AI Ark LLM Wiki

Mapping global methane emissions from space with deep learning

Properties2
descriptionGoogle Research 對 MAPL-EMIT 深度學習框架、EMIT 甲烷 plume 偵測、評估、資料釋出與使用限制的摘要與 claim ledger。
tagsraw-evidence, model, research, google, testing, automation, infrastructure

閱讀時間約 10 分鐘

Capture record

  • Canonical URI： https://research.google/blog/mapping-global-methane-emissions-from-space-with-deep-learning/
  • Source class： original research（Google Research 官方研究發布）。本記錄保存 Google Research 對 MAPL-EMIT、研究結果與資產釋出的陳述，維持 status: draft；官方研究結果不是 AI Ark 的獨立重現或 human verification。
  • 原文標題： Mapping global methane emissions from space with deep learning
  • 作者／出版者： Vishal Batchu、Michelangelo Conserva／Google Research
  • 發布時間： 2026-09-01（Google Research 文章頁標示 September 1, 2026）；文章連結的研究論文為 arXiv:2604.10094 v2，最後修訂 2026-07-29。12
  • 擷取時間： 2026-09-01T18:45:35+00:00
  • Retrieval method： 讀取 Google Research canonical HTML、arXiv 摘要頁、Google Research mapl GitHub README、Earth Engine Data Catalog，以及 Kaggle model card／synthetic dataset card 作方法、評估、資料欄位、釋出與權利邊界的 claim tracing。PNAS DOI 頁面本次 HTTP 403，未把其未讀內容列為獨立證據；未保存任何來源完整 payload。
  • HTTP metadata： Google Research canonical page status 200、Content-Type: text/html; charset=utf-8、Content-Length: 195330、Date: Tue, 01 Sep 2026 18:43:15 GMT。arXiv 摘要頁 status 200、Content-Type: text/html; charset=utf-8、Content-Length: 45048、Last-Modified: Thu, 30 Jul 2026 00:43:36 GMT、Date: Tue, 01 Sep 2026 18:44:22 GMT。GitHub README、Earth Engine catalog、Kaggle model card 與 Kaggle dataset card 的 GET 均回傳 200；Earth Engine page Last-Modified: Tue, 18 Aug 2026 18:46:55 GMT、Content-Length: 100489、Date: Tue, 01 Sep 2026 18:45:35 GMT。
  • Saved payloads and SHA-256： 無；僅保存本 wrapper。frontmatter 的 sha256 是本檔 frontmatter 結束後 body 的 SHA-256，不宣稱未保存的 HTML、PDF、GitHub、Earth Engine 或 Kaggle payload 可由此 hash 重建。

Faithful summary

Google Research 介紹 Methane Analysis and Plume Localization with EMIT（MAPL-EMIT），一個以 Swin-S vision transformer 為核心的端到端框架。它同時使用 EMIT hyperspectral radiance 的完整光譜與鄰近像素的空間 context，支援 methane plume detection、enhancement quantification、plume delineation 與 source localization，也處理重疊 plume。研究所描述的 EMIT 觀測涵蓋 285 個光譜 band、60 公尺空間解析度與約 80 公里 field of view；這些是儀器與研究設定，不是任意衛星資料的保證。12

模型以 physics-based Lagrangian puff simulation 產生的 3.6 million synthetic methane plumes，注入真實 EMIT radiance scenes 進行訓練。這個 synthetic-to-real 設計用來補足全球缺乏大量、帶有完整 plume mask、source location 與 overlapping plume 標籤的真實資料；Kaggle dataset card 另說明資料含 238,000 個 tiles、60 公尺網格與 instance-level labels，但 synthetic data 可能不代表真實世界。123

Google Research 與 arXiv paper 摘要報告，MAPL-EMIT 在 1,084 個 EMIT granules 的 real-world benchmark 上捕捉 84% 的 NASA L2B expert-annotated plume complexes，並找出約為 human analysts 1.5 倍的 plausible plumes。這些數字是研究 protocol 下的來源報告；本次沒有重跑模型、重算分母、檢查所有 test split，亦沒有獨立複製 airborne、landfill 或 controlled-release 驗證。12

Earth Engine 的 MAPL-EMIT dataset card 把輸出標成 high 或 medium confidence：high confidence 代表在不同 EMIT observations 中至少三次偵測，隨機人工檢視的 false-positive rate 約 3–5%；medium confidence 沒有跨時間 match，頁面報告人工檢視的 false-positive rate 約 50–55%。同一頁也提醒模型約漏掉 16% 的 expert-annotated NASA EMIT L2B plumes；這些是資料集頁面對其標籤與抽樣檢視的說明，不是通用部署錯誤率。4

MAPL-EMIT 的 enhancement 數值代表 atmospheric column enhancement（ppm-m），不是直接的 emission rate（kg/hr）。要估算排放通量仍需 IME、外部 wind fields 與其他假設；EMIT 的 orbital sampling、cloud、shadow 與低反照率表面也會限制覆蓋與表現。45

研究文章連結到 Earth Engine 的 global plume database、Kaggle 的 trained model 與 synthetic plumes，以及 GitHub inference library。Earth Engine 與 Kaggle 頁面標示相關資料／模型採 CC BY 4.0；GitHub README 則說明 MAPL 是 library、目前支援 EMIT，且不是 Google officially supported product。實際使用仍須依各資產當下版本、license、資料取得條件與 NASA EMIT 授權要求辦理。14563

Reusable extraction

這筆來源可補上 physical-world AI 的一個可重用 pattern：用物理模擬產生可標註資料，以完整感測訊號加空間 context 做偵測，再把 quantification、delineation、source localization、confidence 與外部物理驗證分開。對任何遙測或 geospatial model，不能只問 recall；還要固定觀測覆蓋、label provenance、false-positive／false-negative 定義、物理單位、時間聚合、外部風場與 downstream decision gate。這是依來源整理的 workflow guidance，不是 MAPL-EMIT 直接驗證的通用治理模型。24

