A Google mélytanulással térképezné fel a metáncsóvákat az űrből

Miért fontos a metán pontosabb követése?

A Google Research közlése szerint a metán erős üvegházhatású gáz: 100 éves időtávon a felmelegítő hatása 30-szor nagyobb a szén-dioxidénál. A forrás szerint az ipari korszak kezdete óta az emberi eredetű felmelegedés körülbelül 25 százalékáért felelős.

A metán viszonylag rövid ideig marad a légkörben, ezért a kibocsátások gyors csökkentése a Google Research megfogalmazása szerint gyors hatású út lehet a globális hőmérséklet-emelkedés mérséklésére. A bejegyzés a Global Methane Pledge vállalást is említi, amelyben több mint 125 ország kötelezte el magát 30 százalékos kibocsátáscsökkentés mellett 2030-ig.

A célok eléréséhez a kutatók szerint helyi pontforrásokat kell követni a hulladék-, mezőgazdasági és energiaszektorban. A forrás a legköltséghatékonyabb stratégiák közé sorolja az olaj- és gázipari infrastruktúrából, a mezőgazdasági létesítményekből és a hulladéklerakókból származó kibocsátások mérséklését.

EMIT-adatokból készül globális metántérkép

A MAPL-EMIT teljes neve Methane Analysis and Plume Localization with EMIT. A Google Research szerint a keretrendszer a nyers műholdas adatokat olyan folyamattá alakítja, amely automatizálja a metáncsóvák észlelését, az erősségük becslését és a forrásuk meghatározását.

Az alapot a NASA Earth Surface Mineral Dust Source Investigation, vagyis EMIT műszere adja, amely a Nemzetközi Űrállomáson működik. Az eszközt eredetileg száraz régiók ásványi összetételének feltérképezésére tervezték, de a NASA Jet Propulsion Laboratory kutatói és a tágabb tudományos közösség a hiperspektrális képességeit metánkibocsátások észlelésére is használják.

Az EMIT minden pixelhez több száz különböző fénysávot rögzít, így a kutatók a forrás szerint láthatóvá tehetik az egyébként láthatatlan gázok kémiai ujjlenyomatát. A Google Research a PNAS-ban megjelent, „Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT” című tanulmányban írta le az új megközelítést.

A vállalat a szélesebb kutatói közösség támogatására közzéteszi a globális csóvaadatbázist az Earth Engine felületén, a betanított modellt és a szintetikus csóvákat a Kaggle-ön, valamint egy következtetési könyvtárat a Githubon.

Mit csinál másként a MAPL-EMIT?

A metán űrből történő mérése a Google Research szerint három tényező egyensúlyát igényli: látómező, térbeli felbontás és spektrális felbontás. A TROPOMI globális térképező például körülbelül 2 600 kilométeres sávszélességet, nagyjából 5,5 km x 3,5 km térbeli felbontást és 0,1 nm spektrális mintavételezést használ. Az EMIT ezzel szemben pontforrások léptékében dolgozik: 80 kilométer széles látómezőt, 60 méteres térbeli felbontást és 7,4 nm spektrális mintavételezést kombinál.

A MAPL-EMIT egy end-to-end látó transzformer architektúrára épül, a Google Research szerint Swin-S transformer alapokon. A modell nem pixelenként elemzi az adatokat, hanem a teljes fény­spektrumot és a környező térbeli kontextust együtt dolgozza fel. Ez azért fontos, mert egyes felszíni anyagok a mérésekben metánhoz hasonló jelet adhatnak, ami hamis észlelésekhez vezethet.

A modell három feladatot old meg egyszerre: méri a metán mennyiségét minden pixelben egy csóván belül, kijelöli a csóva alakját és határait, valamint visszaköveti a szétterjedő gázt a kibocsátási forrás helyéig. A Google Research szerint ez különösen sűrű ipari térségekben lehet fontos, ahol több közeli létesítmény kibocsátásai egyetlen felhővé olvadhatnak össze.

Szimulált csóvák millióin tanult a modell

A transzformeralapú modellek betanításához nagy mennyiségű adat kell, de a Google Research szerint nem létezik több millió valós, címkézett metánkibocsátást tartalmazó globális adatkészlet. Ennek kezelésére a kutatók fizikai alapú szimulációs keretrendszert fejlesztettek.

A csapat 3,6 millió szintetikus metáncsóvát hozott létre, majd ezeket valódi EMIT-jelenetekbe illesztette. A forrás szerint Lagrange-féle puff modelleket használtak, amelyek azt szimulálják, hogyan mozognak és oszlanak szét a részecskék a levegőben.

A szintetikus tanítás több előnyt adott a bejegyzés szerint. A modell különböző kibocsátási rátákon tanulhatott, nagy szivárgásokat és kisebb, időszakos kibocsátásokat is láthatott, valamint sokféle terep- és légköri körülmény között találkozott csóvákkal. Mivel a csóvákat mesterségesen hozták létre, a kutatók a forráshely becslését és az átfedő csóvák elkülönítését is tudták tanítani.

Mit jelenthet ez a felhasználóknak és a piacnak?

A valós műholdas adatokon végzett értékelés alapján a Google Research szerint a MAPL-EMIT erős lehetőséget mutat a skálázható kibocsátástérképezésre. A NASA arany standardként hivatkozott L2B metáncsóva-adatkészletéhez mérve a modell a szakértők által annotált csóvák 84 százalékát rögzítette.

A bejegyzés szerint a MAPL-EMIT nagyjából 50 százalékkal több valószínű csóvát azonosított körülbelül 1100 EMIT-granulumban, ami a Google Research értelmezése szerint azt mutatja, hogy a modell képes finom jeleket elkülöníteni a háttérzajtól.

A nyíltan elérhető adatbázis, modell, szintetikus adatkészlet és következtetési könyvtár a kutatói közösségnek adhat új eszközöket a metán pontforrásainak vizsgálatához. A Google Research a munkát a Google Earth AI szélesebb törekvéséhez kapcsolja, amely geotérbeli modellekkel és adatkészletekkel igyekszik a bolygószintű adatokat hasznosítható információvá alakítani.