Google NASA 甲烷 AI 发现额外 23,000 个羽流，但检测并不等于执法
Google 和 NASA 发布了一套甲烷 AI 系统，发现了现有专家审阅目录遗漏的超过 23,000 个羽流。该 Google NASA 甲烷 AI 模型还在全球排放量最高的 25 座垃圾填埋场中检测到其中 24 座周边存在羽流。这些结果表明，相比单纯依靠人工审阅，自动化分析能够从卫星档案中提取更多信息。
这套模型名为 Methane Analysis and Plume Localization with EMIT，简称 MAPL-EMIT，可分析 NASA EMIT 仪器的高光谱观测数据。高光谱成像会记录数百个光谱波段，使软件能够将甲烷的化学特征与下方地表区分开来。Google 与 NASA 喷气推进实验室共同开发了这一系统。
核心变化并非一颗新卫星或一种新传感器，而是能够以更大规模处理既有测量数据的能力。然而，更庞大的目录不会自动带来已核实的泄漏、监管行动或更低排放。MAPL-EMIT 让更多潜在排放源变得可见，但仍由政府和运营方决定哪些检测结果值得调查。
Google NASA 甲烷 AI 扩展羽流地图
MAPL-EMIT 将受人工处理能力限制的卫星档案，转化为可由机器检索的潜在甲烷排放源记录。
Google 于 2026 年 9 月公开推出该模型，并同步发表了一项刊登于《美国国家科学院院刊》的研究。合作方还发布了训练完成的模型、合成训练数据、推理软件，以及可交互查询的检测羽流数据库。
NASA 于 2022 年将 EMIT，即 Earth Surface Mineral Dust Source Investigation，安装在国际空间站上。其最初任务是绘制干旱地区的矿物分布图，并研究空气中扬尘如何影响地球气候。科学家很快确认，其光谱测量也能够揭示高浓度甲烷排放。
传统甲烷分析通常使用匹配滤波器，即一种在每个像素中搜索已知光谱模式的算法。随后，分析人员检查生成的图像，并勾画出可能的羽流边界。这一过程既需要科学判断，也依赖大量人工操作。
MAPL-EMIT 将这一工作流程中的更多环节实现自动化。根据经同行评审的甲烷研究，该模型在包含 1,084 次 EMIT 观测的测试集中，检测到了 84% 已知且经人工标注的羽流复合体。它识别出的合理羽流数量也约为人工分析师的 1.5 倍。
Google 将这一对比概括为检测数量增加约 50%。该公司表示，在更广泛的档案中，MAPL-EMIT 生成了超过 23,000 个专家审阅参考目录未发现的羽流检测结果。
这些数字描述的是模型可获得数据中的检测结果，并不意味着 MAPL-EMIT 发现了 23,000 个持续运行的设施。同一排放源可能出现在多次观测中，一些候选结果也仍需进一步验证。
该系统还在研究人员对比集认定的全球最大 25 个排放垃圾填埋场中，发现其中 24 个周边存在甲烷。这一结果很重要，因为垃圾处理场往往难以分析：其排放会随时间变化，周边地形与基础设施也可能使光谱信号变得复杂。
Google 已将生成的羽流集合放入一个Earth Engine 数据集。用户无需自行构建完整处理流程，即可查看绘制出的检测结果、置信度类别、估计排放源位置及相关测量数据。
此次发布改变了谁能够利用这些结果。研究人员可以测试区域模式，政策制定者可以审视潜在排放源，设施运营方则可将检测结果与设备记录进行比对。不过，每一类用户仍需建立流程，以确认模型究竟发现了什么。
可扩展检测与经验证行动之间的缺口，构成了本文的核心张力。MAPL-EMIT 能够搜索的影像数量远超人工团队可合理审阅的范围；而其扩大的覆盖能力，也带来了更沉重的验证负担。
