A metán erőteljes üvegházhatású gáz: 100 éves időtávon globális felmelegítő hatása körülbelül 30-szorosa a szén-dioxidénak, és a fejlődő ipari korszak kezdete óta nagyjából 25%-ban járult hozzá az ember okozta felmelegedéshez. Rövidebb légköri tartóssága miatt a metánkibocsátások gyors csökkentése „gyors hatású” beavatkozást tesz lehetővé a hőmérséklet-emelkedés mérséklésére; ennek szellemében több mint 125 ország vállalta a Global Methane Pledge keretében a kibocsátások 30%-os csökkentését 2030-ig.
Az egyik leggazdaságosabb út a klímapolitikai célokhoz vezető úton a hulladékkezelésből, mezőgazdaságból és energiaszektorból származó pontforrások (néhány tíz méteres nagyságrendű kibocsátások) feltérképezése és elhárítása. Térbeli lefedettség és spektrális részletesség mellett a műholdas hyperspektrális mérések egyre gyakrabban szolgálnak alapul a globális követéshez.
EMIT, a hyperspektrális megfigyelő az ISS-en
A NASA Earth Surface Mineral Dust Source Investigation (EMIT) műszer az International Space Station fedélzetén eredetileg ásványi összetétel feltérképezésére készült száraz területeken. Azonban a Jet Propulsion Laboratory (NASA JPL) és más kutatócsoportok kihasználták EMIT több száz spektrális sávot rögzítő képességét a láthatatlan gázok, köztük a metán kimutatására. EMIT műszaki jellegzetességei: körülbelül 80 km széles látómező, 60 méteres térbeli felbontás és 7,4 nm spektrális mintavétel — ez a kombináció lehetővé teszi létesítményszintű (facility-scale) metánméréseket jó jel-zaj viszonnyal.
MAPL-EMIT: mélytanuló, ami a spektrális és térbeli kontextust együtt elemzi
A „Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT” című, a Proceedings of the National Academy of Sciences (PNAS) folyóiratban megjelent tanulmány bemutat egy új, teljesen automatizált megközelítést: Methane Analysis and Plume Localization with EMIT (MAPL-EMIT). A rendszer Swin-S transformer alapú, end-to-end vision transformer architektúrát használ, így nem pixel-szinten, hanem a teljes spektrális információt és annak térbeli környezetét egyszerre dolgozza fel. Ez különösen fontos abban, hogy elkülönítse a valódi, széltől elnyúló metánfüggőnyt a hasonló spektrális karakterisztikájú felszíni „hamis” jelektől.
A MAPL-EMIT egyszerre három feladatot old meg:
- Enhancement Quantification: a kibocsátott metán mennyiségének (pixel-szintű) becslése a függényben.
- Plume delineation: a függény alakjának és határainak pontos szegmentálása, még átfedő esetekben is.
- Source localization: a kifúvás eredetének visszakövetése a gáz terjedéséből.
Többmilliós szintetikus edzésadatbázis: 3,6 millió plüma
A transformer-modellek hatékony tanítása nagy mennyiségű, változatos adatot igényel; megfelelő, globális, címkézett valós kibocsátási adat azonban nem áll rendelkezésre. Ezt a problémát a szerzők fizikai alapú szimulációs keretrendszerrel oldották meg: 3,6 millió szintetikus metánfüggényt generáltak és fecskendezték be valós EMIT-képkockákba. A szimulációk Lagrange-féle „puff” modelleket használtak, amelyek a részecskék légköri mozgását és turbulens terjedését modellezik. Ennek köszönhetően a hálózat megtanulta felismerni metánt különböző kibocsátási intenzitások, terepviszonyok és atmoszferikus körülmények mellett, valamint a modellezés lehetővé tette az átfedő plümák és forrásbecslés megtanítását is.
A szintetikus tréning előnyei között szerepeltek:
- változó kibocsátási ráták (nagy és kis, időszakos kibocsátások),
- nagy terep- és atmoszféra-diverzitás miatti jobb generalizáció,
- a forrásbecslés és az átfedő plümák kezelése, mivel a példákat kontrolláltan lehetett generálni.
Valós adatokon elért érzékenység és teljesítmény
A valós EMIT-adatokon végzett tesztelések során a MAPL-EMIT erős teljesítményt mutatott: a NASA által szakértők által annotált L2B metánfüggény-adatbázissal összehasonlítva a modell 84%-os visszahívást (recall) ért el az annotált plümák tekintetében, és hozzávetőlegesen 50%-kal több „lehetséges” plümát azonosított mintegy 1 100 EMIT granulumon. A módszer különösen érzékeny a gyengébb kibocsátásokra is, javítva a jelenlegi detekciós küszöböket. Emellett a MAPL-EMIT robusztusnak bizonyult bonyolult környezetekben: például a világ 25 legnagyobb kibocsátó hulladéklerakóhelyéből 24 esetén sikerült plümákat feltérképezni.
Ugyanakkor, mint sok érzékeny detektor esetén, a hamis pozitív riasztások továbbra is kihívást jelentenek különösen komplex terepen. Ennek mérséklésére az eredményeket fizikai alapú plume confidence (spectral fit) pontszámokkal egészítik ki; ezek a pontszámok a többszörös, strided inferencia során kapott detekciók, valamint egyéb tulajdonságok alapján értékelik a megbízhatóságot. Minden plümát „alacsonyabb” vagy „magasabb” biztonsági címkével is elláttak, hogy a felhasználók saját kockázati preferenciáik szerint szűrni tudjanak az adatok között.
Nyílt hozzáférés és gyakorlati alkalmazás
A csapat a tudományos közösség támogatására több erőforrást tett közzé: a globális plümábázis elérhetővé vált Google Earth Engine-en egy interaktív Earth Engine App formájában, a betanított modellt és a szintetikus plümákat a Kaggle-en tették közzé, továbbá egy inferencia-könyvtár áll rendelkezésre GitHubon. Ezek a források helyi szereplők, kutatók, döntéshozók és ipari szereplők számára is lehetővé teszik a célzottabb és gyorsabb kibocsátáscsökkentő beavatkozások előkészítését.
Jelentőség a jövő műszerparkjai számára
Ahogy a NASA a következő generációs képalkotó spektrométerek indítására készül, amelyek várhatóan 30–50-szeresére növelik a megfigyelési lefedettséget, az automatizált, robusztus módszerek még nagyobb szerepet kapnak. A MAPL-EMIT munkája példát szolgáltat arra, hogyan lehet a hyperspektrális műholdadatokat gyakorlati, létesítményszintű kibocsátáskezelésre fordítani.
Köszönetnyilvánítás
A projectben részt vevő Google és NASA JPL munkatársak, akik hozzájárultak a fejlesztéshez és a publikációhoz: 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 és Michelangelo Conserva.
A publikáció részletes módszertanát és a további eredményeket a PNAS-cikk ismerteti; a csapat arra bátorítja a kutatóközösséget, hogy használja az elérhető adatokat és eszközöket a metánkibocsátások célzott csökkentéséhez.
