Отображение глобальных выбросов метана из космоса с помощью глубокого обучения.

Модель анализа и локализации метановых выбросов с помощью EMIT — это платформа глубокого обучения, которая автоматизирует обнаружение, количественную оценку усиления и определение источников метановых выбросов по всему миру, преобразуя необработанные спутниковые данные в масштабируемые меры по борьбе с изменением климата.

Быстрые ссылки

• Бумага
• Глобальная база данных шлейфов загрязнения на ВЭЗ
• Глобальное увеличение содержания метана в окружающей среде
• Приложение EE для визуализации шлейфов
• Обученная модель
• Набор данных о синтетических шлейфах
• Библиотека вывода
• Делиться
  • Скопировать ссылку ×

Метан — мощный парниковый газ; за 100 лет его потенциал глобального потепления в 30 раз превышает потенциал углекислого газа. Фактически, он стал причиной примерно 25% антропогенного потепления с начала индустриальной эпохи. Поскольку метан имеет относительно короткий период жизни в атмосфере, быстрое сокращение этих выбросов представляет собой важнейший путь к быстрому смягчению глобального повышения температуры.

Эта неотложность отражена в Глобальном обязательстве по сокращению выбросов метана, в рамках которого более 125 стран взяли на себя обязательство сократить выбросы на 30% к 2030 году. Для достижения этих целей необходимо предоставить заинтересованным сторонам возможность отслеживать локальные точечные источники выбросов (выбросы, происходящие на небольшой территории, порядка нескольких десятков метров) в секторах обращения с отходами, сельского хозяйства и энергетики. Наиболее экономически эффективными стратегиями являются сокращение выбросов от нефтегазовой инфраструктуры, сельскохозяйственных объектов и полигонов твердых бытовых отходов.

Для отслеживания этих выбросов в глобальном масштабе ученые все чаще полагаются на космическую съемку. Ярким примером является прибор EMIT (Earth Surface Mineral Dust Source Investigation) НАСА на Международной космической станции. Изначально разработанный для картирования минерального состава в засушливых регионах, прибор EMIT, используемый учеными из Лаборатории реактивного движения НАСА (JPL) и научным сообществом в целом, позволил использовать его передовые гиперспектральные возможности для обнаружения выбросов метана. Записывая сотни различных полос света для каждого пикселя, прибор позволяет исследователям «видеть» уникальные химические «отпечатки пальцев» этих невидимых газов.

Опираясь на эти инвестиции, в статье «Глобальный мониторинг точечных источников метана с использованием глубокого обучения на основе гиперспектральных измерений излучения с помощью EMIT», опубликованной в журнале Proceedings of the National Academy of Sciences (PNAS), мы описываем новый подход, который преобразует необработанные спутниковые данные в масштабируемые меры по снижению выбросов. Methane Analysis and Plume Localization with EMIT (MAPL-EMIT) — это платформа глубокого обучения, представляющая собой значительный шаг к автоматизации обнаружения, прогнозирования усиления и оценки источников метановых шлейфов в глобальном масштабе. Мы демонстрируем, как MAPL-EMIT достигает высокой точности в 84% на шлейфах, аннотированных экспертами, и имеет высокое отношение сигнал/шум по сравнению с существующими методами усиления на основе согласованных фильтров. Для поддержки более широкого научного сообщества мы публикуем нашу глобальную базу данных шлейфов на Earth Engine вместе с обученной моделью и синтетическими шлейфами на Kaggle и библиотекой вывода на Github.

воспроизведение видео без звука зацикливание пауза видео без звука зацикливание включение звука видео выключение звука

Глобальный обзор обнаружений метана из космоса. При увеличении масштаба модель MAPL-EMIT выделяет конкретные метановые шлейфы, раскрывая важные детали, такие как местоположение источника.

Сложность обнаружения метана из космоса

Измерение метана из космоса требует баланса трех ключевых факторов: (1) поля зрения (пространственное покрытие/повторное наблюдение), (2) пространственного разрешения и (3) спектрального разрешения.

Глобальные картографы, такие как TROPOMI, были разработаны для обнаружения небольших изменений фоновой концентрации метана путем интеграции высокого охвата (ширина полосы обзора приблизительно 2600 км), низкого пространственного разрешения (около 5,5 км x 3,5 км) и высокой спектральной дискретизации (0,1 нм).

