Mapping global methane emissions from space with deep learning

利用深度学习从太空绘制全球甲烷排放图谱

2026年9月1日

Vishal Batchu，研究工程师，Michelangelo Conserva，研究科学家，Google Research

EMIT模型结合甲烷分析与气团定位（Methane Analysis and Plume Localization with EMIT）是一个深度学习框架，可自动在全球范围内检测、增强量化和估算甲烷气团，将原始卫星数据转化为可扩展的气候行动。

快速链接

• 论文

• Earth Engine上的全球气团数据库

• Earth Engine上的全球甲烷增强数据

• 可视化气团的Earth Engine应用

• 训练好的模型

• 合成气团数据集

• 推理库

• 复制链接 ×

甲烷是一种强效的温室气体；在100年的时间范围内，其升温潜力是二氧化碳的30倍。事实上，自工业时代开始以来，甲烷已导致约25%的人为升温。由于甲烷在大气中的寿命相对较短，及时减少这些排放为缓解全球气温上升提供了关键的“快速行动”途径。

这种紧迫性在《全球甲烷承诺》（Global Methane Pledge）中得到体现，目前已有125多个国家承诺到2030年将排放量减少30%。为实现这些目标，我们必须赋能利益相关者，追踪废弃物、农业和能源领域中局部点源（以几十米尺度的微小空间范围排放）的甲烷排放。最具成本效益的策略是减少油气基础设施、农业设施和垃圾填埋场的排放。

为在全球范围内追踪这些排放，科学家越来越依赖基于太空的成像技术。一个典型例子是国际空间站上的NASA地球表面矿物尘源调查（EMIT）仪器。尽管最初设计用于绘制干旱地区矿物成分，但NASA喷气推进实验室（JPL）的科学家和更广泛的科学界已利用EMIT的先进高光谱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谱带，它使研究人员能够“看到”这些原本不可见气体的独特化学指纹。

在此基础上，我们在《利用深度学习对EMIT高光谱辐射测量数据进行全球甲烷点源监测》（发表于《美国国家科学院院刊》（PNAS））中描述了一种新方法，将原始卫星数据转化为可扩展的减排行动。EMIT甲烷分析与气团定位（MAPL-EMIT）是一个深度学习框架，标志着在全球范围内实现甲烷气团检测、增强预测和来源估算自动化的重大进展。我们展示了MAPL-EMIT在专家标注气团上的高召回率（84%），并与现有基于匹配滤波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，我们将在Earth Engine上发布全球气团数据库，并在Kaggle上提供训练好的模型和合成气团数据，同时在GitHub上发布推理库。

播放静音循环视频

暂停静音循环视频

取消静音视频

静音视频

从太空观测到的全球甲烷检测全景。当我们放大时，MAPL-EMIT模型会突出显示特定的甲烷气团，揭示关键细节，如来源位置。

从太空发现甲烷的挑战

从太空测量甲烷需要平衡三个关键因素：（1）视场（空间覆盖/重访周期），（2）空间分辨率，以及（3）光谱分辨率。

全球测绘传感器如TROPOMI通过高覆盖范围（约2600公里的扫描宽度）、较粗的空间分辨率（约5.5公里×3.5公里）和精细的光谱采样（0.1纳米）相结合，被设计用于检测背景甲烷浓度的微小变化。

相比之下，点源测绘传感器如EMIT在设施尺度测量甲烷排放方面表现优异。它们通过将中等覆盖范围（80公里宽的视场）与极高的空间分辨率（60米）以及中等光谱分辨率（7.4纳米光谱采样）相结合实现这一目标，这种配置足以以高信噪比捕捉甲烷的化学特征。

然而，在全球范围内充分挖掘这些丰富数据的潜力仍面临额外挑战。地球多样的地表景观构成了复杂的背景，某些地表材料可能伪装成甲烷，使得识别较小或更分散的源变得尤为困难。为在EMIT团队开创性工作的基础上实现高通量全球测绘，我们与他们合作，应用能够理解场景更广泛视觉语境的深度学习模型。

这项工作与Google Earth AI的更广泛努力方向一致，这是我们用于将行星数据转化为可操作情报的地理空间模型和数据集集合。通过在大规模卫星图像上应用深度学习，我们旨在以专用工具补充更广泛的行星AI计划，实现针对性的环境监测。

根据image_width确定适当的宽度

对于移动图像，使用默认宽度

发现隐形的甲烷。这个对比展示了甲烷检测的挑战：标准可见光图像显示没有气体，NASA L2B增强（来自匹配滤波器）揭示出噪声信号，但MAPL-EMIT模型能清晰地将甲烷羽流从背景景观中分离出来。

MAPL-EMIT：用于大气的视觉转换器

我们使用端到端的视觉转换器架构（Swin-S转换器）构建了MAPL-EMIT。虽然许多方法基于像素级分析高光谱数据，但MAPL-EMIT利用现代计算机视觉技术，同时处理完整光谱和其周围空间上下文。通过分析气体如何在地表扩散，该模型能更有效地区分真实的风驱动甲烷羽流（从特定源扩散的甲烷气流）和仅具有相似光谱特征的地表区域（这在历史上曾导致误报甲烷检测）。

