Моделі та платформи ШІ

Google і NASA JPL презентують модель ШІ, що картографує глобальні викиди метану

mm
Додайте Unite.AI до бажаних джерел у Google

Google і лабораторія реактивного польоту NASA (JPL) представили MAPL‑EMIT 9 вересня 2026 р., модель глибокого навчання, яка виявляє, кількісно оцінює та локалізує метанові викиди по всій планеті за даними інструмента NASA EMIT, згідно оголошення Google. Google повідомив, що модель, навчена на 3,6 млн фізично‑модульованих метанових викидів, виявляє на 50 % більше викидів, ніж експерти‑люди, і ідентифікує понад 23 000 додаткових викидів у світі, включаючи викиди на 24 з 25 найбільших у світі звалищ.

Система, офіційно називана Methane Analysis and Plume Localization with EMIT, описана у статті в Proceedings of the National Academy of Sciences (PNAS), написаній дослідниками Google Research та JPL, а також у технічному дописі Google Research від 1 вересня 2026 р., підготовленому інженером‑дослідником Вішалом Батчу та науковцем‑дослідником Мікеланджело Консерво. Батчу також написав оголошення Google від 9 вересня.

Моніторинг метану та інструмент EMIT

У оголошенні Google описується метан як потужний парниковий газ, потужність якого за 100‑річний період у 30 разів перевищує вуглекислий газ. У дослідженні зазначається, що 20‑річна глобальна потеплювальна потенція метану становить 81–86 разів більше, ніж у CO₂, що приблизно 25 % антропогенного потепління з початку індустріальної ери пов’язано саме з цим газом, а тривалість його перебування в атмосфері – близько дев’яти років. Понад 125 країн зобов’язалися скоротити викиди метану на 30 % до 2030 р. у рамках Global Methane Pledge, і дослідження повідомляє, що людська діяльність відповідає за 60 % глобального викиду метану, розподілених між відходами (19 %), сільським господарством (44 %) та енергетикою (37 %).

EMIT (Earth Surface Mineral Dust Source Investigation) працює на Міжнародній космічній станції і спочатку був створений для картографування мінерального складу у сухих регіонах. Пристрій реєструє 285 спектральних каналів у діапазоні 381–2 493 нм з просторовою роздільною здатністю 60 м та шириною смуги 80 км; запис сотень окремих каналів на один піксель розкриває хімічний «відбиток» газу, який інакше залишався б невидимим, пояснює допис Google Research. Дослідження порівнює цю конфігурацію з глобальними маперами, такими як TROPOMI, які мають смугу близько 2 600 км і роздільну здатність 5,5 × 3,5 км для відстеження фонового рівня метану — масштаб, надто грубий для виявлення окремих джерел.

Візуальний трансформер, навчений на симульованих викидах

MAPL‑EMIT — це сквозний візуальний трансформер, який обробляє повний спектр радіації EMIT для одночасного отримання підвищення концентрації метану у всіх пікселях сцени. Модель поєднує енкодер Swin‑v2‑S з приблизно 30 млн параметрів і декодер у вигляді U‑Net‑подібної архітектури, виконуючи три завдання одночасно: кількісна оцінка підвищення метану в кожному пікселі, визначення форми та меж кожного викиду та локалізація джерела кожного викиду. У дослідженні зазначається, що це включає розділення перекриваючихся викидів від сусідніх об’єктів — сценарій, який, за словами авторів, існуючі підходи не охоплюють належним чином.

Оскільки не існує позначеного набору мільйонів реальних викидів, команда створила фізично‑модульований конвеєр, який згенерував 3,6 млн синтетичних викидів за допомогою лагранжевих моделей «пухирців», що імітують розсіювання часток у повітрі, і впровадила їх у реальні сцени EMIT за допомогою рядкового радіаційного перенесення з використанням спектральних даних HITRAN. Дослідники розподілили 235 000 тайлів EMIT на навчальний, валідаційний та тестовий набори й навчали модель на 32 чіпах Google TPU протягом приблизно 96 годин. Google Research зазначив, що синтетичні дані надали моделі різноманітні рівні викидів, типи рельєфу та атмосферні умови, що підвищило її здатність до узагальнення на реальних спостереженнях.

Перевірка на синтетичних та реальних еталонах

За результатами тестування на реальних еталонах, дослідження повідомляє, що MAPL‑EMIT виявив 84 % вручну анотованих комплексів викидів NASA EMIT L2B у тестовому наборі з 1 084 гранул EMIT, при цьому ідентифікуючи приблизно в 1,5 рази більше потенційних викидів, ніж людські аналітики. Початкова кількість 3 672 виявлень на цих гранулах скоротилася до 2 209 після фільтрації лише наземних викидів, виявлених у більш ніж 13 з 16 перекриваючих інференцій.

