بیش از ۲۳ هزار منبع نشت متان اضافی در سراسر جهان توسط مدل MAPL-EMIT شناسایی شدند که پیش از این از دید تحلیلگران پنهان مانده بود. این سامانه اکنون می‌تواند ۵۰٪ بیشتر از متخصصان انسانی، توده‌های گاز (Plumes) را ردیابی کند.
به نقل از اعلامیه گوگل در ۹ سپتامبر ۲۰۲۶، این سیستم امکان شناسایی دقیق، کمیت‌سنجی و مکان‌یابی متان را فراهم می‌کند؛ متان یک گاز گلخانه‌ای است که پتانسیل گرمایش آن در بازه ۲۰ ساله، تا ۸۶ برابر بیشتر از دی‌اکسید کربن (CO2) است.
زمینه محیط‌زیستی
این قابلیت در حالی معرفی می‌شود که بیش از ۱۲۵ کشور در تلاش هستند تا به هدف «تعهد جهانی متان» (Global Methane Pledge) برای کاهش ۳۰ درصدی انتشار این گاز تا سال ۲۰۳۰ دست یابند. متان مسئول حدود ۲۵٪ از گرمایش زمین ناشی از فعالیت‌های انسانی از دوران صنعتی است. در حالی که پتانسیل گرمایش ۱۰۰ ساله این گاز ۳۰ برابر دی‌اکسید کربن است، پتانسیل ۲۰ ساله آن بین ۸۱ تا ۸۶ برابر تخمین زده می‌شود. همچنین، عمر اتمسفری این گاز حدود ۹ سال است.
فعالیت‌های انسانی ۶۰٪ از خروجی متان جهان را تشکیل می‌دهند. این سهم بین بخش‌های کشاورزی (۴۴٪)، انرژی (۳۷٪) و پسماند (۱۹٪) تقسیم شده است. همان‌طور که در تحلیل قبلی ما درباره‌ی استفاده پژوهشگران گوگل از گراف‌های رویه‌ای برای کاهش خطای برنامه‌ریزی در عامل‌های هوش مصنوعی اشاره کردیم، این پروژه نیز نشان‌دهنده چرخش به سمت به‌کارگیری هوش مصنوعی با دقت بالا برای نظارت بر محیط فیزیکی و محیط‌زیست است. این رویکرد در راستای پیشرفت‌های اخیر گوگل در مدل‌سازی پدیده‌های پیچیده محیطی است، مشابه آنچه در تحول پیش‌بینی‌های محلی با مدل WeatherNext 3 مشاهده کردیم که دقت تحلیل‌های جوی را به سطح جدیدی رساند.
ابزار EMIT و خط لوله داده‌ها
این سامانه از ابزار EMIT (بررسی منبع گردوغبار معدنی سطح زمین) در ایستگاه فضایی بین‌المللی بهره می‌برد. این ابزار که در ابتدا برای نقشه‌برداری از ترکیب مواد معدنی در مناطق خشک طراحی شده بود، ۲۸۵ باند طیفی را در محدوده ۳۸۱ تا ۲,۴۹۳ نانومتر ثبت می‌کند. EMIT با رزولوشن مکانی ۶۰ متر و پهنای مسیر (Swath) ۸۰ کیلومتر عمل می‌کند.
برخلاف نقشه‌برداران جهانی مانند TROPOMI که رزولوشن پایین (۵.۵ در ۳.۵ کیلومتر) و پهنای مسیر ۲,۶۰۰ کیلومتر دارند، «اثر انگشت شیمیایی» با رزولوشن بالای EMIT به هوش مصنوعی اجازه می‌دهد تا به‌جای ردیابی غلظت‌های پس‌زمینه، تک‌تک منابع انتشار را ایزوله کند. این تمایز برای شناسایی دقیق مکان‌های نشت بسیار حیاتی است.