В отличие от них, точечные источники выбросов, такие как EMIT, превосходно справляются с измерением выбросов метана в масштабах предприятий. Они достигают этого, сочетая умеренное покрытие (поле зрения шириной 80 км) с очень высоким пространственным разрешением (60 метров) и умеренным спектральным разрешением (спектральная дискретизация 7,4 нм), достаточным для регистрации химической сигнатуры метана с высоким отношением сигнал/шум.

Однако полное раскрытие потенциала этих обширных данных в глобальном масштабе сопряжено с дополнительными трудностями. Разнообразные ландшафты Земли создают сложную картину, а некоторые поверхностные материалы могут маскироваться под метан, что делает идентификацию более мелких или рассеянных источников особенно сложной задачей. Чтобы развить фундаментальную работу команды EMIT и обеспечить высокопроизводительное глобальное картирование, мы сотрудничаем с ними для применения моделей глубокого обучения, способных понимать более широкий визуальный контекст сцены.

Эта работа соответствует более масштабным усилиям Google в рамках проекта Google Earth AI — нашей коллекции геопространственных моделей и наборов данных, предназначенных для преобразования планетарных данных в полезную информацию для принятия решений. Применяя глубокое обучение к спутниковым снимкам в больших масштабах, мы стремимся дополнить более широкие инициативы в области планетарного ИИ специализированными инструментами для целенаправленного мониторинга окружающей среды.

Обнаружение невидимого. Это сравнение демонстрирует сложность обнаружения метана: стандартные изображения в видимом диапазоне не показывают газа, улучшения, полученные с помощью фильтра L2B NASA (с использованием согласованного фильтра), выявляют зашумленный сигнал, но модель MAPL-EMIT четко выделяет шлейф метана на фоне ландшафта.

MAPL-EMIT: преобразователь визуального восприятия для атмосферы.

Мы создали MAPL-EMIT, используя сквозную архитектуру преобразования изображений (трансформатор Swin-S). В то время как многие подходы анализируют гиперспектральные данные попиксельно, MAPL-EMIT использует современные методы компьютерного зрения для обработки полного спектра света вместе с окружающим пространственным контекстом. Анализируя распространение газа по ландшафту, модель лучше способна отличать истинный, переносимый ветром шлейф метана (след метана, распространяющийся от определенного источника) от участка земли, который просто имеет схожую спектральную сигнатуру, что исторически приводило к ложным обнаружениям метана.

Что особенно важно, это пространственное восприятие позволяет модели разбираться в чрезвычайно сложных сценах. В густонаселенных промышленных районах выбросы от множества соседних предприятий часто сливаются в одно облако. Чтобы разобраться в таких сценариях, MAPL-EMIT одновременно решает три различные задачи:

• Количественная оценка усиления : измерение точного количества метана, присутствующего в каждом пикселе шлейфа.
• Определение границ шлейфа: точное определение формы и границ шлейфа, даже если перекрывающиеся шлейфы распространяются по ветру.
• Локализация источника: отслеживание рассеянного газа в обратном направлении для точного определения места выброса.

Разбор сложных выбросов. Анализируя пространственный контекст, MAPL-EMIT одновременно определяет точную форму нескольких перекрывающихся шлейфов метана и точно указывает на источники их происхождения (отмечены крестиком), даже в густонаселенных промышленных районах.

Уроки, извлеченные из миллионов смоделированных выбросов

Для обучения моделей на основе трансформеров требуются огромные объемы данных, но глобального, размеченного набора данных, содержащего миллионы реальных выбросов метана, просто не существует. Чтобы преодолеть это, мы разработали физически обоснованную систему моделирования. Мы создали 3,6 миллиона синтетических метановых шлейфов и ввели их непосредственно в реальные сцены EMIT. Используя лагранжевые модели распространения частиц, которые имитируют движение и рассеивание частиц в воздухе, мы смогли воссоздать хаотичную, турбулентную реальность реальных выбросов газа. Обучение на этих высокореалистичных симуляциях позволило MAPL-EMIT научиться обнаруживать метан в самых разных атмосферных и географических условиях. Такой подход к синтетическому обучению обеспечил несколько ключевых преимуществ:

• Изменение интенсивности выбросов: модель научилась выявлять как масштабные утечки, так и более мелкие, периодические выбросы.
• Разнообразие шлейфов: Система позволила наблюдать шлейфы на обширных территориях с разнообразной местностью и атмосферой, что обеспечило лучшую обобщаемость результатов.
• Оценка источников шлейфов и перекрывающихся шлейфов: Поскольку мы синтетически сгенерировали шлейфы, мы смогли обучить модель оценивать местоположения источников и определять границы перекрывающихся шлейфов.

