基于深度学习从太空实现全球甲烷排放测绘

甲烷是一种强效温室气体；在100年时间尺度上，其增温潜势是二氧化碳的30倍。事实上，自工业革命以来，人类活动导致的变暖中约有25%是由甲烷驱动的。由于甲烷在大气中的寿命相对较短，及时减排为减缓全球气温上升提供了一条关键的"快速行动"路径。 这一紧迫感体现在全球甲烷承诺中，超过125个国家已承诺到2030年将排放量减少30%。为实现这些目标，我们需要赋能利益相关方，使其能够追踪废物、农业和能源领域的局部点源（空间尺度仅几十米的小型排放源）。最具成本效益的策略是控制油气基础设施、农业设施和垃圾填埋场的排放。 为了在全球尺度上追踪这些排放，科学家越来越依赖太空成像技术。一个典型例子是国际空间站上的NASA地球表面矿物尘埃源探测仪（EMIT）。虽然最初设计用于绘制干旱地区的矿物成分图，但NASA喷气推进实验室（JPL）的科学家以及更广泛的科学界已利用EMIT先进的超光谱成像能力来检测甲烷排放。通过为每个像素记录数百个不同的光波段，它使研究人员能够"看见"这些原本不可见气体的独特化学指纹。 基于这些投入，我们在《美国国家科学院院刊》（PNAS）发表的《利用EMIT高光谱辐射测量数据进行深度学习以实现甲烷点源的全球监测》一文中，介绍了一种新方法——将原始卫星数据转化为可规模化实施的减排行动。Methane Analysis and Plume Localization with EMIT（MAPL-EMIT）是一个深度学习框架，在实现甲烷羽流全球检测、增强预测和源估算的自动化方面迈出了重要一步。我们展示了 MAPL-EMIT 如何在专家标注的羽流上达到 84% 的高召回率，并与现有的基于匹配滤波器的增强方法相比具有更高的信噪比。为了支持更广泛的科研社区，我们正在 Earth Engine 上发布< a href="https://developers.google.com/earth-engine/datasets/catalog/projects_nature-trace_assets_ghg_emit_mapl_emit_plumes_v1_0">全球羽流数据库，同时在 Kaggle 上开源< a href="https://www.kaggle.com/models/vishalbatchu/emit-methane-plume-detection-and-quantification/">训练模型和< a href="https://www.kaggle.com/datasets/vishalbatchu/synthetic-puff-based-overlapping-plumes">合成羽流数据，并在 Github 上提供< a href="https://github.com/google-research/mapl">推理库。 play silent looping video pause silent looping video unmute video mute video

从太空观测全球甲烷探测结果。随着画面放大，MAPL-EMIT 模型突出显示了特定甲烷羽流，揭示出包括源位置在内的关键细节。

从太空识别甲烷的挑战

从太空测量甲烷需要在三个关键因素之间取得平衡：(1) 视场（空间覆盖范围/重访周期），(2) 空间分辨率，以及 (3) 光谱分辨率。

像< a href="https://www.tropomi.eu/">TROPOMI这样的全球测绘卫星旨在通过整合高覆盖范围（约 2,600 公里条带宽度）、较低的空间分辨率（约 5.5 km × 3.5 km）以及精细的光谱采样（0.1 nm），来检测背景甲烷浓度的微小变化。

相比之下，EMIT 等点源测绘工具在测量设施规模的甲烷排放方面表现突出。它们通过结合中等覆盖范围（80 公里宽视场）、极高空间分辨率（60 米）和中等光谱分辨率（7.4 纳米光谱采样），以高信噪比捕捉甲烷的化学特征。 然而，在全球尺度上充分挖掘这些丰富数据的潜力还面临额外挑战。地球多样的地表形成了复杂的背景，部分地表材料可能伪装成甲烷，使得识别较小或更弥散的排放源尤为困难。在 EMIT 团队开创性工作基础上，为支持高通量的全球映射，我们与该团队合作，应用能够理解场景更广阔视觉上下文的深度学习模型。 这项工作契合 Google Earth AI 的整体努力，后者是我们致力于将行星数据转化为可执行洞察的一系列地理空间模型与数据集。通过大规模将深度学习应用于卫星影像，我们旨在以专门工具为全球环境监测提供支持，补充更广泛的行星 AI 倡议。 **发现不可见之物。** 这一对比展示了甲烷检测的挑战：标准可见光图像中看不到任何气体，[NASA L2B 增强处理](https://www.earthdata.nasa.gov/data/catalog/lpcloud-emitl2bch4enh-002)（匹配滤波器生成）显示出带噪声的信号，而 MAPL-EMIT 模型则清晰地将甲烷羽流从背景地貌中分离出来。

MAPL-EMIT：面向大气的 Vision Transformer

我们使用端到端视觉 Transformer 架构（Swin-S transformer）构建了 MAPL-EMIT。与多数逐像素分析高光谱数据的方法不同，MAPL-EMIT 借助现代计算机视觉技术，将完整的光谱信息与周围空间上下文一并处理。通过分析气体在地表的扩散方式，模型能够更准确地区分真实的甲烷羽流（从特定源头扩散出的甲烷气团）和仅是光谱特征相似的地表区域——后者历来是甲烷误检的主要来源。

