谷歌与 NASA 喷气推进实验室用深度学习从卫星图像追踪全球甲烷点源
谷歌研究团队（Google，谷歌 Research）与 NASA 喷气推进实验室（JPL）合作，提出深度学习框架 MAPL-EMIT（Methane Analysis and Plume Localization with EMIT，基于 EMIT 的甲烷分析与羽流定位），可从 EMIT（Earth Surface Mineral Dust Source Investigation，地球表面矿物尘埃源调查）高光谱仪数据中自动检测、量化并回溯甲烷羽流来源。
发表于 PNAS（《美国国家科学院院刊》）的论文报告，该模型在 NASA L2B 基准数据集上对专家标注羽流的召回率为 84%，并在约 1100 个 EMIT 数据颗粒上识别出约多出 50% 的疑似羽流。
谷歌同时开放全球羽流数据库、训练模型、合成羽流数据集和推理库。
谷歌研究工程师 Vishal Batchu 与研究科学家 Michelangelo Conserva 在谷歌研究博客撰文介绍，论文《Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT》已发表于 PNAS。
MAPL-EMIT 采用端到端视觉 Transformer（一种基于自注意力机制的深度学习架构）架构（Swin-S），同时执行三项任务：增强量化、羽流边界分割和来源定位。 由于不存在数百万条真实标注甲烷羽流，团队用基于物理的拉格朗日烟团模型生成 360 万条合成羽流，注入真实 EMIT 高光谱场景进行训练。
在 NASA 黄金标准 L2B 甲烷羽流数据集基准测试中，模型捕获 84% 的专家标注羽流，并在约 1100 个 EMIT 数据颗粒上识别出约多出 50% 的疑似羽流； 在全球 25 个最大排放填埋场中的 24 个成功制图。 模型输出附带基于物理的羽流置信度（光谱拟合）评分，并标注“较低”或“较高”置信度。
研究团队同时发布全球羽流数据库（Earth Engine）、训练模型与合成羽流数据集（Kaggle）、推理库（GitHub）以及可视化应用。
MAPL-EMIT 的核心技术选择是用视觉 Transformer 同时处理完整光谱与空间上下文，而非逐像素分析，这有助于区分真实风驱甲烷羽流与光谱特征相似的地表。 合成数据训练策略绕开了真实标注数据稀缺的瓶颈，但模型在复杂地形中仍面临误报挑战。 该框架的发布方式——开放数据库、模型权重和推理库——降低了外部研究者复现和评估的门槛。
需要区分的是，84% 召回率是在 NASA L2B 基准数据集上的回顾性评估，不代表在未标注真实场景中的现场检测精度； 模型输出的是遥感检测信号，而非经地面测量的排放量核实。
后续观察信号
- 核实 NASA 下一代成像光谱仪的发射时间表和覆盖范围提升数据
- 查看 PNAS 论文中对误报率和置信度评分方法的完整描述