Google Research картирует глобальные выбросы метана из космоса при помощи глубокого обучения

Почему важно отслеживать метан

Метан — мощный парниковый газ: за 100 лет его потенциал глобального потепления примерно в 30 раз выше, чем у углекислого газа. С начала индустриальной эпохи он стал причиной около 25% потепления, вызванного деятельностью человека. При этом метан сравнительно недолго сохраняется в атмосфере, поэтому быстрое сокращение его выбросов может замедлить рост глобальной температуры.

Эта задача отражена в Глобальном обязательстве по метану: более 125 стран договорились сократить выбросы на 30% к 2030 году. Для этого необходимо отслеживать локальные точечные источники — выбросы с небольшой площадки размером в несколько десятков метров — в энергетике, сельском хозяйстве и секторе обращения с отходами. Экономически эффективнее всего сокращать выбросы на нефтегазовых объектах, сельскохозяйственных предприятиях и полигонах.

Для глобального мониторинга учёные всё чаще используют спутниковую съёмку. Один из примеров — прибор EMIT NASA на Международной космической станции. Изначально его создавали для картирования минерального состава засушливых регионов, однако специалисты Лаборатории реактивного движения NASA и другие исследователи применили его гиперспектральные возможности для поиска метана. EMIT записывает сотни отдельных диапазонов света для каждого пикселя, благодаря чему фиксирует уникальный химический «отпечаток» невидимого газа.

В статье «Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT», опубликованной в Proceedings of the National Academy of Sciences, исследователи описали MAPL-EMIT — систему глубокого обучения для автоматического обнаружения метановых шлейфов, оценки усиления сигнала и определения источника по всему миру. На размеченных экспертами шлейфах модель показала полноту 84% и более высокое отношение сигнала к шуму по сравнению с существующими методами оценки усиления на основе согласованного фильтра.

Авторы также выпустили глобальную базу шлейфов на Earth Engine, обученную модель и синтетические шлейфы на Kaggle, а библиотеку для инференса — на GitHub.

Два типа спутниковых карт

Глобальный вид со спутника позволяет находить участки с метаном, а при увеличении MAPL-EMIT выделяет конкретные шлейфы и показывает положение их источников.

При спутниковом измерении метана приходится учитывать три параметра:

Глобальные картографические системы, такие как TROPOMI, предназначены для обнаружения небольших изменений фоновой концентрации метана. Они сочетают полосу обзора шириной примерно 2600 км, сравнительно грубое пространственное разрешение около 5,5 × 3,5 км и тонкую спектральную дискретизацию 0,1 нм.

EMIT, напротив, рассчитан на измерение выбросов на уровне отдельных предприятий. Он использует поле зрения шириной 80 км, очень высокое пространственное разрешение 60 метров и умеренную спектральную дискретизацию 7,4 нм — этого достаточно, чтобы фиксировать химический сигнал метана при высоком отношении сигнала к шуму.

Однако масштабирование таких данных на весь мир создаёт дополнительные трудности. Поверхность Земли неоднородна, а некоторые материалы могут имитировать метан. Из-за этого особенно сложно находить небольшие или рассеянные источники. Чтобы развить результаты команды EMIT и создать систему для массового глобального картирования, Google Research вместе с ней применила модели глубокого обучения, способные учитывать общий визуальный контекст сцены.

Работа связана с инициативой Google Earth ИИ — набором геопространственных моделей и данных, которые превращают информацию о планете в пригодные для использования сведения. Глубокое обучение применяют к спутниковым изображениям в большом масштабе, дополняя другие геопространственные проекты Google специализированными инструментами для экологического мониторинга.

Обычная видимая съёмка не показывает газ. Методы NASA L2B на основе согласованного фильтра дают зашумлённый сигнал, а MAPL-EMIT отделяет метановый шлейф от окружающего ландшафта.

Графика из трёх панелей, показывающая стандартный вид с воздуха, тепловую карту поверхности и изолированные шлейфы выбросов газа

Источник: research.google

Как работает MAPL-EMIT

MAPL-EMIT построен на сквозной архитектуре трансформера для компьютерного зрения Swin-S. Многие методы анализируют гиперспектральные данные пиксель за пикселем, а эта модель одновременно рассматривает весь спектр света и пространственный контекст вокруг объекта.

