Google e il Jet Propulsion Laboratory della NASA hanno presentato MAPL-EMIT, un modello di deep learning progettato per rilevare, quantificare e localizzare su scala globale i pennacchi di metano utilizzando i dati dello strumento EMIT della NASA. Il sistema, il cui nome completo è Methane Analysis and Plume Localization with EMIT, è stato addestrato su 3,6 milioni di pennacchi di metano simulati attraverso modelli fisici e permette di automatizzare un’attività che finora ha richiesto in larga misura l’analisi manuale dei dati satellitari. Applicato alle osservazioni reali, MAPL-EMIT ha individuato circa il 50% di pennacchi plausibili in più rispetto agli esperti umani e ha consentito di identificare oltre 23.000 pennacchi aggiuntivi nel catalogo globale, comprese potenziali emissioni in 24 delle 25 discariche considerate tra le maggiori emettitrici di metano al mondo.
Il metano è un gas serra con un potenziale di riscaldamento globale circa 30 volte superiore a quello dell’anidride carbonica su un periodo di cento anni, mentre su un orizzonte di vent’anni il rapporto sale a circa 81-86 volte. Al metano viene attribuito approssimativamente il 25% del riscaldamento di origine antropica registrato dall’inizio dell’era industriale e la sua permanenza media nell’atmosfera è di circa nove anni. Più di 125 Paesi hanno aderito al Global Methane Pledge, che prevede una riduzione delle emissioni di metano del 30% entro il 2030. Le attività umane sono responsabili di circa il 60% delle emissioni globali del gas e, all’interno di questa componente antropica, circa il 44% deriva dall’agricoltura, il 37% dal settore energetico e il 19% dai rifiuti.
MAPL-EMIT utilizza le osservazioni raccolte da EMIT, Earth Surface Mineral Dust Source Investigation, uno spettrometro installato sulla Stazione Spaziale Internazionale. Lo strumento era stato originariamente progettato per studiare la composizione mineralogica delle regioni aride, ma le sue capacità di imaging iperspettrale permettono anche di riconoscere le firme spettrali caratteristiche di gas come il metano. EMIT registra 285 bande spettrali comprese tra 381 e 2.493 nanometri, con una risoluzione spaziale di circa 60 metri e una fascia di osservazione larga 80 chilometri. La disponibilità di centinaia di misurazioni spettrali per ogni pixel consente quindi di rilevare un gas che non può essere osservato nelle normali immagini nel visibile.
Questa configurazione è differente da quella di strumenti destinati alla mappatura atmosferica globale come TROPOMI, che dispone di una fascia di osservazione larga circa 2.600 chilometri ma opera con una risoluzione nell’ordine di 5,5 per 3,5 chilometri. Una copertura così ampia è adatta a seguire le concentrazioni di fondo del metano su vasta scala, ma la risoluzione risulta troppo bassa per isolare con precisione molte sorgenti puntuali. EMIT offre invece dati con un livello di dettaglio sufficiente per analizzare singoli pennacchi e cercare di risalire alla posizione dell’impianto o della struttura da cui provengono.
Dal punto di vista architetturale, MAPL-EMIT è un vision transformer end-to-end che utilizza direttamente l’intero spettro di radianza acquisito da EMIT e combina le informazioni spettrali con il contesto spaziale circostante. Il modello integra un encoder Swin-v2-S da circa 30 milioni di parametri con un decoder convoluzionale organizzato secondo una struttura simile a una U-Net. A differenza degli approcci che analizzano principalmente ciascun pixel in maniera isolata, MAPL-EMIT tiene conto anche della disposizione spaziale del segnale, elemento utile per distinguere un vero pennacchio disperso dal vento da superfici terrestri che possono presentare caratteristiche spettrali simili a quelle del metano e generare quindi falsi rilevamenti.
L’elaborazione viene utilizzata contemporaneamente per tre operazioni. Il modello stima l’incremento della concentrazione di metano associato al pennacchio in ciascun pixel, ne determina forma e confini e cerca di localizzare il punto di origine dell’emissione. La componente spaziale permette inoltre di separare pennacchi sovrapposti, un problema particolarmente rilevante nelle aree industriali nelle quali emissioni provenienti da impianti vicini possono mescolarsi durante la dispersione atmosferica. L’obiettivo è quindi ottenere da un’unica elaborazione sia la mappa del metano sia la segmentazione dei diversi pennacchi e la posizione delle relative sorgenti.
Uno dei problemi principali nello sviluppo del sistema era l’assenza di un dataset etichettato contenente milioni di pennacchi reali. I ricercatori hanno quindi creato una pipeline di simulazione basata sulla fisica, producendo 3,6 milioni di pennacchi sintetici e inserendoli all’interno di scene EMIT reali. La dispersione è stata simulata attraverso modelli Lagrangian puff, che rappresentano il movimento delle particelle nell’atmosfera, mentre l’integrazione del segnale sintetico nelle osservazioni iperspettrali è stata effettuata attraverso calcoli di trasferimento radiativo line-by-line utilizzando dati spettroscopici HITRAN. In questo modo il modello è stato esposto durante l’addestramento a emissioni di diversa intensità, differenti condizioni atmosferiche e un’ampia varietà di terreni.
Il dataset utilizzato comprendeva circa 235.000 tile EMIT suddivise tra set di addestramento, validazione e test. L’addestramento è stato eseguito utilizzando 32 TPU di Google per circa 96 ore. La generazione sintetica dei pennacchi ha consentito non soltanto di variare l’intensità delle emissioni e le condizioni di dispersione, ma anche di conoscere con precisione la posizione della sorgente e la geometria di ciascun pennacchio, informazioni necessarie per addestrare simultaneamente le diverse componenti del modello.