为什么甲烷检测已成为一个 AI 问题
瓶颈已从收集光谱测量数据，转向在不断增长的卫星数据量中发现可信信号。
在较短时间尺度上，甲烷的温室效应远强于二氧化碳。Google 称，以 100 年为尺度计算，其增温效应约为二氧化碳的 30 倍。由于甲烷在大气中的停留时间较短，阻止大型泄漏能够相对快速地带来气候效益。
许多重要排放源属于集中的点源排放，包括油气设备、煤炭作业、垃圾填埋场、污水处理设施以及部分农业场所。故障组件或管理不善的废弃物处理场，可能持续数小时、数天甚至更久地释放可见羽流。
从轨道上发现这些排放仍然很困难。甲烷在普通卫星照片中不可见。分析人员转而寻找短波红外光中的吸收模式；甲烷会在这一波段留下可识别的光谱指纹。
信号可能很弱，而背景环境很少如此简单。明亮地表、矿物、云层、大气效应和传感器噪声，都可能与羽流的部分特征相似。风还会在不同观测之间改变气体云团的形状。
人工审阅有助于剔除明显错误，但面对数百万个图像片段时难以轻易扩展。每增加一颗卫星或一种仪器，专业人员需要审查的测量数据量便会增加。
EMIT 此前已表明，自动化为何正变得必要。NASA 在 2023 年报告称，该仪器自 2022 年 8 月开始观测以来，已识别出超过 750 个排放源，涵盖每小时从数百磅到数万磅甲烷的排放源。
一次 EMIT 观测捕捉到乌兹别克斯坦南部的 12 个羽流，合计估算排放速率为每小时 22,559 千克。另一次则检测到利比亚一个估算每小时排放 444 千克的排放源。这些记录于 NASA排放研究中的案例显示，一套用于矿物测绘的仪器也能支持设施尺度的甲烷监测。
它们也暴露出运营层面的挑战。高灵敏度仪器能够产生有价值的观测数据，但专业人员仍必须定位、勾画并评估每个羽流。随着覆盖数据不断累积，这些档案也愈发难以充分利用。
MAPL-EMIT 直接应对了这项工作负担。它搜索原始辐亮度测量数据，估算场景中的甲烷增量，分离羽流形状，并预测可能的排放源位置。这里的增量指传感器观测路径上额外存在的甲烷，而非对地面设备的直接读数。
这一差异对决策者而言至关重要。一张彩色地图可能看起来结论明确，尽管它呈现的其实是估算的大气信号。要将这一信号转换为排放速率，仍需对风况、羽流行为和观测条件作出假设。
因此，该系统充当了一层分诊机制。它可以对候选事件进行排序和组织，让专家的注意力更具针对性。它并未消除对大气科学、运营记录或后续测量的需求。
这也正是 Google 甲烷制图同时给人工审阅团队和接收排放警报的组织带来压力的原因。分析人员必须决定应在多大程度上信任自动化系统；运营方则必须决定，应多快调查一项存在不确定性、但可能意味着大型且可修复泄漏的检测结果。
MAPL-EMIT 如何在缺乏数百万真实样本的情况下运行
该模型的关键机制是合成训练：它以模拟甲烷羽流替代了规模不足的真实世界数据集。
深度学习系统通常需要大量带标签的样本。对于甲烷检测，研究人员并没有数百万个已验证羽流，来覆盖各种地貌、天气模式、排放速率和传感器条件。
团队因此创建了 360 万个基于物理规律的合成羽流。研究人员在不同大气条件下模拟气体扩散，再将这些模式插入真实的 EMIT 辐亮度场景中。
这种方法保留了真实地形与传感器噪声，同时为人工羽流提供精确标签。研究人员知道它的边界、强度和排放源，因为这些都是他们生成的。这些信息让模型能够同时学习多项任务。
MAPL-EMIT 使用 Swin Transformer，这是一种计算机视觉架构：它在构建更广阔场景视图的同时处理局部图像区域。该模型同时考察光谱信息和空间背景。
光谱部分判断反射光是否包含甲烷的吸收特征；空间部分则判断该信号是否像是从合理排放源沿下风方向扩散的气体。两者结合有助于将羽流与光谱相似但容易造成混淆的地形区分开来。