Модель учитывает, как газ распространяется по ландшафту. Это помогает отличать настоящий шлейф метана, который движется по ветру от конкретного источника, от участка поверхности с похожей спектральной характеристикой. Именно такие участки раньше становились причиной ложных срабатываний.

Пространственный анализ также помогает работать со сложными сценами. В промышленных районах выбросы нескольких соседних объектов могут сливаться в одно облако. MAPL-EMIT одновременно решает три отдельные задачи, в том числе восстанавливает точную форму нескольких перекрывающихся шлейфов и определяет расположение их источников, обозначая их крестиками.

Наложение на спутниковую карту, показывающее два концентрированных шлейфа выбросов, исходящих от источников, отмеченных знаком «X»

Источник: research.google

Обучение на синтетических шлейфах

Трансформерам для обучения нужны огромные объёмы данных, но глобального набора из миллионов размеченных реальных выбросов метана не существует. Поэтому исследователи разработали физическую модель: они создали 3,6 млн синтетических шлейфов и встроили их непосредственно в реальные гиперспектральные сцены EMIT.

Для этого использовали лагранжевы модели клубов, которые имитируют движение и рассеивание частиц в воздухе. Так удалось воспроизвести хаотичное и турбулентное поведение настоящих газовых выбросов. Обучение на таком реалистичном моделировании позволило MAPL-EMIT распознавать метан в самых разных атмосферных и географических условиях.

Поскольку миллионов размеченных реальных шлейфов нет, модель обучали на физических моделях, добавленных в настоящие сцены EMIT. В них учитывались различные интенсивности выбросов и турбулентные состояния атмосферы.

Результаты на реальных данных

На реальных спутниковых данных MAPL-EMIT показала возможность масштабного картирования выбросов. При сравнении с эталонным набором метановых шлейфов NASA L2B модель обнаружила 84% шлейфов, размеченных экспертами, и нашла примерно на 50% больше правдоподобных шлейфов среди примерно 1100 фрагментов EMIT.

Повышенная чувствительность помогает находить и более слабые выбросы, улучшая текущие пределы обнаружения. В сложных условиях модель также показала устойчивость: она успешно нанесла на карту шлейфы на 24 из 25 крупнейших полигонов мира по объёму выбросов.

У чувствительных моделей остаётся проблема ложных срабатываний, особенно на сложном рельефе. Для их фильтрации к результатам добавляют физические оценки уверенности шлейфа — показатели спектрального соответствия. Их рассчитывают по числу обнаружений при последовательном инференсе с шагом и оценивают вместе с другими характеристиками. Пользователь может сам выбрать компромисс между обнаружением настоящих шлейфов и риском ложных сигналов.

Поскольку такая настройка бывает сложной, каждому шлейфу также присваивают метку «низкая» или «высокая» уверенность. Это позволяет использовать данные напрямую.

Временной ряд обнаружений MAPL-EMIT показывает, как модель находит шлейфы, исходящие от крупного полигона в Аммане, Иордания.

Что выпустили исследователи

MAPL-EMIT объединила технологии машинного обучения Google и предметную экспертизу сотрудников Лаборатории реактивного движения NASA. Вместе команды развивают спутниковые измерения метана на уровне отдельных объектов и создают инструменты для сокращения выбросов парниковых газов.

Благодаря обработке всего каталога данных EMIT модель помогает местным властям, исследователям, законодателям и промышленным компаниям быстрее находить источники метана. NASA готовится запустить новое поколение изображающих спектрометров, которые увеличат охват в 30–50 раз. Поэтому автоматизированные методы анализа спутниковых данных становятся важнее.

На Earth Engine доступны глобальная база шлейфов и приложение для интерактивной визуализации, на Kaggle — обученная модель и синтетические шлейфы, а на GitHub — библиотека для инференса. По замыслу авторов, эти материалы должны стать основой для адресного сокращения выбросов и помочь приблизиться к глобальным климатическим целям.

В работе участвовали специалисты Google и NASA JPL, включая 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 и Michelangelo Conserva.