Nei test su dati reali, MAPL-EMIT ha rilevato l’84% dei complessi di pennacchi annotati manualmente nel dataset NASA EMIT L2B analizzato, basato su 1.084 granuli EMIT, identificando allo stesso tempo circa una volta e mezza il numero di pennacchi plausibili individuati dagli analisti umani. Una prima elaborazione aveva prodotto 3.672 rilevamenti; dopo aver considerato soltanto i pennacchi sulla terraferma rilevati in più di 13 delle 16 inferenze sovrapposte utilizzate dal sistema, il numero è sceso a 2.209.
Per studiare il problema dei falsi positivi, MAPL-EMIT è stato inoltre applicato a 20.000 granuli nei quali ci si aspettava una presenza minima di pennacchi. Dopo il filtraggio sono rimasti 1.513 rilevamenti. L’analisi della compatibilità spettrale ne ha classificati 355 come probabili emissioni reali, lasciando 1.158 rilevamenti non confermati, concentrati soprattutto in aree caratterizzate da terreno collinare o foreste dense. Considerando questi ultimi come falsi positivi, è stata ricavata una stima conservativa di circa 0,06 falsi pennacchi per granulo.
Un altro confronto ha riguardato 25 discariche identificate tra quelle con le maggiori emissioni di metano. MAPL-EMIT ha rilevato potenziali pennacchi in 24 dei 25 siti, mentre precedenti analisi basate sul prodotto EMIT L2B ne avevano individuati in 17. Il modello è stato confrontato anche con osservazioni aeree coincidenti raccolte mediante AVIRIS-3: ha riconosciuto due dei tre pennacchi risolvibili senza produrre falsi positivi e ha raggiunto un rapporto segnale-rumore di 8,60. Il valore ottenuto con il matched filter applicato ai dati AVIRIS-3 ricampionati era 1,21, mentre quello associato al matched filter standard EMIT L2B era 0,40.
MAPL-EMIT è stato valutato anche attraverso esperimenti con rilasci controllati di metano effettuati vicino a un sito sperimentale in Arizona tra il 1° agosto 2024 e il 31 dicembre 2025. In queste prove il modello ha rilevato cinque dei sette rilasci disponibili e non ha prodotto falsi positivi nelle posizioni utilizzate per l’esperimento. Nei benchmark sintetici la precisione calcolata per singolo pennacchio è passata da 0,80 per i segnali più deboli a 0,97 per quelli più intensi, mentre il recall è aumentato da 0,33 a 0,93. L’errore medio nella localizzazione della sorgente è risultato pari a 101 metri.
Per quanto riguarda la sensibilità, il sistema riesce a rilevare in modo affidabile pennacchi associati a tassi di perdita compresi tra circa 250 e 500 chilogrammi di metano all’ora, assumendo una velocità nominale del vento di 2,5 metri al secondo. Il risultato viene indicato come un miglioramento di circa due-quattro volte rispetto ai modelli precedenti. Nella stima quantitativa del metano sui 1.084 granuli utilizzati per il confronto, MAPL-EMIT ha ottenuto inoltre un symmetric mean absolute percentage error del 56%, contro il 117% associato ai pennacchi EMIT L2B.
Il sistema presenta comunque ancora limiti legati soprattutto ai falsi positivi in scenari geograficamente complessi. Il numero di segnalazioni errate rimane superiore a quello dei cataloghi sottoposti alla verifica di esperti, come il catalogo dei complessi di pennacchi EMIT L2B. Per questo motivo ogni pennacchio inserito nel database prodotto dal modello viene accompagnato da un livello di confidenza più basso o più alto, determinato utilizzando parametri come la compatibilità fisica della firma spettrale e il numero di volte in cui il segnale viene rilevato nelle diverse inferenze sovrapposte. Il database non viene inoltre considerato completo, poiché circa il 16% dei complessi di pennacchi EMIT L2B utilizzati nel confronto non è stato rilevato da MAPL-EMIT.
I risultati del lavoro sono stati pubblicati nello studio “Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT”, realizzato da ricercatori di Google Research e NASA JPL. Il lavoro è stato ricevuto l’11 aprile 2026, accettato il 3 agosto e pubblicato online il 1° settembre 2026, per poi comparire nel volume 123, numero 36, dei Proceedings of the National Academy of Sciences datato 8 settembre.
Insieme al modello sono state rese disponibili anche le risorse necessarie per utilizzare e analizzare i risultati. Il database globale dei pennacchi e i raster relativi agli incrementi di metano sono stati pubblicati come collezioni su Google Earth Engine, insieme a un’applicazione Earth Engine per la visualizzazione interattiva. Il modello addestrato e il dataset dei pennacchi sintetici sono disponibili su Kaggle, mentre una libreria per eseguire l’inferenza è stata pubblicata su GitHub.
Gli sviluppi successivi previsti per la pipeline comprendono l’estensione del sistema al rilevamento di più gas e all’utilizzo con differenti satelliti, oltre alla stima end-to-end del tasso di emissione. Quest’ultima permetterebbe di ottenere direttamente una stima della quantità di metano rilasciata nell’unità di tempo, senza dover ricorrere successivamente all’integrazione dei dati sul vento. L’automazione dell’elaborazione diventerà inoltre particolarmente rilevante con la prossima generazione di spettrometri di imaging della NASA, per i quali è previsto un aumento della copertura osservativa compreso tra 30 e 50 volte.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)