谷歌与 NASA JPL 联合发布 MAPL-EMIT 深度学习模型，利用 EMIT 高光谱卫星数据自动识别并定位全球设施级甲烷羽流，显著提高检测规模和灵敏度。该工具为开放数据和自动化筛查提供基础，但受观测覆盖、置信度和风场等限制，不能直接作为排放责任判定依据。
谷歌与美国国家航空航天局（NASA）喷气推进实验室（JPL）推出了一套用于识别甲烷排放的深度学习模型。研究团队称，MAPL-EMIT 能够处理 NASA EMIT 仪器获取的高光谱卫星数据，在全球范围内自动寻找甲烷羽流、估算羽流增强程度，并定位可能的排放源。
这项研究发表于美国国家科学院院刊（PNAS）。谷歌表示，模型在处理约 1,100 个 EMIT 数据颗粒时，发现的可信甲烷羽流数量约为人工分析人员的 1.5 倍；在全球数据库中，模型还识别出超过 23,000 个额外羽流，其中包括全球排放量最大的 25 座垃圾填埋场中的 24 座。
不过，MAPL-EMIT 并不是一张能够连续显示全球甲烷浓度的实时地图。它的观测范围受 EMIT 的轨道采样和视场限制，主要面向油气设施、垃圾填埋场和其他点源的设施级监测。模型输出也需要结合置信度、风场和地面基础设施资料进一步核验，才能用于确定排放责任或估算排放量。
甲烷监测的难点：既要看得广，也要看得细
甲烷是天然气的主要成分，也是强效、短寿命的温室气体。根据 联合国环境规划署（UNEP）对甲烷的介绍，甲烷在排放后的前 20 年内，其增温效应约为二氧化碳的 80 倍；在 100 年尺度上，谷歌研究引用的数值约为二氧化碳的 30 倍。由于甲烷在大气中的寿命约为十年，快速减少甲烷排放被视为减缓近期升温的重要手段。
排放源的发现并不容易。全球型卫星仪器能够频繁覆盖大范围区域，但空间分辨率通常不足以区分相邻的油井、压缩站或填埋场。例如，欧洲航天局的 TROPOMI 具有约 2,600 公里的扫描带宽，但空间分辨率约为 5.5×3.5 公里。它适合观察较大范围的甲烷变化，却不一定能直接把排放归因到某个具体设施。
另一类仪器则更适合观察点源。EMIT 安装在国际空间站上，虽然最初的任务是绘制干旱地区的矿物组成，但其高光谱成像能力也能捕捉甲烷在短波红外波段留下的吸收特征。EMIT 覆盖可见光至短波红外范围的 285 个光谱波段，空间分辨率为 60 米，视场宽度约为 80 公里。
这形成了一个现实取舍：覆盖范围、空间分辨率和光谱分辨率难以同时达到最高。EMIT 的空间分辨率足以支持设施级分析，但它并不像全球型气象卫星那样每天覆盖全部地表。因此，真正的瓶颈不仅是卫星能否“看到”甲烷，还包括能否在大量复杂背景中自动筛选和解释信号。
MAPL-EMIT 如何减少背景干扰
传统的甲烷遥感流程通常先利用匹配滤波等方法估算甲烷增强，再由专家检查图像、勾勒羽流形状，并根据风向追溯可能的源头。在地形单一、羽流清晰的场景中，这种方法可以发挥作用；但在工业区、裸地、阴影或多个排放源相互靠近的地方，地表材料可能产生类似甲烷的光谱信号，导致误报。
MAPL-EMIT 采用端到端视觉Transformer架构，具体为 Swin-S 模型。它不只逐像素分析光谱，而是同时利用完整的辐射光谱与周边像素的空间关系。甲烷羽流通常会沿风向扩散，并在地表上形成具有连续性的形状；模型试图利用这些空间线索，把真正的气体羽流与具有相似光谱特征的地表区域区分开来。
模型还同时处理三个任务：估算甲烷增强程度、描绘羽流范围，以及定位可能的排放源。研究团队称，这种联合处理方式也能够应对多个相邻羽流重叠的情况，而不必完全依赖人工逐一拆分。
训练数据是这项工作的另一关键。现实世界中不存在覆盖全球、并且由专家完整标注的数百万条甲烷羽流数据。为解决这一问题，团队把基于物理过程生成的甲烷羽流注入真实 EMIT 场景，构建了约 360 万条合成羽流。
这些模拟使用拉格朗日“烟团”模型，模拟气体粒子在风场中的移动和扩散，再把结果叠加到不同地区、不同地表和不同大气条件下的真实辐射数据中。这样训练出的模型，不是只学习某一批人工标注图片中的固定纹理，而是接触到更广泛的地理和气象变化。
性能提升与误报风险同时存在
在真实数据基准测试中，MAPL-EMIT 捕捉到了 NASA 专家标注的 EMIT-L2B 甲烷羽流复合体的 84%。PNAS 论文称，测试集包括 1,084 个 EMIT 数据颗粒；与人工分析人员相比，模型识别出的可信羽流约多出一半。
PNAS 论文同时指出，模型还通过与机载观测、全球高排放填埋场清单以及受控释放实验进行比对，发现了一些此前未捕捉到的排放源。谷歌在其官方介绍中进一步称，MAPL-EMIT 覆盖了全球排放量最大的 25 座垃圾填埋场中的 24 座。
但“发现更多”并不等于“所有发现都已确认”。谷歌研究团队承认，灵敏度更高的模型也可能带来更多误报。研究团队为输出结果附加了光谱拟合分数、噪声估计和重复推理等指标，让使用者在检出率和误报风险之间作出取舍。