该模型会为图像像素生成甲烷增量估计，并勾勒各个羽流，预测其可能的起源。在密集工业区域，它会尝试分离相邻或重叠的排放，而不是将其视为同一片云团。
Google 对MAPL-EMIT 工作原理的详细说明表明，这些任务为何应当结合处理。没有边界的检测结果难以量化；没有源位置定位的边界，也无法为运营方提供足够指引，说明应检查哪项资产。
合成训练还让研究人员能够创建涵盖广泛排放强度的样本。与有限的人工标注数据集相比，模型可以更系统地接触微弱信号、重叠羽流和湍流形状。
不过，合成数据也带来一种常见的机器学习风险：模拟分布永远无法涵盖物理世界的每一项特征。因此，其表现取决于羽流物理模型、大气假设和真实背景场景对实际运行条件的代表程度。
团队使用专家标注对 MAPL-EMIT 进行了测试，而非仅依赖合成评估。研究人员还将结果与机载观测、受控甲烷释放以及已知垃圾填埋场排放源进行了比较。
最终的 PNAS 结果显示，相对于经专家审阅的基准，召回率为 84%。召回率衡量系统成功检测到多少已知样本，但并不说明模型检测结果中有多少是真实的。
精确率则对应另一个问题：被标记的候选结果中，有多大比例代表真实甲烷羽流。MAPL-EMIT 的高灵敏度可以发现更弱的信号，但同样可能增加误报数量。
为管理这一权衡，系统加入了置信度信息。光谱拟合评分衡量候选结果与甲烷预期特征的相似程度；在重叠推理窗口中重复出现的检测结果，则提供了另一项可靠性信号。
公共目录将输出分为高置信度和低置信度两类。用户可以在误报代价高时选择更严格的筛选，也可以在漏掉排放源风险更大时选择更宽松的筛选。
Google 还发布了处理兼容 EMIT 观测数据所需的推理软件。该代码可生成羽流掩膜、源位置、增强产品以及结构化地理空间输出。
开放访问使独立测试成为可能。研究人员可以检验其在沙漠、城市、矿区、垃圾填埋场和油田中的表现，也可以将模型输出与本地传感器或现场检查结果进行比较。
不过，获得访问权限并不意味着工作流程毫不费力。运行推理需要 EMIT 辐亮度和观测文件、地理空间处理技能以及大量计算资源；解读输出则需要领域专业知识。
因此，MAPL-EMIT 最适合被理解为科研基础设施，而非面向消费者的应用。它的价值在于缩小搜索范围，并揭示更多可供验证的排放候选源。
最大的竞争对手是人工审核，而非另一颗卫星
MAPL-EMIT 最直接的竞争对象是缓慢的分析流程，而其他甲烷任务仍是互补的测量来源。
甲烷监测市场涵盖公共机构、非营利倡议、学术项目和商业卫星运营商。它们的仪器在覆盖范围、空间分辨率、重访频率和探测限方面各不相同。
一些系统扫描广阔区域，并识别甲烷浓度升高的地点；另一些则以更高分辨率瞄准单个设施。飞机和地面传感器能够提供更细致的确认，但覆盖面积较小。
EMIT 在这一体系中占据特定位置。它从国际空间站获取成像光谱数据，采样尺度约为 60 米。其轨道和视场并不能提供不间断的全球覆盖。
MAPL-EMIT 无法观测 EMIT 从未测量过的地点，也无法找回发生在空间站过境之间、或在云层下消失的羽流。该模型提升的是对已有数据的解读能力，而不是原始观测的时间安排。
这使其他任务依然具有价值，而非变得过时。由 Environmental Defense Fund 开发的 MethaneSAT，旨在绘制主要油气区域的甲烷分布图。Google 还宣布了一项独立合作，计划将这些测量数据与 AI 生成的行业基础设施地图结合起来。
此前的 MethaneSAT 合作侧重于将区域甲烷分布与油井、储罐及其他资产关联起来。MAPL-EMIT 则直接在高光谱影像中识别设施尺度的羽流。
