［開発者向け］宇宙からメタン排出源を自動で突き止める——Googleの深層学習モデル「MAPL-EMIT」

2026-09-08

はじめに

　Google Researchが2026年9月1日、衛星観測データから世界規模でメタンの排出源を自動検出する深層学習モデル「MAPL-EMIT」を発表しました。成果はPNAS（米国科学アカデミー紀要）に掲載され、モデルや検出データも公開されています。本稿では仕組みと性能を解説します。

参考記事

タイトル: Mapping global methane emissions from space with deep learning
著者: Vishal Batchu、Michelangelo Conserva
発行元: Google Research
発行日: 2026年9月1日
URL: https://research.google/blog/mapping-global-methane-emissions-from-space-with-deep-learning/

要点

MAPL-EMITは、NASAのセンサー「EMIT」の観測データからメタンプルームの検出・濃度定量・発生源推定を同時に行う深層学習モデルである
Swin-S Transformerを用い、画素単位ではなく周囲の空間的な文脈を含めて解析する点が従来手法との違いである
ラベル付きの実データが不足するため、物理シミュレーションで生成した360万件の合成プルームをEMIT画像に重ねて学習させている
Googleによれば、NASAの基準データセットにおける専門家注釈プルームの84%を捉え、約1,100グラニュールにわたり妥当なプルームを約50%多く検出した
プルームデータベースはGoogle Earth Engine、学習済みモデルと合成データはKaggle、推論ライブラリはGitHubで公開されている

詳細解説

なぜメタンの排出源特定が急がれるのか

　メタンは温室効果ガスの一つで、Google Researchによれば、100年の時間軸で見た温暖化への寄与は二酸化炭素の約30倍にあたり、産業革命以降の人為的な温暖化のおよそ25%を占めるとされています。大気中に留まる期間が比較的短いため、排出を早く減らせば気温上昇の抑制に短期間で効くという性質もあります。

　125を超える国が2030年までに排出量を30%削減すると約束した「グローバル・メタン・プレッジ」のもと、石油・ガス施設や農業施設、埋立地など、数十メートル規模の狭い範囲から出る「点源」を個別に追跡することが課題とされています。

EMITセンサーと観測のトレードオフ

　今回利用されたのは、国際宇宙ステーションに搭載されたNASAのEMIT（Earth Surface Mineral Dust Source Investigation）です。もともとは乾燥地域の鉱物組成を調べる装置ですが、画素ごとに数百の波長帯を記録するハイパースペクトル観測により、目には見えないガス固有の吸収パターンを識別できます。NASAジェット推進研究所（JPL）の研究者らが、この特性をメタン検出に応用してきました。

　宇宙からのメタン観測では、視野の広さ・空間分解能・波長分解能の三つを同時には満たせません。広域観測型のTROPOMIは約2,600kmの観測幅と0.1nmの細かい波長サンプリングを持つ一方、空間分解能は約5.5km×3.5kmにとどまります。対してEMITは観測幅80kmと引き換えに60mの空間分解能を備えます。施設単位の排出を見分ける用途では、後者のような設計が適していると言えます。

空間の文脈を読み取るVision Transformer

　MAPL-EMITは、Swin-S Transformerを土台とした、入力から出力までを一貫して学習するVision Transformerとして構築されています。従来の手法の多くが画素ごとにスペクトルを解析してきたのに対し、このモデルは光のスペクトル全体と周囲の空間的な広がりを合わせて扱います。ガスが風下へどう拡散するかという形状の情報を使うことで、似たスペクトルを持つ地表面をメタンと取り違える問題を抑えられるとされています。

　さらにMAPL-EMITは、画素ごとの濃度上昇量の定量、プルームの形状の切り出し、拡散を遡っての発生源位置の特定という三つの課題を 同時に 解きます。工業地帯のように複数の施設からの排出が一つの雲に重なる場面でも、個々のプルームと発生源を分けて扱える点が特徴です。この取り組みは、衛星画像や気象・人口動態データを統合する地理空間AI基盤として発表されたGoogle Earth AIの一環にも位置づけられています。

360万件の合成プルームによる学習

　Transformer系のモデルには大量の学習データが必要ですが、世界規模でラベル付けされた実際のメタン排出データは存在しません。そこでGoogleは物理シミュレーションの枠組みを用意し、360万件の合成プルームをEMIT画像に注入して学習データを作りました。拡散の再現には、粒子が大気中を移動・拡散する過程を追うラグランジュ型パフモデルが使われています。

　合成データを用いることで、大規模な漏出から小さく断続的な排出までの幅や、重なり合うプルームと発生源の正解ラベルを揃えられます。実測では網羅しにくい条件を計算で補える点が、この設計の利点だと考えられます。

実運用での性能と偽陽性への対応

　Googleによれば、NASAが公開する基準データセット「L2B methane plumes」との比較で、MAPL-EMITは専門家が注釈を付けたプルームの84%を捉えました。加えて約1,100のEMITグラニュール（観測データを分割した単位）にわたり、妥当と見られるプルームを約50%多く検出したとされています。世界の排出量上位25カ所の埋立地のうち24カ所でプルームの把握に成功したことも報告されています。

　感度の高いモデルでは偽陽性が課題になりやすく、地形が複雑な地域では残る問題だと説明されています。この点には、物理ベースのスペクトル適合による信頼度スコアや検出回数などを組み合わせ、各プルームに「高い」「低い」の信頼度タグを付ける方法が採られています。利用者が用途に応じて、見逃しと誤検出のバランスを調整できる設計だと言えます。

公開されたデータとモデル

　検出結果のプルームデータベースと濃度上昇量のデータセットはGoogle Earth Engineで、学習済みモデルと合成プルームのデータセットはKaggleで、推論ライブラリはGitHubで公開されています。可視化用のEarth Engineアプリも用意されており、専門的な処理環境がなくても分布を確認できます。

　NASAは次世代のイメージング分光計の打ち上げを準備しており、観測範囲は30〜50倍に広がる見込みだとされています。増えるデータ量に自動処理が追いつけるかどうかが、今後の実用性を左右すると考えられます。