MAPL-EMIT: Wie Deep Learning die Erkennung von Methanemissionen per Satellit verbessert

Was ist MAPL-EMIT?

MAPL-EMIT, kurz für Methane Analysis and Plume Localization with EMIT, ist ein Deep-Learning-Framework, das Methanemissionen per Satellit auf der Ebene einzelner Anlagen erkennt. Forschende von Google Research, dem Jet Propulsion Laboratory der NASA und der Carnegie Institution for Science beschreiben es in einem Artikel, der am 1. September 2026 in den Proceedings of the National Academy of Sciences erschien, ergänzt um einen Preprint auf arXiv.

Das Modell liest kalibrierte Strahldichten von EMIT, einem Bildspektrometer an Bord der Internationalen Raumstation, und beantwortet drei Fragen zugleich: wie viel zusätzliches Methan in jedem Pixel steckt, wo die Grenze jeder Fahne verläuft und woher das Gas am wahrscheinlichsten stammt. Die meisten bestehenden Verfahren berechnen zuerst Anreicherungen mit einem Matched-Filter und trennen die Fahnen dann von Hand oder mit einem zweiten Modell.

Die Einleitung des Artikels erklärt, warum das wichtig ist. Das Treibhauspotenzial von Methan über 20 Jahre ist 81- bis 86-mal so hoch wie das von Kohlendioxid, und das Gas verursacht rund 25 % der menschengemachten Erwärmung seit Beginn der Industrialisierung. Da es nur etwa neun Jahre in der Atmosphäre verbleibt, wirken Minderungen schnell; über 125 Länder haben sich der Global Methane Pledge angeschlossen, um die Emissionen um 30 % bis 2030 zu senken.

Warum ist es so schwierig, Methanemissionen per Satellit zu erkennen?

Methanemissionen per Satellit zu erkennen ist schwierig, weil kein heutiges Instrument große Abdeckung, kleine Pixel und feine spektrale Auflösung vereint. Methan ist unsichtbar; Sensoren finden es über schmale Absorptionsbanden im kurzwelligen Infrarot, und ein Leck an einer Anlage bedeckt nur wenige Pixel vor hellem, wechselhaftem Untergrund, der dasselbe Signal vortäuschen kann.

Der Artikel beschreibt den Zielkonflikt. TROPOMI erfasst den ganzen Planeten täglich, aber mit Pixeln von etwa 5,5 mal 3,5 km, zu grob für einzelne Standorte. Kommerzielle Systeme wie GHGSat erreichen 25 m, decken aber wenig Fläche ab und beschränken den Datenzugang. Multispektrale Missionen wie Sentinel-2 und Landsat liegen dazwischen, doch ihre breiten Bänder zeigen nur sehr große Freisetzungen.

EMIT, ursprünglich für die Kartierung von Mineralen in Trockengebieten gebaut, erwies sich als brauchbarer Kompromiss: Es zeichnet 285 Bänder zwischen 381 und 2.493 nm mit 60 m Auflösung über einen 80 km breiten Streifen auf. Üblich ist, Methan aus solchen Daten mit einem adaptiven Matched-Filter und anschließender Expertenprüfung zu bestimmen; Oberflächenstörungen, unebenes Gelände und Retrieval-Artefakte erzeugen dabei Fehlalarme, die sich weltweit nur mühsam ausräumen lassen.

Wie funktioniert MAPL-EMIT?

MAPL-EMIT behandelt jede EMIT-Kachel von 256 × 256 Pixeln als Bild mit Hunderten von Kanälen. Ein Transformer-Encoder betrachtet das Spektrum jedes Pixels und die Muster in seiner Umgebung. So kann das Modell eine vom Wind geformte Fahne von einer Bodenfläche unterscheiden, die lediglich eine ähnliche spektrale Signatur hat.

