甲烷是一种效力强大的温室气体，在100年的时间尺度内，其增温潜势是二氧化碳的30倍。自工业时代开始以来，甲烷造成了约25%的人为气候变暖。由于甲烷在大气中的存留时间相对较短，及时削减甲烷排放是缓解全球升温的一条关键"快速行动"路径。
这一紧迫性在《全球甲烷承诺》中得到了充分体现——超过125个国家承诺在2030年前将甲烷排放量减少30%。要实现这一目标，就需要帮助各方利益相关者追踪废物、农业和能源行业中的局地点源排放（即发生在数十米量级小空间范围内的排放）。其中，减少油气基础设施、农业设施和垃圾填埋场的排放是性价比最高的策略。
为了在全球范围内追踪这些排放，科学家越来越依赖天基成像技术。NASA安装在国际空间站上的地球表面矿尘来源调查（EMIT）仪器就是一个典型案例。该仪器最初设计用于绘制干旱地区的矿物成分分布图，但NASA喷气推进实验室（JPL）及更广泛科学界的研究人员借助EMIT先进的高光谱探测能力，将其用于检测甲烷排放。通过记录每个像素的数百个独立光谱波段，研究人员能够"看见"这些原本肉眼不可见气体的独特化学指纹。
在此基础上，研究团队在《美国国家科学院院刊》（PNAS）上发表了题为"利用EMIT高光谱辐亮度测量数据的深度学习实现全球甲烷点源监测"的论文，提出了一种将原始卫星数据转化为可规模化减排行动的新方法。基于EMIT的甲烷分析与烟羽定位模型（MAPL-EMIT）是一套深度学习框架，在实现全球甲烷烟羽的自动检测、增强预测和来源估算方面迈出了重要一步。研究表明，MAPL-EMIT在专家标注烟羽数据集上的召回率高达84%，与现有基于匹配滤波器的增强方法相比，具有更高的信噪比。为支持更广泛的科学界，研究团队已在Earth Engine上发布全球烟羽数据库，并在Kaggle上开放了训练好的模型与合成烟羽数据，同时在Github上提供了推理库。
从太空追踪甲烷面临的挑战
从太空测量甲烷需要在三个关键因素之间取得平衡：（1）观测视场（空间覆盖范围与重访周期）、（2）空间分辨率、（3）光谱分辨率。
TROPOMI等全球制图仪器通过整合高覆盖范围（约2600公里幅宽）、粗糙空间分辨率（约5.5公里×3.5公里）和精细光谱采样（0.1纳米），实现对背景甲烷浓度细微变化的探测。
相比之下，EMIT等点源制图仪器更擅长在设施尺度上测量甲烷排放，通过结合适中的覆盖范围（80公里视场宽度）、极高的空间分辨率（60米）和中等光谱分辨率（7.4纳米光谱采样），能够以较高信噪比捕捉甲烷的化学特征。
然而，要在全球范围内充分挖掘这一丰富数据的潜力，仍面临诸多挑战。地球多样的地表景观构成了复杂背景，部分地表物质可能模拟出与甲烷相似的光谱特征，使较小或较弥散排放源的识别尤为困难。为了提升全球高通量制图能力，研究团队在EMIT团队奠定的基础上，引入能够理解场景更大视觉上下文的深度学习模型。
这项工作与谷歌旗下Google Earth AI的整体战略方向一致——通过将深度学习大规模应用于卫星图像，为有针对性的环境监测提供专业工具。
MAPL-EMIT：面向大气的视觉Transformer
MAPL-EMIT采用端到端视觉Transformer架构（Swin-S Transformer）构建。不同于许多逐像素分析高光谱数据的方法，MAPL-EMIT运用现代计算机视觉技术，在处理完整光谱信息的同时融合周围空间上下文。通过分析气体在地表的扩散方式，模型能够更有效地将真实的、随风飘散的甲烷烟羽（从特定来源扩散的甲烷气体轨迹）与仅具有相似光谱特征的地表斑块区分开来，从而解决长期以来的虚假甲烷检测问题。
这种空间感知能力使模型能够处理高度复杂的场景。在工业密集区，相邻设施的排放往往汇合成一团云雾。为应对这类情形，MAPL-EMIT同时执行三项独立任务：精确划定多个重叠甲烷烟羽的边界，并精确定位各自的来源位置，即便在工业密集区亦能胜任。
