甲烷在百年尺度上的温室效应约为二氧化碳的 30 倍，自工业革命以来驱动了约 25% 的人为升温。由于甲烷在大气中的存留时间较短，快速削减其排放被视为缓解升温的关键路径。目前已有超过 125 个国家在“全球甲烷承诺”中承诺到 2030 年将排放量减少 30%，而油气设施、农业设施和垃圾填埋场被认为是最具成本效益的减排目标。
卫星观测甲烷的技术挑战
从太空追踪这些局部点源（空间范围仅数十米）需要平衡视场覆盖、空间分辨率和光谱分辨率三项指标。全球测绘仪器 TROPOMI 具备约 2600 公里的幅宽和精细的光谱采样能力，但空间分辨率约为 5.5×3.5 公里；搭载于国际空间站的 NASA EMIT 仪器原本用于绘制干旱区矿物成分，但其 80 公里幅宽、60 米空间分辨率和 7.4 纳米光谱采样的组合，能够以较高信噪比捕捉设施级甲烷排放的化学特征。
然而，地球表面材质复杂，部分地物的光谱特征与甲烷相似，容易干扰较小或较分散源的识别。传统逐像素分析方法难以应对这一背景噪声。
MAPL-EMIT 框架与视觉 Transformer 架构
据 Google Research 介绍，发表于《美国国家科学院院刊》（PNAS）的研究提出了 MAPL-EMIT 框架。该框架采用端到端 Swin-S Transformer 架构，将完整光谱信息与周围空间上下文一并处理，而非逐像素分析。通过分析气体在地表的扩散形态，模型可区分真实的风吹甲烷羽流与仅具相似光谱特征的地面斑块。
MAPL-EMIT 同时执行三项任务：
- 增强量化：测量每个像素中每根羽流的精确甲烷含量。
- 羽流 delineation：分割羽流的形状与边界，包括下风向重叠的多根羽流。
- 源定位：逆向追踪扩散气体，确定排放源的具体位置。
合成数据训练策略
Transformer 模型需要大规模标注数据，而全球范围的真实甲烷排放标注集并不存在。研究团队构建了一套基于物理的模拟框架，使用拉格朗日团块模型模拟粒子在空气中的运动与扩散，生成 360 万条合成甲烷羽流，并将其注入真实 EMIT 场景中进行训练。
这种合成训练方式使模型能够学习不同排放速率下的泄漏特征，覆盖多种地形与大气条件以提升泛化能力，并因合成数据的已知参数而具备源位置估计与重叠羽流分离的训练信号。
实测表现与置信度过滤
在 NASA L2B 标准甲烷羽流数据集上的基准测试显示，MAPL-EMIT 捕获了 84% 的专家标注羽流，并在约 1100 个 EMIT 数据块中多识别出约 50% 的潜在羽流，信噪比优于现有匹配滤波方法。该灵敏度提升也使模型能够可靠捕捉更弱的排放信号。在复杂环境中，模型成功绘制了全球排放量前 25 位垃圾填埋场中 24 处的羽流分布。
针对复杂地形下可能出现的误报问题，输出结果附带基于物理的羽流置信度评分（光谱拟合分数），结合跨步推理的检测次数等属性进行评估。每个羽流还被标记为“较低”或“较高”置信度，供用户在检出率与误报风险之间按需筛选。
开源资源与后续扩展
Google 已在 Earth Engine 上发布全球羽流数据库及交互式可视化应用，在 Kaggle 提供训练模型与合成羽流数据，并在 GitHub 开放推理库。
据文章披露，NASA 正准备发射下一代成像光谱仪，预计覆盖范围将扩大 30 至 50 倍。自动化检测工具的成熟可为更大规模观测数据提供处理基础。