Google och NASA JPL avslöjar AI-modell som kartlägger globala metanföror

Google och NASA:s Jet Propulsion Laboratory (JPL) introducerade MAPL-EMIT den 9 september 2026, en djupinlärningsmodell som upptäcker, kvantifierar och lokalisering metanföror globalt från NASA:s EMIT-satellitinstrument, enligt Googles tillkännagivande. Google uppgav att modellen, som tränats på 3,6 miljoner fysiksimulerade metanföror, upptäcker 50 % fler föror än mänskliga experter och identifierar mer än 23 000 ytterligare föror globalt, inklusive föror vid 24 av världens 25 mest utsläppsintensiva deponier.

Systemet, formellt benämnt Methane Analysis and Plume Localization with EMIT, beskrivs i en studie i Proceedings of the National Academy of Sciences författad av forskare vid Google Research och JPL, samt i ett tekniskt inlägg från Google Research daterat 1 september 2026, av forskningsingenjör Vishal Batchu och forskningsvetenskapsman Michelangelo Conserva. Batchu skrev också Googles tillkännagivande den 9 september.

Metanövervakning och EMIT‑instrumentet

Googles tillkännagivande beskriver metan som en kraftfull växthusgas vars uppvärmningspotential över ett 100‑årsintervall är 30 gånger högre än koldioxidens. Studien anger att metanens 20‑års globala uppvärmningspotential är 81–86 gånger CO₂:s, tillskriver ungefär 25 % av den mänskligt framkallade uppvärmningen sedan industrialiseringens början till gasen och noterar en atmosfärisk livslängd på omkring nio år. Mer än 125 länder har åtagit sig att minska metanutsläppen med 30 % till 2030 under Global Methane Pledge, och studien rapporterar att mänsklig aktivitet står för 60 % av den globala metanproduktionen, fördelad på avfall (19 %), jordbruk (44 %) och energi (37 %).

EMIT, Earth Surface Mineral Dust Source Investigation, opererar ombord på den Internationella Rymdstationen och designades ursprungligen för att kartlägga mineralkomposition i torra regioner. Instrumentet registrerar 285 spektrala band som sträcker sig från 381 till 2 493 nanometer med en rumslig upplösning på 60 meter och ett svep på 80 kilometer; att registrera hundratals distinkta band per pixel avslöjar de kemiska fingeravtrycken av en annars osynlig gas, förklarar Google Research‑inlägget. Studien jämför denna konfiguration med globala kartläggare såsom TROPOMI, som kombinerar ett svep på ungefär 2 600 kilometer med en upplösning på 5,5 × 3,5 kilometer för att spåra bakgrundskoncentrationer av metan – en skala som är för grov för att isolera enskilda källor.

En Vision Transformer tränad på simulerade metanföror

MAPL-EMIT är en end‑to‑end vision transformer som bearbetar hela EMIT‑radiansspektrumet för att gemensamt återge metanhöjningar över alla pixlar i en scen. Modellen kombinerar en Swin‑v2‑S‑transformer‑kodare med cirka 30 miljoner parametrar och en konvolutionell avkodare i en U‑Net‑liknande arkitektur och utför tre uppgifter simultant: kvantifiera metanhöjningen i varje pixel, avgränsa varje förors form och gränser samt lokalisera varje emissionskälla. Studien anger att detta inkluderar att separera överlappande föror från närliggande anläggningar, ett scenario som befintliga metoder enligt studien inte fångar väl.

Eftersom ingen märkt dataset med miljontals verkliga föror finns, byggde teamet en fysikbaserad simuleringspipeline som genererade 3,6 miljoner syntetiska föror med Lagrangian‑puff‑modeller, vilka simulerar hur partiklar sprids i luften, och injicerade dem i faktiska EMIT‑scener med linje‑för‑linje‑strålningsöverföring med HITRAN‑spektraldatat. Forskarna delade upp 235 000 EMIT‑rutor i tränings‑, validerings‑ och testuppsättningar och tränade modellen på 32 Google‑TPU‑chip i cirka 96 timmar. Google Research uppgav att de syntetiska data exponerade modellen för varierande utsläppsgrader, terränger och atmosfäriska förhållanden, vilket förbättrade dess generalisering till verkliga observationer.