从数百万模拟烟羽中学习
基于Transformer的模型需要海量数据进行训练，但现实中根本不存在包含数百万真实甲烷排放事件的全球标注数据集。为克服这一难题，研究团队开发了一套基于物理原理的模拟框架，共生成360万个合成甲烷烟羽，并将其直接注入真实的EMIT场景中。通过采用拉格朗日粒子模型模拟气体在大气中的运动与扩散过程，研究团队能够重现真实气体排放中混沌、湍流的实际状态。在这些高度逼真的模拟数据上进行训练，使MAPL-EMIT能够在各种大气和地理条件下学习识别甲烷。
在真实世界中实现前所未有的探测灵敏度
在实际卫星数据上部署后，MAPL-EMIT展现出较强的可规模化排放制图潜力。以NASA高标准L2B甲烷烟羽数据集为基准，该模型在约1100个EMIT数据粒上捕获了84%的专家标注烟羽，并比现有方法多发现约50%的可信烟羽，充分体现了其从背景噪声中提取微弱信号的能力。
灵敏度的提升也使MAPL-EMIT能够可靠地捕捉较弱的排放信号，拓展了现有探测的极限。该模型在复杂环境中同样表现出色，成功绘制了全球排放量最高的25个垃圾填埋场中24个的烟羽分布图。
与许多高灵敏度模型一样，虚警问题在复杂地形中仍是持续挑战。为缓解这一问题，模型输出结果配有基于物理原理的烟羽置信度（光谱拟合）评分，并根据步长推理中的检测次数进行评估，同时结合多项其他属性进行综合判断，使用户可根据需求在真实烟羽捕获能力与虚警风险之间灵活权衡。为进一步方便用户直接使用数据，研究团队还依据上述属性为每个烟羽标注了"低置信度"或"高置信度"标签。
为甲烷减排奠定坚实基础
MAPL-EMIT充分体现了谷歌机器学习专长与NASA JPL领域知识的强强联合。双方携手推动了天基甲烷观测在设施尺度上的潜力开发，为全球各方提供了采取切实减排行动所需的工具。
通过扩展对完整EMIT数据目录的烟羽检测能力，MAPL-EMIT为地方利益相关者、研究人员、政策制定者和相关行业提供了前所未有的高效甲烷排放识别工具。随着NASA即将发射新一代成像光谱仪（覆盖范围将扩大30至50倍），自动化、鲁棒性强的检测技术愈发不可或缺。研究团队诚邀广大科学界同仁通过Earth Engine探索全球烟羽数据库及交互可视化应用，从Kaggle下载训练模型和合成烟羽数据，并通过Github获取推理库。希望这些数据能够为有针对性的减排工作提供坚实基础，助力全球早日实现气候目标。
Q&A
Q1：MAPL-EMIT模型是什么？它能解决什么问题？
A：MAPL-EMIT（基于EMIT的甲烷分析与烟羽定位模型）是谷歌与NASA JPL合作开发的深度学习框架，专门用于自动检测、增强预测和来源估算全球甲烷烟羽。它能将NASA EMIT卫星的原始高光谱数据转化为可规模化的减排行动依据，在专家标注数据集上召回率达84%，并比现有方法多发现约50%的可信甲烷烟羽。
Q2：MAPL-EMIT训练数据从哪里来？为什么要用合成数据？
A：由于现实中根本不存在包含数百万真实甲烷排放事件的全球标注数据集，研究团队开发了一套基于物理原理的模拟框架，生成了360万个合成甲烷烟羽，并将其注入真实EMIT卫星场景中。通过拉格朗日粒子模型模拟气体在大气中的湍流扩散，这些高度逼真的合成数据使模型能够在各种大气和地理条件下学习识别甲烷。
Q3：MAPL-EMIT的数据和模型是否对外公开？在哪里可以获取？
A：是的，相关资源已全部公开。全球甲烷烟羽数据库和交互可视化应用发布在Google Earth Engine上，训练好的模型和合成烟羽数据可从Kaggle下载，推理库则托管在Github上，供全球科学界免费使用。