谷歌发布的 Earth Engine 数据目录给出了更具体的使用限制。被标记为高置信度的羽流，通常是在不同时间的至少三次 EMIT 观测中被检测到；对随机样本的人工复核显示，其误报率约为 3%至 5%。没有跨时间匹配的中等置信度羽流，人工复核显示误报率约为 50%至 55%，使用者需要通过基础设施位置、光谱分数、风向和时间序列等方式进行二次筛选。
数据目录还提醒，约 16% 的 NASA EMIT-L2B 专家标注羽流会被模型遗漏。低反照率地表、云层、阴影和较弱或较小的羽流，都可能降低模型表现。因此，MAPL-EMIT 更适合被理解为大规模候选源筛选系统，而不是无需人工确认的排放裁决工具。
从“看到羽流”到估算排放量仍有距离
模型输出中的甲烷增强值以 ppm·m 等大气柱增强指标表示，并不直接等于排放速率。要把卫星图像中的羽流转换为每小时排放多少公斤甲烷，通常还要结合有效风速、羽流积分质量增强（IME）等方法。风速误差、观测时间差、羽流扩散过程和源头位置判断，都会影响最终估算。
这一区别对监管和减排行动尤其重要。一张图像可以提示某个地区存在异常甲烷信号，但要确定究竟是哪一座设施造成排放、排放持续了多长时间、以及修复后是否真正下降，仍需要多次观测、地面资料或其他高分辨率仪器的交叉验证。
NASA 已经提供了 EMIT-L2B 甲烷羽流复合体数据产品，用于识别和量化点源排放。MAPL-EMIT 建立在这些数据和 EMIT 的原始辐射观测之上，重点是把原本依赖专家筛选的流程扩展到完整数据档案。
开放数据能否让甲烷治理更快
谷歌称，将公开全球羽流数据库，并通过 Earth Engine 提供可视化应用；训练模型和合成羽流可通过 Kaggle 获取，推理工具则发布在 Google Research 的 MAPL 代码库中。研究团队希望研究人员、政策制定者和能源及废物处理企业能够在同一套数据基础上开展分析。
开放数据的意义在于，它有机会降低甲烷监测的进入门槛。过去，地方政府、公益组织和研究机构往往需要依靠专业团队手动分析遥感数据，或者购买覆盖范围有限的商业卫星服务。自动化模型如果能够稳定处理更多观测，就可以帮助这些机构把注意力集中到排放源核验和修复行动上。
但开放数据库也提出了治理问题。高置信度与中等置信度结果必须被清楚区分，误报不能被直接当成企业违规证据；不同地区的数据覆盖不均，也意味着“没有被发现”不能简单理解为“没有排放”。如果排放量估算需要外部风场和设施资料，那么数据链条中的每一个环节都需要保留不确定性说明。
这也是地理空间人工智能正在面对的共同问题。AIFlux此前报道的 [Ai2 OlmoEarth 地理空间推理平台](https://aifluxnews.com/ai2%E6%8A%8Aolmoearth%E5%81%9A%E6%88%90%E5%9C%B0%E7%90%86%E7%A9%BA%E9%97%B4%E6%8E%A8%E7%90%86%E5%B9%B3%E5%8F%B0%EF%BC%8C%E6%83%B3%E8%AE%A9%E5%8D%AB%E6%98%9F%E6%95%B0%E6%8D%AE%E6%9B%B4%E5%BF%AB/）也显示，卫星人工智能的瓶颈不只是模型指标，还包括跨传感器数据处理、大规模并行推理、结果拼接和面向实际机构的交付。
Google DeepMind近期在亚太地区启动的 “AI for the Planet”项目同样把重点放在将人工智能嵌入生态、农业和碳治理流程，而不只是发布一个新模型。MAPL-EMIT 则把这一趋势推进到更具体的排放监测任务：让大规模观测先自动产生可筛选的候选源，再由研究人员、监管者和运营方完成后续确认。
更大规模的卫星覆盖将考验模型的可扩展性
Google Research表示，NASA正在准备发射新一代成像光谱仪，未来观测覆盖能力可能提高约 30 至 50 倍。随着数据量增加，依靠人工逐张检查的方式会更加难以维持，自动化检测、去重、置信度标记和源头定位的重要性也会随之上升。
MAPL-EMIT的价值，最终取决于它能否在更多地区、更多季节和不同类型的设施上保持稳定表现，并且能否与地面维修记录、企业排放报告和独立测量结果形成闭环。它已经展示了将卫星甲烷监测从人工挑选少量图像，推进到自动扫描大规模数据档案的可能性；但从“识别候选羽流”到“证明排放、量化责任并完成减排”，仍然需要一套包含卫星、模型、风场、地面核验和公共治理的完整系统。
目前可以确认的是，MAPL-EMIT为设施级甲烷监测提供了一个开放、可扩展的人工智能工具链。它可能让更多排放源更快进入研究和治理视野，但其输出仍应被视为带有置信度和覆盖限制的科学观测结果，而不是对排放责任的自动判定。