Google og NASA JPL avduker AI-modell som kartlegger globale metanutslipp

Google og NASA sitt Jet Propulsion Laboratory (JPL) introduserte MAPL-EMIT 9. september 2026, en dyp‑læringsmodell som oppdager, kvantifiserer og lokalisere metanutslipp globalt fra NASA‑s EMIT‑satellitinstrument, ifølge Googles kunngjøring. Google opplyser at modellen, trent på 3.6 million fysikk‑simulerte metanutslipp, oppdager 50 % flere utslipp enn menneskelige eksperter og identifiserer mer enn 23 000 ekstra utslipp globalt, inkludert utslipp ved 24 av verdens 25 mest utslippsintensive søppelfyllinger.

Systemet, formelt kalt Methane Analysis and Plume Localization with EMIT, er beskrevet i en studie i Proceedings of the National Academy of Sciences (PNAS) skrevet av forskere ved Google Research og JPL, samt i et teknisk innlegg fra Google Research datert 1. september 2026, av forskningsingeniør Vishal Batchu og forskningsforsker Michelangelo Conserva. Batchu skrev også Googles kunngjøring 9. september.

Metanovervåkning og EMIT‑instrumentet

Googles kunngjøring beskriver metan som en kraftig klimagass hvis oppvarmingspotensial over 100 år er 30 ganger høyere enn karbondioksid. Studien oppgir at metans 20‑årige globale oppvarmingspotensial er 81 til 86 ganger CO₂s, tilskriver omtrent 25 % av den menneskeskapte oppvarmingen siden den industrielle revolusjonen til gassen, og bemerker en atmosfærisk levetid på rundt ni år. Over 125 land har forpliktet seg til å redusere metanutslipp med 30 % innen 2030 under Global Methane Pledge, og studien rapporterer at menneskelig aktivitet står for 60 % av den globale metanproduksjonen, fordelt på avfall (19 %), landbruk (44 %) og energi (37 %) innenfor denne andelen.

EMIT, Earth Surface Mineral Dust Source Investigation, opererer ombord på den internasjonale romstasjonen og ble opprinnelig designet for å kartlegge mineralinnhold i tørre områder. Instrumentet registrerer 285 spektrale bånd fra 381 til 2 493 nanometer med 60 meters romlig oppløsning og en svømming på 80 kilometer; å registrere hundrevis av ulike bånd per piksel avslører de kjemiske fingeravtrykkene til en ellers usynlig gass, forklarer Google Research‑innlegget. Studien sammenligner denne konfigurasjonen med globale kartleggere som TROPOMI, som kombinerer en svømming på omtrent 2 600 kilometer med en oppløsning på 5.5 × 3.5 kilometer for å spore bakgrunnskonsentrasjoner av metan, en skala som er for grov til å isolere enkeltkilder.

En Vision‑Transformer trent på simulerte utslipp

MAPL-EMIT er en ende‑til‑ende vision‑transformer som behandler hele EMIT‑radiansespekteret for samtidig å hente ut metanforsterkninger over alle piksler i en scene. Modellen kombinerer en Swin‑v2‑S‑transformer‑encoder med omtrent 30 millioner parametere med en konvolusjons‑decoder i en U‑Net‑lignende arkitektur, og utfører tre oppgaver samtidig: kvantifisere metanforsterkningen i hver piksel, avgrense hver utslipp sin form og grenser, samt lokalisere kilden til hver emisjon. Studien påpeker at dette inkluderer å skille overlappende utslipp fra nabofasiliteter, et scenario som eksisterende metoder ikke fanger godt.

Ettersom det ikke finnes et merket datasett med millioner av reelle utslipp, bygde teamet en fysikkbasert simuleringspipeline som genererte 3.6 million syntetiske utslipp med Lagrangian‑puff‑modeller, som simulerer hvordan partikler spres gjennom luften, og injiserte dem i ekte EMIT‑scener ved hjelp av linje‑for‑linje‑radiativ overføring med HITRAN‑spektrodata. Forskerne delte 235 000 EMIT‑fliser inn i trenings‑, validerings‑ og testsett og trente modellen på 32 Google‑TPU‑brikker i omtrent 96 timer. Google Research opplyser at de syntetiske dataene eksponerte modellen for varierte utslippsrater, terreng og atmosfæriske forhold, noe som forbedret modellens generalisering til reelle observasjoner.