GHGSat 等商业运营商同样瞄准单个排放源。Carbon Mapper 利用具备 JPL 技术传承的成像光谱仪识别高排放设施。欧洲仪器则提供广域大气测量，可为更有针对性的观测提供指引。
竞争压力主要落在人工编目环节，因为每新增一种数据源，审核问题都会进一步加剧。如果一个组织的检测流程依赖专家在预警出现前逐一审查每个场景，就无法快速响应。
MAPL-EMIT 提供了迈向自动化初步处理的路径。系统可以扫描传入影像、归类候选羽流、附加置信度指标，并将分析人员引导至影响最重大的结果。
这种变化也提高了预期。一旦自动化处理成为可能，延迟识别就更难被合理化。监管机构和设施运营方可能面临压力，需要说明其如何审查公开检测结果。
扩展后的羽流地图还可能揭示申报清单与观测事件之间的差距。传统清单利用活动数据和标准化系数估算年度排放量；卫星观测则捕捉特定时刻实际出现的大气浓度增强。
两种方法都不完整。清单具有连续性，但可能遗漏异常事件；卫星能够观测真实羽流，但仅限于时间、天气和覆盖条件匹配时。
可信的监测系统应将两者结合。意外的 MAPL-EMIT 检测结果可以触发对维护记录、地面传感器、风况和申报排放量的审查。重复检测则可以加强持续性排放源的证据。
这一工作流程也解释了为何更多检测并不自动等于更多减排。必须有人接收预警、识别责任设施、联系运营方、核实设备，并确认维修已经完成。
司法管辖权进一步增加了复杂性。垃圾填埋场、管道、矿山或工业场地可能位于检查能力有限的国家。公开数据可以识别问题，却不会自动带来解决问题所需的法律授权或技术资源。
MAPL-EMIT 改变的是这些问题的可见度，并不会使响应流程标准化。因此，最重要的竞争是自动化与机构处理能力之间的竞争，而不是 Google 与某一家卫星公司之间的竞争。
更多检测也意味着更多不确定性
MAPL-EMIT 更大的目录应被视为由证据支持的候选队列，而非违规行为或排放总量的最终账本。
在其基准测试中，该模型遗漏了约 16% 经专家标注的羽流复合体。这一召回率表现强劲，但仍意味着不可忽视的假阴性率。
漏检羽流可能源于信号较弱、不利地形、大气干扰或模型局限。未检测到羽流，不能证明某设施没有排放。
假阳性则带来相反的问题。高灵敏度模型可能将背景特征或噪声误判为甲烷。Google 明确指出，复杂地形中的假阳性仍是一项持续存在的挑战。
目录中的置信度标签有所帮助，但不会将每一个高置信度候选项都变成已确认的泄漏。置信度描述的是模型框架内的证据。当决策涉及财务、监管或声誉后果时，独立观测仍然很有价值。
覆盖范围是另一项重大限制。公共羽流目录指出，只有在 EMIT 收集测量数据的时间和地点才存在观测记录。仪器的轨道采样和观测几何条件造成了地理与时间上的空白。
EMIT 的覆盖纬度也受国际空间站轨道限制。其观测无法对每一处工业设施进行均匀的每日扫描。
云层和不佳的光照条件会进一步减少可用场景。一次短暂泄漏可能开始并结束，却未曾出现在档案中。间歇性的设备行为也可能使单次观测无法代表设施的正常排放水平。
排放速率估计还引入了额外不确定性。卫星测量的是甲烷浓度增强，而速率计算取决于风和羽流输运。错误的风场数据可能显著改变推断出的数值。
对新增 23,000 条羽流的统计也需要同样谨慎。这表示相较于人工汇编目录新增的检测结果，并不代表 23,000 家独立公司。多次观测可能捕捉到同一排放源，单个场景中也可能包含多个相关检测结果。
基准测试本身也有限制。人工标注是有用的参考数据，但并非完美的地面真值。MAPL-EMIT 可以标记出专家遗漏的真实羽流，专家也可能识别出模型忽略的细微情形。