尤为关键的是，这种空间感知能力使模型能够解析高度复杂的场景。在密集的工业区，多个相邻设施的排放往往混合成一片云。为了厘清这类场景，MAPL-EMIT 同时完成三项独立任务：

• 增强量化：精确测量每个羽流中各像素的甲烷含量。
• 羽流分割：精确勾勒羽流的形状和边界，即使在重叠羽流顺风扩散的情况下。
• 源头定位：逆向追踪扩散的气体，精准锁定排放源的位置。

解析复杂排放。通过分析空间上下文，MAPL-EMIT 能够在密集的工业区中同时勾勒出多个重叠甲烷羽流的精确形状，并定位各自排放源头（以 X 标记）。

从数百万模拟羽流中学习

基于 Transformer 的模型需要海量数据进行训练，但全球范围内数百万个真实甲烷排放的标注数据集根本不存在。为克服这一难题，我们开发了一套基于物理的模拟框架。我们生成了 360 万条合成甲烷羽流，并将其直接注入真实的 EMIT 场景数据中。借助 拉格朗日 puff 模型——用于模拟粒子如何在空气中运动与扩散——我们得以复现真实气体排放的混沌湍流状态。在高保真模拟数据上训练，使 MAPL-EMIT 学会了在各种大气与地理条件下识别甲烷泄漏。这种合成训练方法带来了以下几项关键优势：

排放速率多样化：模型既能识别大规模泄漏，也能捕捉小型间歇性排放。

羽流多样性：模型可观察大量不同地形和大气条件下的羽流，泛化能力更强。

羽流源估算与重叠羽流分离：由于采用合成方式生成羽流，我们可以训练模型估算排放源位置，并区分重叠的羽流。

play silent looping video pause silent looping video unmute video mute video

合成现实训练。由于现实中缺乏数百万条标注过的甲烷羽流数据，我们通过将模拟生成的羽流（代表不同排放速率与湍流大气条件）直接注入真实的 EMIT 高光谱场景来进行模型训练。

解锁前所未有的现实世界灵敏度

在实际卫星数据上的部署表明，MAPL-EMIT 具备大规模排放制图的应用潜力。在 NASA 黄金标准 L2B 甲烷羽流数据集上进行基准测试时，该模型捕获了 84% 的专家标注羽流，并在约 1100 个 EMIT 数据格网中额外识别出约 50% 的合理羽流，展现出从背景噪声中分离微弱信号的能力。详见论文。

这种提升的灵敏度也使 MAPL-EMIT 能够可靠地捕捉较弱的排放，优于当前的检测极限。该模型在复杂环境中同样表现出色，成功绘制了全球 25 个排放量最大的垃圾填埋场中 24 个的羽流图。 与许多高灵敏度模型一样，假阳性仍是持续存在的挑战，尤其在复杂地形中。为缓解这一问题，输出结果会附带基于物理的羽流置信度评分（光谱拟合度），该评分根据步长推理过程中的检测次数进行评估，并结合其他多个属性进行综合判断，使用户能够根据实际需求在捕捉真实羽流和避免假阳性之间灵活权衡与筛选。然而情况并非总是一目了然，因此我们还根据这些属性为每个羽流打上"低"或"高"置信度标签，让用户可以直接使用数据。 追踪时间维度上的持续排放。MAPL-EMIT 甲烷检测的时间序列成功捕获了约旦安曼一处大型垃圾填埋场的羽流，展现了该模型在复杂环境中的高灵敏度与强鲁棒性。

为甲烷减排奠定坚实基础

MAPL-EMIT 展示了一次高效协作——将 Google 的机器学习专长与 NASA JPL 合作者的领域知识相结合。我们正共同推进设施级卫星甲烷观测的全部潜力，为全球社区提供推动温室气体减排实质性行动所需的工具。 通过在整个 EMIT 数据目录范围内提升羽流探测能力，MAPL-EMIT 为地方政府、研究人员、政策制定者和企业提供了一个强大的新工具，使其能够比以往更快识别甲烷排放。随着 NASA 即将发射新一代成像光谱仪，其覆盖范围将扩大 30 至 50 倍，稳健且自动化的技术手段比以往任何时候都更加重要。我们诚邀广大科学界同仁在 Earth Engine 上探索我们新发布的全球羽流数据库及交互式可视化的 Earth Engine 应用，从 Kaggle 下载训练好的模型与合成羽流数据，并访问我们在 GitHub 上的推理库。希望这些数据能为开展有针对性的减排措施提供坚实基础，助力我们所有人向全球气候目标迈进一步。

致谢

我们要感谢 Google 与 NASA JPL 的各位同仁，是他们推进了这项工作并使成果得以发布，依次（按字母顺序）为：Alex Wilson、Anna M. Michalak、Varun Gulshan、Philip G. Brodrick、Andrew K. Thorpe、Christopher V. Arsdale、Burak Ekim、Carl Elkin、Tal Geller、Omry Gillon、Nita Goyal、Mansi Kansal、Roy Nadler、John Platt、Sergei Shames、Bijoy Shetty、Aaron Sonabend、Deepika Sukhija、Shahar Timnat、Maxim Neumann、Anton Raichuk、Frances Reuland、Adam R. Brandt、David R. Thompson、Robert O. Green、Jay Radzinski、Vishal V. Batchu 以及 Michelangelo Conserva。