Google научила vision transformer искать источники метана по спутниковым снимкам EMIT

От спектрального куба к карте конкретного выброса

Google Research и NASA JPL представили MAPL-EMIT — deep-learning framework для автоматической обработки hyperspectral данных инструмента EMIT на Международной космической станции. Система ищет метановые шлейфы, оценивает усиление сигнала и определяет вероятное положение источника, превращая объёмные спутниковые измерения в данные для локального сокращения выбросов.

EMIT создавался для картирования минералов в засушливых регионах, но сотни спектральных bands позволяют различать химический отпечаток метана. При поле обзора шириной 80 км прибор получает spatial resolution 60 метров и spectral sampling 7,4 нм — сочетание, пригодное для наблюдения facility-scale point sources.

Проблема состоит не только в слабом сигнале. Разные поверхности Земли могут спектрально напоминать метан, небольшие и рассеянные выбросы теряются на сложном фоне, а шлейфы соседних объектов перекрываются. Google использовала spatial context всей сцены, чтобы отделять форму переносимого ветром газа от похожего участка грунта.

Одна модель решает три связанные задачи

MAPL-EMIT построена как end-to-end vision transformer на архитектуре Swin-S. В отличие от методов, рассматривающих каждый pixel отдельно, модель совместно анализирует полный spectrum и окружающее пространство. Такая связка должна учитывать направление рассеивания и геометрию plume, а не только интенсивность отдельного спектрального признака.

Framework одновременно выполняет enhancement quantification — оценку объёма метана в каждом pixel, plume delineation — сегментацию границ, включая перекрывающиеся шлейфы, и source localization — обратное прослеживание газа к месту выброса. Совместное решение важно для практического ответа: обнаруженной аномалии недостаточно, если нельзя понять её масштаб и связать с facility.

Google позиционирует работу как специализированный слой Google Earth AI и продолжение инструментов NASA EMIT. Это не универсальный прогноз атмосферной химии: система сфокусирована на methane point sources в доступном каталоге hyperspectral сцен и выдаёт данные, которые затем должны интерпретировать исследователи, регуляторы и операторы инфраструктуры.

3,6 млн синтетических шлейфов заменили недостающую разметку

Для обучения transformer нужны миллионы примеров, но глобального размеченного набора реальных выбросов такого масштаба нет. Команда создала 3,6 млн synthetic methane plumes с помощью physics-based Lagrangian puff models и внедрила их в настоящие сцены EMIT, сохраняя разнообразие terrain и atmospheric conditions.

Симуляции варьировали emission rates, форму и движение шлейфов, положение источников и случаи перекрытия. Поскольку параметры искусственного plume известны заранее, модель получает точную supervision не только для факта обнаружения, но и для source estimation, segmentation и количественной оценки усиления сигнала.

Synthetic training снижает зависимость от редкой экспертной разметки, но не устраняет domain gap между симуляцией и реальной атмосферой. Поэтому ключевая проверка проводилась на фактических спутниковых данных и сравнении с NASA L2B methane plumes dataset, а результаты сопровождаются confidence indicators, позволяющими регулировать компромисс между sensitivity и false positives.

84% экспертных шлейфов и больше слабых кандидатов

На примерно 1 100 granules EMIT модель обнаружила 84% шлейфов, отмеченных экспертами в эталонном наборе NASA, и нашла около 50% дополнительных plausible plumes. Google также сообщает успешное картирование выбросов на 24 из 25 крупнейших emitting landfills мира.

Дополнительные кандидаты нельзя автоматически приравнять к подтверждённым новым утечкам. Авторы прямо называют false positives продолжающейся проблемой, особенно на сложной местности. Для фильтрации результаты получают physics-based spectral-fit scores, учитывают повторяемость detection при strided inference и маркируются как lower или higher confidence.

Поэтому показатель 50% описывает увеличение числа правдоподобных сигналов относительно reference dataset, а не доказанное улучшение полноты на столько же процентов. Полезность высокой sensitivity зависит от последующей проверки, выбранного порога уверенности и стоимости ошибочного выезда или регуляторного решения.

Модель, код и глобальный каталог открыты для проверки

Google опубликовала global plume database и methane enhancement layers в Earth Engine, интерактивное приложение для просмотра, trained model и synthetic dataset на Kaggle, а также inference library в репозитории Google Research. Статья с методом вышла в PNAS, поэтому объявление сопровождается не только демонстрацией, но и воспроизводимыми артефактами.

Открытая поставка позволяет независимым группам изучать ошибки на разных ландшафтах, сопоставлять confidence labels с полевыми наблюдениями и строить собственные mitigation workflows. При этом доступность модели не превращает спутниковый сигнал в окончательное заключение: source localization и emission estimate остаются результатом измерения с неопределённостью.

Дальнейшая ценность MAPL-EMIT связана с масштабом будущих данных. Google указывает, что следующее поколение imaging spectrometers NASA должно увеличить coverage в 30–50 раз. Если качество сохранится при таком потоке, автоматическая обработка станет необходимым звеном между орбитальным сенсором и своевременной проверкой конкретного объекта на земле.