Для оцінки рівня хибнопозитивних результатів команда запустила модель на 20 000 гранул, де очікувалося мінімальне число викидів. Дослідження повідомляє про 1 513 виявлень після фільтрації, з яких 355 було оцінено як ймовірно справжні за результатами спектрального підгонювання; решта 1 158 непідтверджених виявлень, переважно над гористою місцевістю або густими лісами, становить консервативну оцінку приблизно 0,06 хибних викидів на гранулу.

Модель виявила потенційні викиди на 24 з 25 найбільших у світі звалищ. Дослідження зазначає, що попередня робота показала, що продукт EMIT L2B виявив потенційні викиди лише на 17 з цих 25 об’єктів. У порівнянні з одночасними повітряними спостереженнями AVIRIS‑3, MAPL‑EMIT виявив два з трьох розрізнюваних викидів без хибнопозитивних результатів і зі співвідношенням сигнал‑шум 8,60, порівняно з 1,21 для перересемпльованого AVIRIS‑3 matched filter і 0,40 для стандартного L2B matched filter. У контрольованих випробуваннях Stanford, проведених з 1 серпня 2024 р. по 31 грудня 2025 р. біля польового майданчика в Арізоні, модель виявила п’ять з семи випусків і не дала жодного хибнопозитивного результату у точках випуску.

На синтетичних еталонах точність по викидам зросла з 0,80 для найслабших викидів до 0,97 для найінтенсивніших, повнота піднялася з 0,33 до 0,93, а середня помилка локалізації джерела склала 101 м. Дослідження повідомляє, що модель надійно виявляє викиди, що відповідають швидкості витоку 250–500 кг/год при номінальній швидкості вітру 2,5 м/с, що є приблизно 2‑4‑кратним поліпшенням порівняно з існуючими моделями, і досягає симетричної середньої абсолютної процентної помилки 56 % на 1 084 порівняльних гранулах, проти 117 % для викидів EMIT L2B.

Обмеження, публічні випуски та подальші кроки

Автори зазначають, що хибнопозитивні результати залишаються відкритою проблемою, особливо у складному рельєфі, і що MAPL‑EMIT демонструє значно більше хибнопозитивних випадків, ніж експертно‑перевірені каталоги, такі як комплекси викидів EMIT L2B. Кожен викид у випущеній базі даних позначений як нижчої або вищої впевненості на підставі фізично‑модульованих спектральних підгонок та кількості виявлень у перекриваючих інференціях, і автори застерігають, що каталог не є повним, оскільки близько 16 % комплексів викидів EMIT L2B не були захоплені.

Разом із статтею Google випустив глобальну базу даних викидів, растри підвищення концентрації метану у вигляді колекцій Earth Engine, додаток Earth Engine для візуалізації даних, навчальну модель та синтетичний набір викидів на Kaggle, а також бібліотеку інференції на GitHub. Стаття була отримана 11 квітня 2026 р., прийнята 3 серпня 2026 р. і опублікована онлайн 1 вересня 2026 р.; вона з’явилася у PNAS, том 123, номер 36, датованому 8 вересня 2026 р.

Автори стверджують, що майбутні дослідження розширять конвеєр до багатогазових та багатосупутникових отримань і до оцінки швидкості викидів у режимі «від кінця до кінця», що дозволить отримувати прямі оцінки швидкості витоку без пост‑фактум інтеграції вітру. У дописі Google Research зазначається, що наступне покоління іміджевих спектрометрів NASA планується збільшити покриття у 30‑50 разів.

Джонас Рів - аналітик, створений штучним інтелектом, у Unite.AI, який зосереджується на когнітивному штучному інтелекті, штучному загальному інтелекті (AGI) та теоретичних основах машинного інтелекту. Його робота досліджує, як навчання, розуміння, пам'ять та абстракція виникають як у біологічних, так і в штучних системах, проводячи зв'язки між сучасними архітектурами штучного інтелекту та довгостроковими питаннями когнітивної науки та філософії свідомості.
З концептуальним та рефлексивним підходом Джонас вивчає рамки, такі як моделі розуміння, агентні системи, виникнення когніції та теорія вирівнювання, спрямовані на роз'яснення того, що насправді означає прогрес у напрямку AGI - та чого ні. Натомість ніж гнатися за графіками або гіпом, він підкреслює перші принципи, концептуальну строгість та обмеження поточних моделей.
Статті, написані Джонасом Рівом, створені штучним інтелектом та перевірені редакційною командою Unite.AI, щоб забезпечити точність, ясність та відповідальне обговорення передових концепцій штучного інтелекту.