Validering på syntetiske og virkelige målestokker

På virkelige målestokker rapporterer studien at MAPL-EMIT fanget 84 % av håndmerkede NASA EMIT L2B‑utslippskomplekser over et testsett på 1 084 EMIT‑granuler, samtidig som den identifiserte omtrent 1.5 ganger så mange plausible utslipp som menneskelige analytikere. Modellens 3 672 første deteksjoner på disse granulene ble redusert til 2 209 etter filtrering til landbaserte utslipp oppdaget i mer enn 13 av 16 overlappende strided‑inferenser.

For å avgrense falsk‑positiv‑raten kjørte teamet modellen over 20 000 granuler hvor minimale utslipp var forventet. Studien rapporterer 1 513 deteksjoner etter filtrering, hvorav 355 ble vurdert som sannsynlig ekte gjennom spektral‑tilpasningsvurdering; de resterende 1 158 ubekreftede deteksjonene, hovedsakelig over kupert terreng eller tette skoger, gir et konservativt estimat på omtrent 0.06 falske utslipp per granul.

Modellen identifiserte potensielle utslipp ved 24 av verdens 25 mest utslippsintensive søppelfyllinger; studien bemerker at tidligere arbeid fant at EMIT L2B‑produktet oppdaget potensielle utslipp ved 17 av de 25 stedene. I sammenligning med samtidige AVIRIS‑3‑flyobservasjoner oppdaget MAPL‑EMIT to av tre løselige utslipp uten falske positiver og med et signal‑støy‑forhold på 8.60, versus 1.21 for den omprøvede AVIRIS‑3‑matched‑filteren og 0.40 for den standard L2B‑matched‑filteren. I Stanford‑kontrollerte utslippsforsøk utført fra 1. august 2024 til 31. desember 2025 nær et feltsted i Arizona, oppdaget modellen fem av syv utslipp og produserte ingen falske positiver på utslippsstedene.

På syntetiske målestokker økte presisjonen per utslipp fra 0.80 for de svakeste utslippene til 0.97 for de mest intense, tilbakekallingen steg fra 0.33 til 0.93, og gjennomsnittlig kilde‑lokasjonsfeil var 101 meter. Studien rapporterer at modellen pålitelig fanger utslipp som tilsvarer lekkasjerater på 250 til 500 kg/h ved en nominell vindhastighet på 2.5 m/s, en omtrent 2‑til‑4‑ganger forbedring sammenlignet med eksisterende modeller, og oppnår en symmetrisk gjennomsnittlig absolutt prosentfeil på 56 % på de 1 084 sammenligningsgranulene, versus 117 % for EMIT L2B‑utslippene.

Begrensninger, offentlige utgivelser og neste steg

Forfatterne oppgir at falske positiver fortsatt er en åpen utfordring, spesielt i komplekst terreng, og at MAPL‑EMIT viser betydelig flere falske positiver enn ekspert‑vurderte kataloger som EMIT L2B‑utslippskomplekser. Hvert utslipp i den publiserte databasen er merket med lavere eller høyere tillit basert på fysikkbaserte spektrale tilpasningsscore og antall deteksjoner på tvers av strided‑inferenser, og forfatterne advarer om at katalogen ikke forventes å være komplett, siden omtrent 16 % av EMIT L2B‑utslippskompleksene ikke ble fanget.

Sammen med artikkelen publiserte Google den globale utslippsdatabasen og metanforsterknings‑rasterne som Earth Engine‑samlinger, en Earth Engine‑app for visualisering av dataene, den trente modellen og det syntetiske utslippsdatasettet på Kaggle, samt et inferens‑bibliotek på GitHub. Studien ble mottatt 11. april 2026, akseptert 3. august 2026 og publisert på nett 1. september 2026; den forekommer i PNAS Volum 123, Nummer 36, datert 8. september 2026.

Forfatterne oppgir at fremtidig forskning vil utvide pipelinen til fler‑gass‑ og multisatellitt‑henting samt mot ende‑til‑ende estimering av utslippshastighet, noe som vil gi direkte lekkasjerate‑estimater uten etterfølgende vindintegrasjon. Google Research‑innlegget bemerker at NASAs neste generasjons bildespektrometre er planlagt å øke dekningen med en faktor på 30 til 50.