Claim ledger

IDSource claimStatusOwning evidence and boundary
C01MAPL-EMIT 是使用完整 EMIT hyperspectral radiance 與 spatial context 的 Swin-S vision-transformer framework，並同時支援 plume detection、enhancement quantification、delineation 與 source localization。supportedGoogle Research 文章與 arXiv v2 摘要直接描述；本次未重跑 inference。12
C02模型以 3.6 million physics-based synthetic methane plumes 注入真實 EMIT radiance data 後訓練。supportedGoogle Research 文章與 arXiv v2 摘要直接陳述；Kaggle dataset card 補充 Lagrangian puff、tiles 與 labels，但 synthetic data 不等於真實分布。123
C03在 1,084 個 EMIT granules 上捕捉 84% NASA L2B expert-annotated plume complexes，並找出約 1.5 倍 human analysts 的 plausible plumes。partially-supportedGoogle Research 文章與 arXiv v2 摘要支持來源報告的數字；test split、plausible 定義、分母、公平性與外部 replication 未在本次獨立驗證。12
C04Earth Engine dataset 的 high-confidence plume 至少跨不同觀測被偵測三次，頁面所述隨機人工檢視 false-positive rate 約 3–5%；medium-confidence 約 50–55%。supportedEarth Engine Data Catalog 直接列出信心標籤與人工檢視說明；不應外推成所有地點、時間或任務的錯誤率。4
C05MAPL-EMIT 約漏掉 16% expert-annotated NASA EMIT L2B plumes，且 enhancement ppm-m 不是 emission rate kg/hr。supportedEarth Engine Data Catalog 直接列出 limitation；排放率仍需 IME、wind fields 與額外不確定性。4
C06Earth Engine database、Kaggle model／synthetic dataset 與 GitHub inference library 已被公開連結。supportedGoogle Research 文章列出資產；各官方／託管頁面實際可讀到對應資產。公開連結不等於所有 runtime、模型權重或資料都可無條件商用。14563
C07MAPL-EMIT 能直接量化全球 methane emissions，或已證明可造成實際減排與 climate-action impact。unresolved來源支持 plume mapping、source estimation 與資料釋出，但沒有獨立的全球排放總量、減排因果、政策成效或 production deployment study；ppm-m 也不能直接當 kg/hr。
C08MAPL GitHub library 是 Google 官方支援產品，或模型在所有 EMIT／遙測條件下都可靠。contradictedGitHub README 明確寫明 MAPL 不是 officially supported Google product；Earth Engine 頁面列出 cloud、shadow、low-albedo、coverage 與 false-positive／false-negative 限制。54

Evidence boundary

本記錄支持的最小結論是：Google Research 發布了 MAPL-EMIT 的研究說明，主張以 vision transformer、完整 EMIT hyperspectral radiance、spatial context 與 synthetic plume training，將 methane plume detection、enhancement quantification、delineation 與 source localization 自動化；其研究摘要報告了特定 EMIT benchmark 結果，並連結可用的 Earth Engine、Kaggle 與 GitHub 資產。這些 claim 的 owning evidence 是 Google Research 文章、arXiv v2、Earth Engine Data Catalog、GitHub README 與 Kaggle cards；本次沒有保存完整 payload、模型權重或資料集，也沒有獨立重跑研究。

本記錄不能證明 MAPL-EMIT 已建立完整、無偏的全球 methane inventory，不能把 plausible plume detections 當成 confirmed emission rates，不能把 benchmark recall 當成減排效果，也不能把官方研究與人工抽樣檢視當成 AI Ark 的獨立驗證。未加入 verified；本次只有 process-level source checks，沒有獨立 human verification。

Rights boundary

Google Research 文章、GitHub README、Earth Engine Data Catalog 與 Kaggle cards 是外部來源。本次僅保存 metadata、faithful summary、claim ledger、必要的證據核對連結與 evidence boundary；未保存文章全文、圖片、完整 HTML、PDF、模型權重或 Kaggle／Earth Engine data payload。arXiv、Earth Engine 與 Kaggle 頁面所列 license／terms 只適用於其各自資產；canonical links 是後續查核入口，來源讀取不等於取得所有內容的重製或商業使用授權。

Footnotes

  1. Google Research，〈Mapping global methane emissions from space with deep learning〉，2026-09-01；https://research.google/blog/mapping-global-methane-emissions-from-space-with-deep-learning/。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9

  2. Vishal V. Batchu et al.，〈Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT〉，arXiv:2604.10094v2，2026-07-29；https://arxiv.org/abs/2604.10094。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8

  3. Vishal Batchu，〈Synthetic puff-based plumes〉，Kaggle，讀取 2026-09-01；https://www.kaggle.com/datasets/vishalbatchu/synthetic-puff-based-overlapping-plumes。 ↩ ↩2 ↩3 ↩4

  4. Google Earth Engine Data Catalog，〈MAPL-EMIT: Modeled Methane Plumes〉；https://developers.google.com/earth-engine/datasets/catalog/projects_nature-trace_assets_ghg_emit_mapl_emit_plumes_v1_0。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8

  5. Google Research，google-research/mapl README，讀取 2026-09-01；https://github.com/google-research/mapl。 ↩ ↩2 ↩3 ↩4

  6. Vishal Batchu，〈MAPL-EMIT Model for Global Methane Plume Detection〉，Kaggle，讀取 2026-09-01；https://www.kaggle.com/models/vishalbatchu/emit-methane-plume-detection-and-quantification/。 ↩ ↩2

Graph View