معماری فنی
مدل MAPL-EMIT (تحلیل متان و مکان‌یابی توده گاز با EMIT) یک ترنسفورمر بینایی (Vision Transformer) سرتاسری است که برای پردازش طیف کامل تابش طراحی شده است. بر اساس مستندات منتشر شده در مجله Proceedings of the National Academy of Sciences (PNAS) و گزارش فنی وی‌شال باچو و میکل‌آنژلو کنسروا، معماری این مدل شامل موارد زیر است:
- رمزگذار Swin-v2-S: یک رمزگذار با ۳۰ میلیون پارامتر (Parameter) که افزایش متان را در تمام پیکسل‌ها به‌طور مشترک بازیابی می‌کند.
- رمزگشای کانولوشنال: ساختاری شبیه U-Net که هم‌زمان سطح متان را کمیت‌سنجی کرده، مرزهای توده گاز را ترسیم می‌کند و منبع را مکان‌یابی می‌نماید. این قابلیت به مدل اجازه می‌دهد توده‌های متداخل از تأسیسات مجاور را از هم تفکیک کند؛ کاری که رویکردهای موجود در آن مشکل دارند.
- آموزش مبتنی بر شبیه‌سازی: به‌دلیل نبود مجموعه‌داده‌های برچسب‌دار از میلیون‌ها توده گاز واقعی، پژوهشگران از یک خط لوله مبتنی بر فیزیک برای تولید ۳.۶ میلیون توده گاز مصنوعی با استفاده از مدل‌های Lagrangian puff و داده‌های طیفی HITRAN استفاده کردند.
این مدل روی ۳۲ تراشه TPU گوگل در مدت تقریبی ۹۶ ساعت آموزش دید و برای این کار از ۲۳۵,۰۰۰ تایل (Tile) داده‌های EMIT برای آموزش و اعتبارسنجی استفاده شد. این داده‌های مصنوعی مدل را در معرض زمین‌ها، شرایط اتمسفری و نرخ‌های انتشار متنوع قرار داد تا تعمیم‌پذیری در دنیای واقعی بهبود یابد.
محک‌های عملکرد
در محک‌های دنیای واقعی، این مدل ۸۴٪ از مجموعه‌های توده گاز ثبت‌شده توسط ناسا (EMIT L2B) را شناسایی کرد. در یک مجموعه آزمون شامل ۱۰۸۴ گرانیول، تعداد شناسایی‌های مدل ۱.۵ برابر بیشتر از تحلیلگران انسانی بود. شناسایی‌های اولیه مدل (۳,۶۷۲ مورد) سپس به ۲,۲۰۹ مورد فیلتر شدند؛ به این صورت که هر شناسایی باید در بیش از ۱۳ مورد از ۱۶ استنتاج متداخل (Overlapping strided inferences) تکرار می‌شد.
نتایج اعتبارسنجی در حوزه‌های مختلف نشان‌دهنده جهش قابل‌توجه است:
- شناسایی لندفیل‌ها: مدل در ۲۴ مورد از ۲۵ لندفیل برتر جهان از نظر انتشار متان، توده‌های احتمالی را شناسایی کرد، در حالی که محصول EMIT L2B تنها ۱۷ سایت را ردیابی کرده بود.
- مقایسه با AVIRIS-3: در برابر مشاهدات هوابرد، MAPL-EMIT دو مورد از سه توده گاز قابل تشخیص را با نسبت سیگنال به نویز ۸.۶۰ شناسایی کرد. این مقدار بسیار بالاتر از نسبت ۱.۲۱ در فیلتر تطبیق AVIRIS-3 بازنمونه‌شده و ۰.۴۰ در فیلتر استاندارد L2B است.
- آزمایش‌های کنترل‌شده: در آزمایش‌های استنفورد که در آریزونا از ۱ اوت ۲۰۲۴ تا ۳۱ دسامبر ۲۰۲۵ انجام شد، مدل ۵ مورد از ۷ رهاسازی را بدون هیچ مورد مثبت کاذب در مکان‌های رهاسازی شناسایی کرد.