Обучение с использованием синтетической реальности. Поскольку миллионов помеченных реальных выбросов метана не существует, мы обучили модель, внедряя физически обоснованные смоделированные выбросы, представляющие различные скорости выбросов и турбулентные атмосферные условия, непосредственно в реальные гиперспектральные сцены EMIT.

Раскрытие беспрецедентной чувствительности в реальном мире

Разработанная на основе реальных спутниковых данных, модель MAPL-EMIT демонстрирует большой потенциал для масштабируемого картирования выбросов. При сравнении с эталонным набором данных НАСА о выбросах метана L2B модель выявляет 84% выбросов, аннотированных экспертами, и идентифицирует примерно на 50% больше правдоподобных выбросов среди ~1100 гранул EMIT, демонстрируя свою способность отделять слабые сигналы от фонового шума. Подробнее см. в статье.

Повышенная чувствительность также позволяет MAPL-EMIT надежно фиксировать более слабые выбросы, улучшая существующие пределы обнаружения. Модель также продемонстрировала свою устойчивость в сложных условиях, успешно составив карты выбросов на 24 из 25 крупнейших в мире полигонов твердых бытовых отходов.

Как и во многих высокочувствительных моделях, ложные срабатывания остаются постоянной проблемой, особенно на сложном рельефе. Для смягчения этой проблемы выходные данные сопоставляются с оценками достоверности обнаружения шлейфа (спектральное соответствие), основанными на физических принципах, которые рассчитываются на основе количества обнаружений по сравнению с результатами анализа с шагом и оцениваются с использованием множества других свойств. Это позволяет пользователям фильтровать данные и выбирать оптимальный баланс между возможностью обнаружения реальных шлейфов и риском ложных срабатываний. Однако это не всегда просто, поэтому мы также помечаем каждый шлейф «более низкой» или «более высокой» степенью достоверности на основе этих свойств, что позволяет пользователям напрямую использовать данные.

Отслеживание устойчивых выбросов во времени. Временной ряд данных об обнаружении метана с помощью MAPL-EMIT успешно зафиксировал шлейфы выбросов, исходящие от крупной свалки в Аммане, Иордания, что демонстрирует высокую чувствительность и устойчивость модели в сложных условиях.

Надежная основа для снижения выбросов метана

Проект MAPL-EMIT демонстрирует мощное сотрудничество, объединяющее опыт Google в области машинного обучения со знаниями наших коллег из Лаборатории реактивного движения НАСА. Вместе мы раскрываем весь потенциал космических наблюдений за метаном в масштабах научно-исследовательского центра, предоставляя мировому сообществу инструменты, необходимые для принятия эффективных мер по сокращению выбросов парниковых газов.

Расширяя наши возможности по обнаружению выбросов метана по всему каталогу данных EMIT, MAPL-EMIT предоставляет мощный новый инструмент для местных заинтересованных сторон, исследователей, политиков и предприятий, позволяющий выявлять выбросы метана быстрее, чем когда-либо. Поскольку НАСА готовится к запуску следующего поколения спектрометров, которые увеличат охват в 30–50 раз, надежные и автоматизированные методы становятся важнее, чем когда-либо. Мы приглашаем широкое научное сообщество изучить нашу недавно выпущенную глобальную базу данных выбросов метана на Earth Engine, а также приложение Earth Engine для интерактивной визуализации, загрузить обученную модель и синтетические выбросы с Kaggle и получить доступ к нашей библиотеке вывода на Github. Мы надеемся, что эти данные обеспечат надежную основу для целенаправленного смягчения последствий и приблизят нас всех на один шаг к достижению наших глобальных климатических целей.

Благодарности

Мы хотели бы поблагодарить сотрудников Google и NASA JPL, которые выполнили эту работу и сделали запуск возможным, в том числе (в алфавитном порядке): Алекса Уилсона, Анну М. Михалак, Варуна Гулшана, Филипа Г. Бродрика, Эндрю К. Торпа, Кристофера В. Арсдейла, Бурака Экима, Карла Элкина, Тала Геллера, Омри Гиллона, Ниту Гоял, Манси Кансал, Роя Надлера, Джона Платта, Сергея Шеймса, Биджоя Шетти, Аарона Сонабенда, Дипику Сухиджу, Шахара Тимната, Максима Ноймана, Антона Райчука, Фрэнсис Реуланд, Адама Р. Брандта, Дэвида Р. Томпсона, Роберта О. Грина, Джея Радзински, Вишала В. Батчу и Микеланджело Консерва.

Источник: research.google