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。在密集的工业区域，多个邻近设施的排放通常会融合成一个云团。为理解这些场景，MAPL-EMIT同时解决三个不同任务：

• 增强量化：测量每个像素中每条羽流的精确甲烷含量。
• 羽流分割：即使在羽流顺风重叠时，也能分割羽流的确切形状和边界。
• 源定位：通过逆向追踪扩散气体，精确定位排放源的位置。

解析复杂排放。通过分析空间上下文，MAPL-EMIT能够同时勾勒出多个重叠甲烷烟羽的确切形状，并定位其各自来源（标记为X），即使在工业密集区域也能实现精准识别。

从数百万模拟烟羽中学习

基于Transformer的模型需要大量数据进行训练，但全球范围内并不存在包含数百万真实甲烷排放的标注数据集。为解决这一问题，我们开发了基于物理的模拟框架。我们创建了360万个合成甲烷烟羽，并将其直接注入真实EMIT场景中。通过使用拉格朗日烟羽模型（Lagrangian puff models），该模型可模拟粒子在空气中的运动和扩散方式，从而重现真实气体排放的混沌湍流状态。基于这些高度逼真的模拟训练，MAPL-EMIT学会了在各种大气和地理条件下识别甲烷。这种合成训练方法带来了多项关键优势：

• 排放速率变化：模型学会了识别大规模泄漏以及较小的间歇性排放。
• 烟羽多样性：能够识别多种地形和大气条件下的烟羽，提升模型泛化能力。
• 烟羽来源估计与重叠烟羽识别：由于烟羽是人工生成的，我们能够训练模型估算来源位置并区分重叠烟羽。

基于合成现实的训练。由于现实中不存在数百万标注的真实甲烷烟羽数据，我们通过将基于物理的模拟烟羽（代表不同排放速率和湍流大气条件）直接注入真实EMIT高光谱场景中进行模型训练。

在现实世界中实现前所未有的灵敏度

部署在真实卫星数据上时，MAPL-EMIT在排放地图绘制方面展现出强大的可扩展性潜力。在与NASA黄金标准L2B甲烷烟羽数据集进行基准测试时，该模型成功识别了84%的专家标注烟羽，并在约1100个EMIT数据块中发现了约50%的额外合理烟羽，展示了其从背景噪声中分离微弱信号的能力。更多细节请参见论文。

这种增强的灵敏度使MAPL-EMIT能够可靠捕捉到较弱排放，突破当前检测极限。该模型在复杂环境中也表现出色，成功绘制了全球25个最大排放垃圾填埋场中的24个烟羽。

与许多高灵敏度模型一样，误报仍然是一个持续挑战，尤其是在复杂地形中。为缓解这一问题，模型输出会配以基于物理的烟羽置信度（光谱匹配）评分，该评分基于滑动窗口推断的检测次数，并结合其他多个属性进行评估，使用户能够根据需求在捕捉真实烟羽的能力与误报风险之间进行权衡。但这种权衡并不总是直接明确，因此我们还根据这些属性为每个烟羽标注"较低"或"较高"的置信度，便于用户直接使用数据。

追踪持续排放。MAPL-EMIT甲烷检测的时间序列成功捕捉到约旦安曼一个主要垃圾填埋场的烟羽，展示了模型在复杂环境中的高灵敏度和鲁棒性。

甲烷排放缓解的坚实基础

MAPL-EMIT 展示了强有力的协作，将谷歌的机器学习专长与 NASA JPL 合作伙伴的领域知识相结合。我们正在推动设施规模的基于空间的甲烷观测的全部潜力，为全球社区提供必要的工具，以实现减少温室气体排放的实质性行动。

通过扩展我们检测 EMIT 数据目录中所有羽流的能力，MAPL-EMIT 为地方利益相关者、研究人员、政策制定者和行业提供了一种强大的新工具，使他们能够比以往任何时候都更快地识别甲烷排放。随着 NASA 准备发射下一代成像光谱仪（其覆盖范围将增加 30 至 50 倍），稳健且自动化的技术比以往任何时候都更加重要。我们邀请更广泛的科学界探索我们在 Earth Engine 上新发布的全球羽流数据库，以及用于交互式可视化的 Earth Engine 应用程序，从 Kaggle 下载训练好的模型和合成羽流，并访问我们在 Github 上的推理库。我们希望这些数据能为有针对性的缓解措施提供坚实的基础，使我们所有人都更进一步接近实现全球气候目标。

致谢

我们要感谢谷歌和 NASA JPL 的所有参与这项工作并使发射成为可能的个人，包括（按字母顺序排列）：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 和 Michelangelo Conserva。

• 标签：

• 气候与可持续性

• 地球人工智能

• 机器智能

其他相关文章

• 2026年9月3日 转移学习在代表性不足人群中用于基因组预测 一般科学 · 机器智能

• 2026年9月3日 连接组学里程碑：绘制完整雄性果蝇大脑 一般科学 · 健康与生物科学 · 机器智能 · 开源模型与数据集

• 2026年8月31日 TimesFM-3：用于多变量预测的零样本基础模型 数据管理 · 机器智能 · 产品

×

❮

❯

卫星地图叠加图显示两个集中排放羽流从标记为“X”的源地辐射出来。

三面板图形显示标准航拍视图、地表热力图和孤立的气体排放羽流。