluksen datan visualisoimiseksi, koulutetun mallin ja synteettisen pilvidatan Kagglessa sekä inferenssikirjaston GitHubissa. Tutkimus vastaanotettiin 11. huhtikuuta 2026, hyväksyttiin 3. elokuuta 2026 ja julkaistiin verkossa 1. syyskuuta 2026; se ilmestyi PNAS:n 123. volyymiin, numero 36, 8. syyskuuta 2026.

Kirjoittajat kertovat, että tuleva tutkimus laajentaa putkea monikaasu‑ ja monisatelliittihavainnointiin sekä kohti end-to-end‑päästönopeusestimaattia, mikä tuottaisi suoria vuoto‑nopeusarvioita ilman jälkikäteen tehtävää tuulien integrointia. Google Research -postaus mainitsee, että NASA:n seuraavan sukupolven kuvantamisspektrometrit on suunniteltu lisäämään kattavuutta 30‑50‑kertaisesti.