Validering på syntetiska och verkliga testuppsättningar

På verkliga testuppsättningar rapporterar studien att MAPL-EMIT fångade 84 % av hand‑annoterade NASA EMIT L2B‑förorkomplex över ett testset på 1 084 EMIT‑granuler, samtidigt som den identifierade ungefär 1,5 gångar så många plausibla föror som mänskliga analytiker. Modellens 3 672 initiala detektioner på dessa granuler minskade till 2 209 efter filtrering till landbaserade föror som upptäcktes i mer än 13 av 16 överlappande stridade inferenser.

För att begränsa falsk‑positiv‑frekvensen körde teamet modellen över 20 000 granuler där minimala föror förväntades. Studien rapporterar 1 513 detektioner efter filtrering, varav 355 bedömdes som sannolikt genuina genom spektral‑passningsutvärdering; de återstående 1 158 obevisade detektionerna, mestadels över kuperad terräng eller täta skogar, motsvarar en konservativ uppskattning på cirka 0,06 falska föror per granul.

Modellen identifierade potentiella föror vid 24 av världens 25 mest utsläppsintensiva deponier; studien noterar att tidigare arbete fann att EMIT L2B‑produkten upptäckte potentiella föror vid 17 av dessa 25 platser. Mot samtidiga AVIRIS‑3‑flygobservationer detekterade MAPL-EMIT två av tre upplösbara föror utan falska positiv och med ett signal‑till‑brus‑förhållande på 8,60, jämfört med 1,21 för den omprovade AVIRIS‑3‑matchade filtret och 0,40 för det standardiserade L2B‑matchade filtret. I Stanford‑kontrollerade utsläpps‑experiment genomförda från 1 augusti 2024 till 31 december 2025 nära en fältplats i Arizona, detekterade modellen fem av sju utsläpp och producerade inga falska positiv vid utsläppsplatserna.

På syntetiska testuppsättningar steg per‑föror‑precisionen från 0,80 för de svagaste förorna till 0,97 för de mest intensiva, återkallning steg från 0,33 till 0,93, och medelfel för källa‑lokalisering var 101 meter. Studien rapporterar att modellen på ett pålitligt sätt fångar föror motsvarande läckage‑hastigheter på 250–500 kg/h vid en nominell vindhastighet på 2,5 m/s, en ungefärlig 2‑till‑4‑gånger förbättring jämfört med befintliga modeller, och når ett symmetriskt medel‑absolut‑procentuellt fel på 56 % på de 1 084 jämförelses‑granulerna, jämfört med 117 % för EMIT L2B‑förorna.

Begränsningar, offentliga releaser och nästa steg

Författarna konstaterar att falska positiv fortfarande är en öppen utmaning, särskilt i komplex terräng, och att MAPL-EMIT visar avsevärt fler falska positiv än expert‑granskade kataloger såsom EMIT L2B‑förorkomplex. Varje föror i den släppta databasen är märkt som lägre eller högre förtroende baserat på fysikbaserade spektrala passningspoäng och detektionsantal över stridade inferenser, och författarna varnar för att katalogen inte förväntas vara komplett, eftersom cirka 16 % av EMIT L2B‑förorkomplexen inte fångades.

Samtidigt med artikeln släppte Google den globala förordatabasen och metanhöjnings‑rastrarna som Earth Engine‑samlingar, en Earth Engine‑app för visualisering av data, den tränade modellen och syntetiska förordatamängden på Kaggle, samt ett inferens‑bibliotek på GitHub. Studien mottogs den 11 april 2026, accepterades den 3 augusti 2026 och publicerades online den 1 september 2026; den förekommer i PNAS volym 123, nummer 36, daterad 8 september 2026.

Författarna anger att framtida forskning kommer att utvidga pipelinen till multigas‑ och multisatellit‑återvinning samt mot end‑to‑end‑utsläpps‑hastighets‑estimering, vilket skulle producera direkta läckage‑hastighets‑estimat utan efterhands‑vind‑integration. Google Research‑inlägget noterar att NASA:s nästa‑generations bildspektrala instrument planeras öka täckningen med en faktor på 30 till 50.