这造成了一个不同寻常的评估问题：如果模型检测出的候选项多于参考目录，研究人员就无法在没有进一步证据的情况下，将每个额外结果都判定为发现或错误。
团队通过机载比对、受控释放、光谱检查以及已知垃圾填埋场排放源来应对这一问题。这些测试增强了模型的可信度，但并未验证目录中的每一条记录。
因此，用户应根据后果匹配相应阈值。研究大规模模式的气候研究人员，可能会在采用适当统计控制的前提下接受低置信度检测；执法机构则可能需要在指控不合规之前取得佐证测量结果。
运营方则面临不同的取舍。调查每一个微弱预警会耗费时间，但忽视早期信号可能让代价高昂的泄漏持续存在。重复观测和更强的光谱拟合可以帮助确定现场检查的优先级。
公开可用性也带来了治理问题。开放数据可以促进问责，但在验证完成前错误归因一条羽流，可能损害某个组织。源定位是一种估计，尤其是在设施彼此相距很近的地区。
Google 和 NASA 通过发布数据、软件及模型工件，使该系统具备可检视性。这种透明度支持外部评估，并让用户能够更好地控制置信度阈值。
负责任的解读既不是全盘否定，也不是确信无疑。MAPL-EMIT 大幅扩展了可检索的甲烷排放记录；每一项检测仍只是证据链的一部分。
三个信号将表明这张地图是否推动行动
下一阶段应通过独立验证、运营响应，以及其在更密集的未来观测中的表现来评判。
第一个信号是外部研究人员如何评估这些新增检测结果。独立团队可以将 MAPL-EMIT 输出与飞机观测活动、地面传感器、运营方报告和其他卫星进行比较。
不同地貌上的验证，比单一的全球汇总评分更重要。其在垃圾填埋场周边的表现，可能不同于油田、煤矿、湿地或密集工业走廊。
研究人员还应在明确记录的阈值下审查假阳性和漏检羽流。公开发表的复现实验将增强人们对该模型能够泛化至开发团队所选基准以外场景的信心。
第二个信号是，机构是否围绕该目录建立响应工作流程。一个有用的运营项目需要明确归属、优先级规则、联络渠道和结案标准。
这意味着追踪的不应只是预警数量。观察者应询问：有多少检测触发了调查、运营方响应速度如何、哪些排放源得到确认，以及后续观测是否显示羽流已经消失。
垃圾填埋场提供了一项重要测试。在比较样本中排放量最高的 25 个场地里，MAPL-EMIT 在其中 24 个发现了排放。如果地方当局利用这一结果定位失效的填埋气收集系统或未受管理的废弃物，这一成果就会更具意义。
油气设施则提供了另一项测试，因为其中一些泄漏可以迅速修复。若某一排放源在收到通知后仍被反复检测到，这将暴露响应失效，而非传感问题。
第三个信号是，随着新的成像光谱仪增加观测量，MAPL-EMIT 的表现如何。Google 表示，计划中的 NASA 仪器应能将覆盖范围扩大 30 至 50 倍。
更频繁的测量将缓解 EMIT 采样限制的一部分，但也会产生更多数据，使自动化审核变得不可或缺。
然而，规模扩大也可能暴露弱点。一个在经过筛选的档案上表现良好的模型，面对不同传感器、分辨率、噪声模式和大气条件时，可能需要重新校准。跨仪器迁移将成为一项严肃的技术基准。
成功的含义不应只是拥有更大的数据库。最理想的结果，是将快速检测与经验证的排放源、已记录的修复措施以及可量化的减排联系起来。
Google NASA 甲烷 AI 已经表明，卫星档案中可检测到的羽流数量多于人工分析所捕捉到的数量。剩下的问题是，机构能否将这种可见性转化为一套可重复执行的响应体系。
研究人员、监管机构和运营方现在应使用他们已经信赖的测量数据来检验这些公共工具。他们应当像发布验证结果一样审慎地公开分歧。更好的甲烷监测将取决于理解模型在哪些地方失效，而不只是庆祝它发现了更多问题。
这张地图已准备好接受检验。接下来的证据应当表明，更快的发现是否能够带来更快的减排行动。