- دقت مصنوعی: دقت هر توده گاز از ۰.۸۰ برای توده‌های ضعیف به ۰.۹۷ برای توده‌های شدید رسید و میانگین خطای مکان‌یابی منبع ۱۰۱ متر بود.
محدودیت‌ها و چالش‌های باز
با وجود این دقت، نویسندگان اشاره می‌کنند که مثبت‌های کاذب (False Positives) همچنان یک چالش هستند، به‌ویژه در جنگل‌های متراکم یا زمین‌های تپه‌ای. برای محدود کردن نرخ مثبت کاذب، تیم ۲۰ هزار گرانیول را که انتظار می‌رفت توده‌های گاز حداقلی داشته باشند، آزمایش کرد. آن‌ها ۱,۵۱۳ شناسایی یافتند که از این میان ۳۵۵ مورد احتمالاً واقعی بودند؛ ۱,۱۵۸ شناسایی تاییدنشده باقی‌مانده منجر به تخمین محافظه‌کارانه ۰.۰۶ توده کاذب در هر گرانیول شد.
علاوه بر این، حدود ۱۶٪ از مجموعه‌های EMIT L2B شناسایی نشدند، به این معنا که پایگاه داده فعلی هنوز جامع نیست. هر توده گاز در پایگاه داده منتشر شده بر اساس تعداد شناسایی‌ها و امتیاز برازش طیفی مبتنی بر فیزیک، با سطح اطمینان «پایین» یا «بالا» برچسب‌گذاری شده است.
پیامدهای میدانی
این دستاورد، گذاری از بررسی دستی متخصصان به یادگیری ماشین فیزیک-آگاه (Physics-informed ML) در سنجش از دور است. کاهش آستانه شناسایی نشت به ۲۵۰ تا ۵۰۰ کیلوگرم در ساعت (در سرعت باد نامی ۲.۵ متر بر ثانیه) — که بهبود ۲ تا ۴ برابری نسبت به مدل‌های قبلی است — معیار «نشت قابل شناسایی» از فضا را تغییر می‌دهد. همچنین این مدل به خطای درصد مطلق متقارن (sMAPE) ۵۶٪ در گرانیول‌های مقایسه‌ای دست یافت، در حالی که این مقدار برای توده‌های EMIT L2B برابر با ۱۱۷٪ بود.
گوگل پایگاه داده جهانی توده‌های گاز و رستر‌های افزایش متان را به عنوان مجموعه‌های Earth Engine منتشر کرده و در کنار آن، یک اپلیکیشن بصری‌سازی Earth Engine، مدل آموزش‌دیده در Kaggle و کتابخانه استنتاج در GitHub را قرار داده است.
پژوهش‌های آتی بر گسترش این خط لوله برای پشتیبانی از بازیابی گازهای متعدد و ماهواره‌های مختلف متمرکز خواهد بود. هدف نهایی، تخمین نرخ انتشار به‌صورت سرتاسری (End-to-end) است تا نیاز به ادغام داده‌های باد پس از پردازش برای تعیین نرخ نشت از بین برود. علاوه بر این، انتظار می‌رود طیف‌سنج‌های تصویربرداری نسل بعد ناسا، پوشش را ۳۰ تا ۵۰ برابر افزایش دهند.
گام بعدی شما
- توسعه‌دهندگان می‌توانند کتابخانه استنتاج MAPL-EMIT را از GitHub دریافت کرده و روی داده‌های طیفی خود آزمایش کنند.
- تحلیلگران محیط‌زیست باید اپلیکیشن بصری‌سازی Earth Engine گوگل را برای ردیابی نقاط داغ متان در مناطق هدف بررسی کنند.
- پژوهشگران سنجش از دور می‌توانند از مدل‌های منتشر شده در Kaggle برای بهبود دقت تشخیص در زمین‌های تپه‌ای استفاده کنند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو