深層学習による衛星データ解析で全球メタン排出量をマッピング

メタンは強力な温室効果ガスであり、100 年スケールで比較すると温暖化への寄与度は二酸化炭素の約 30 倍に達します。実際、産業革命以降の人為的な地球温暖化のうち、約 25% はメタンが引き起こしたものです。

大気中での寿命が比較的短いメタンの排出量を迅速に削減することは、地球温暖化を抑制するための重要な「即効性のある対策」です。

この緊急性は、「グローバル・メタン・プレッジ（Global Methane Pledge）」にも表れています。同プレッジには 125 カ国以上が参加し、2030 年までに排出量を 30% 削減することを約束しています。

これらの目標を達成するためには、廃棄物処理、農業、エネルギー分野における局所的な排出源（数十メートル規模の狭い範囲で発生する排出）を追跡できる体制を整える必要があります。最も費用対効果の高い対策は、石油・ガスインフラや農業施設、埋立地からの排出削減です。

これらの排出量を地球規模で追跡するため、科学者たちはますます宇宙からの画像解析に頼っています。その代表例が、国際宇宙ステーション（ISS）に搭載されたNASAの「地球表面鉱物塵源調査装置」（EMIT）です。もともと乾燥地域の鉱物組成をマッピングするために設計されたこの装置ですが、NASAジェット推進研究所（JPL）および広範な科学コミュニティは、その高度なハイパースペクトル（hyperspectral）機能を活用してメタン排出の検出に転用しました。EMITは各ピクセルに対して数百もの異なる光のバンドを記録することで、本来目に見えないこれらのガスの化学的な指紋を「可視化」することを可能にしています。

これらの投資を基盤に、米国科学アカデミー紀要（PNAS）に掲載された「Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT」において、衛星から得られる生データをスケーラブルな対策行動へと変換する新たなアプローチを紹介しました。MAPL-EMIT（Methane Analysis and Plume Localization with EMIT）は、メタンプールの検出、拡散予測、発生源推定を自動化する方向へ大きく前進した深層学習フレームワークです。

MAPL-EMITは、専門家が注釈をつけたプールに対して 84% という高い再現率を達成し、既存のマッチドフィルタに基づく手法と比較しても高い信号対雑音比を示すことを実証しました。科学コミュニティ全体への貢献として、Earth Engine 上でグローバルプールドデータベースを公開するとともに、Kaggle で学習済みモデルと合成プールドデータを、Github では推論ライブラリmaplを提供しています。

宇宙からメタンを検出する難しさ

宇宙からメタンを計測するには、3 つの重要な要素のバランスが求められます。(1) 視野（空間カバレッジと再訪頻度）、(2) 空間分解能、そして (3) 分光分解能です。

TROPOMI などの全球マッパーは、広範なカバレッジ（スワース幅約 2,600 km）と粗い空間分解能（約 5.5 km × 3.5 km）、そして高分解能な分光サンプリング（0.1 nm）を組み合わせることで、背景中のメタン濃度の微小な変化を検出するために設計されています。

一方、EMIT に代表される定点マッパーは、施設規模でのメタン排出量を測定することに優れています。これは、中程度の視野（幅 80 km）と極めて高い空間分解能（60 m）、そして中程度の分光分解能（7.4 nm のサンプリング）を組み合わせることで実現されています。この分解能であれば、高い信号対雑音比でメタンの化学シグネチャを捉えるのに十分です。

しかし、こうした豊富なデータをグローバルスケールで完全に活用するには、さらに課題があります。地球の多様な景観は複雑な背景となり、一部の地表物質がメタンと見間違われることもあります。そのため、小規模または拡散型の排出源の特定は特に困難を伴います。EMIT チームの基盤となる研究を発展させ、高スループットでの全球マッピングを可能にするため、私たちは同チームと協力し、シーンの広範な視覚的文脈を理解できるディープラーニングモデルを適用しています。

本稿は、Google の広範な取り組みである Google Earth AI に沿ったものです。これは惑星データを行動可能なインテリジェンスに変換するための地理空間モデルとデータセットのコレクションです。大規模な衛星画像に深層学習を適用することで、特定の環境監視に特化した専門ツールを提供し、より広範な惑星 AI への取り組みを補完することを目指しています。

MAPL-EMIT：大気のためのビジョントランスフォーマー

MAPL-EMIT は、エンドツーエンドのビジョントランスフォーマーアーキテクチャ（Swin-S transformer）を用いて構築されました。多くの手法がピクセル単位でハイパースペクトルデータを分析するのに対し、MAPL-EMIT は最新のコンピュータビジョン技術を駆使して、光の完全なスペクトラムとそれを取り巻く空間的文脈を同時に処理します。ガスが景観にどのように拡散するかを分析することで、このモデルは、特定の発生源から風によって運ばれて広がるメタンプルーム（メタンガスの痕跡）を、単に類似したスペクトルシグネチャを持つ地面の領域と区別する能力を備えています。これは従来、誤検出の原因となっていた課題です。

重要なのは、この空間認識能力がモデルに極めて複雑なシーンの解明を可能にすることです。産業地帯が密集している地域では、複数の隣接施設からの排出ガスが単一の雲のように混ざり合います。こうした状況を理解するために、MAPL-EMIT は同時に 3 つの異なるタスクを解決します：

各プールのピクセルごとにメタンガスの正確な量を測定する「強化・定量」、風下で重なり合う場合でもプールの正確な形状と境界を区別する「プールの輪郭特定」、拡散したガスを遡って排出源の正確な位置を突き止める「発生源の特定」が、この技術の主要な機能です。

Transformer ベースのモデルは学習に膨大なデータが必要ですが、世界中の数百万件の実世界のメタン排出事例をラベル付けしたデータセットは存在しません。これを克服するため、私たちは物理ベースのシミュレーションフレームワークを開発しました。360 万件の合成メタンプールのデータを生成し、実際の EMIT（Earth Surface Mineral Dust Source Investigation）の観測シーンに直接組み込みました。大気中を粒子がどのように移動・拡散するかをシミュレートする「ラグランジュパフモデル」を活用することで、実際のガス排出が持つカオスで乱流な現実を再現することが可能になりました。これらの極めてリアルなシミュレーションデータを用いて学習させることで、MAPL-EMIT は大気や地理条件の多様な状況下でもメタンを検出する能力を獲得しました。この合成データによるトレーニング手法には、いくつかの重要な利点があります。

• *排出率の変動*: このモデルは、大規模な漏洩と小規模で断続的な排出の両方を識別することを学習しました。
• *プルームの多様性*: 広範にわたる多様な地形や大気条件におけるプルームを検出できるため、より優れた一般化が可能になりました。
• *プルーム発生源の推定と重複するプルーム*: プルームを合成データとして生成したため、モデルは発生源の位置を推定し、重なり合うプルームを区別するように訓練することができました。

現実世界における前例のない感度の実現

実際の衛星データに導入された MAPL-EMIT は、スケーラブルな排出マッピングにおいて大きな可能性を示しています。NASA のゴールドスタンダードである L2B メタンプルームデータセット とベンチマークした結果、専門家が注釈をつけたプルームの 84% を検出し、約 1,100 の EMIT グランルール全体で約 50% 多い妥当なプラムも特定しました。これは、背景ノイズから微細な信号を分離する能力を示すものです。詳細は 論文 をご覧ください。

この感度の向上により、MAPL-EMIT は弱い排出も確実に捉えることができるようになり、現在の検出限界を改善しました。また、複雑な環境でも堅牢性を示し、世界で 25 の主要な埋立地の中で 24 か所のプルームマッピングに成功しています。

多くの高度に敏感なモデルと同様に、偽陽性の検出は依然として課題であり、特に複雑な地形では顕著です。これを緩和するために、出力には「物理ベースのプルーム信頼度（スペクトル適合）スコア」が併記されています。このスコアは、ストライド推論における検出回数に基づいて評価され、さらに複数の他の特性を用いて検証されます。これにより、ユーザーは実際のプラムを検出する能力と偽陽性のリスクとの間で、自らの判断でトレードオフを行いながらデータをフィルタリングすることが可能になります。

ただし、このプロセスが常に単純とは限りません。そのため、これらの特性に基づき、各プルームには「信頼度が低い」または「信頼度が高い」というタグが付与されています。これにより、ユーザーはデータを活用しやすくなります。

メタン排出削減のための堅牢な基盤

MAPL-EMIT は、Google の機械学習の専門知識と、NASA JPL にある協力者のドメイン知識が融合した強力な協業の成果を示しています。私たちはともに、施設規模での衛星によるメタン観測の可能性を最大限に引き出し、温室効果ガスの排出削減に向けた有意義な行動を可能にするためのツールを、世界のコミュニティに提供しています。

EMIT データカタログ全体でプルームを検出する能力を拡大することで、MAPL-EMIT は、研究者や政策決定者、産業関係者など地域ステークホルダーにとって、これまで以上に迅速にメタン排出源を特定できる強力なツールとなります。NASA は今後、観測カバレッジを 30～50 倍に拡大する次世代イメージング分光計の打ち上げを準備しており、その際、堅牢で自動化された手法の重要性はかつてないほど高まっています。

私たちは、広範な科学コミュニティに対し、新たに公開した 地球規模プルームデータベース を Earth Engine で探索し、インタラクティブな可視化のための Earth Engine アプリ を利用していただくことを提案します。また、Kaggle から学習済みモデルと合成プルームデータをダウンロードしたり、Github で推論ライブラリにアクセスしたりすることも可能です。これらのデータが標的型の排出削減対策の基盤となり、世界の気候目標達成に向けた一歩を共に前進させることを願っています。

謝辞

本稿の実現に尽力された Google および NASA JPL の皆様に心より感謝申し上げます。貢献者には（アルファベット順）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、Michelangelo Conserva が含まれます。