MAPL-EMIT 用 360 萬個模擬羽流訓練衛星甲烷偵測，模型與全球資料同步開放

Google 與 NASA 噴射推進實驗室公布 MAPL-EMIT，將原本高度依賴人工判讀的衛星甲烷搜尋改造成可批次執行的深度學習管線。系統讀取國際太空站 EMIT 儀器的高光譜 radiance；EMIT 每個像素約 60 公尺、視野寬約 80 公里，能在設施尺度捕捉甲烷光譜，但礦物、地表材質及雜訊也可能產生相似訊號。

模型採 Swin-S 視覺 Transformer，不再逐像素套用單純 matched filter，而是同時利用完整光譜與鄰近空間形狀，辨認順風擴散的羽流。一次推論聯合處理三項任務：估算各像素的 methane enhancement、切分相鄰或重疊羽流，以及反推 plume head／排放源位置。由於真實標註不足，研究者把 360 萬個以 Lagrangian puff model 生成的物理模擬羽流注入真實 EMIT 場景，以涵蓋不同風場、地形與排放強度。

Google 公布的 PNAS 版本結果顯示，模型在約 1,100 個 EMIT granule 中找回 84% 專家標註羽流，並找出約多五成的合理候選；它也偵測到全球排放量最高的 25 個掩埋場中的 24 個。全球資料庫已放上 Earth Engine，權重及合成資料提供於 Kaggle；Apache 2.0 推論程式可進行 tiled inference、去重與光譜驗證，輸出 Parquet、羽流遮罩、濃度、整合質量及依 ERA5 風場估算的排放率。

這仍不是自動確認排放責任的系統。訓練主要依賴合成羽流，真實大氣與儀器漂移可能造成 domain gap；高召回率也會放大複雜地表上的假陽性。使用者應保留 spectral-fit 信心分數、重複觀測及地面驗證，而不是把單次模型輸出直接當作監管證據。