Laut Artikel folgt das Netz einem U-Net-Aufbau: Ein Swin-v2-S-Transformer-Encoder mit etwa 30 Millionen Parametern verdichtet die Eingabe, und ein konvolutionaler Decoder stellt über Skip-Verbindungen die volle Auflösung wieder her. Neben den EMIT-L1B-Strahldichten erhält das Modell Sonnen- und Satellitenzenitwinkel sowie die Querspurposition jedes Pixels; die Strahldichten werden zudem normiert, um Streifen des Detektors zu verringern.

Der Decoder speist drei Gruppen von Ausgabeköpfen. Jede Gruppe hat 10 Slots, einen pro möglicher Fahne in einer Kachel. Im Training ordnet die ungarische Methode (Hungarian Matching) die vorhergesagten Slots den echten Fahnen zu, sodass die Reihenfolge der Ausgaben keine Rolle spielt.

Für ein vollständiges EMIT-Granule von rund 5.700 km² gleitet das Kachelfenster in Schritten von 64 Pixeln, sodass jeder Ort in bis zu 16 überlappenden Durchläufen erfasst wird. Die Ausgaben werden zu einer Anreicherungskarte verschmolzen, Duplikate zusammengeführt, und jede verbleibende Fahne durchläuft eine physikalisch begründete Spektralprüfung.

• Quantifizierung der Anreicherung. Jeder Slot sagt Pixel für Pixel die zusätzliche Methansäule seiner Fahne voraus. Die Verlustfunktion arbeitet mit Quadratwurzelwerten, damit schwache Fahnen nicht von starken überdeckt werden.
• Abgrenzung der Fahnen. Ein zugehöriger Maskenkopf zeichnet die Fläche jeder Fahne nach und hält benachbarte Fahnen auch dann auseinander, wenn ihre Ausläufer in Windrichtung verschmelzen.
• Lokalisierung der Quelle. Ein Ursprungskopf markiert eine kleine Scheibe um den wahrscheinlichen Emissionspunkt; der nach Wahrscheinlichkeit gewichtete Mittelpunkt dieser Scheibe liefert die geschätzten Quellkoordinaten.

Training mit 3,6 Millionen simulierten Fahnen

Da es keine gelabelte Sammlung von Millionen realer Fahnen gibt, erzeugte das Team eine eigene. Es simulierte 3,6 Millionen Methanfahnen mit einem Lagrange-Puff-Modell und fügte sie in echte EMIT-Strahldichten ein. So lernte das Modell auf realen Hintergründen mit exakt bekannten Fahnen darüber.

Jede simulierte Quelle gibt Gas mit Unterbrechungen ab, und Simplex-Rauschen steuert ein stochastisches Windfeld, das Wirbel und Turbulenz erzeugt. Die Simulationen sind zweidimensional, weil ein Satellit nur die Gesamtsäule misst, und laufen auf einem Raster aus 60-m-Zellen. Pro Trainingskachel werden bis zu 10 Fahnen eingefügt, so gehäuft, dass sich manche Ausläufer überlappen, und auf Emissionsraten zwischen 100 und 10.000 kg/h skaliert.

Um eine Gassäule in das zu übersetzen, was EMIT aufzeichnen würde, berechneten die Autoren die Methantransmission Linie für Linie aus der HITRAN-Datenbank, legten sie in einer Nachschlagetabelle ab und wandten das Lambert-Beer-Gesetz an. Streuung, Wasserdampf und Aerosole blieben aus Geschwindigkeitsgründen unberücksichtigt; eine Sensitivitätsanalyse fand keinen klaren Zusammenhang zwischen Retrieval-Fehler und Wasserdampf- oder Aerosolgehalt.

Die Hintergründe stammen aus rund 235 Tausend EMIT-Kacheln mit je einem zufälligen Datum pro Ort, aufgeteilt zu 70 %, 15 % und 15 % auf Training, Validierung und Test. Jede zehnte Trainingsprobe enthielt keine Fahne, damit das Modell nicht überall eine erwartet. Das Training dauerte rund 96 Stunden auf 32 Google-TPU-Chips.

Wie genau ist MAPL-EMIT bei simulierten Fahnen?

Auf einem zurückgehaltenen synthetischen Testsatz steigt die Präzision für einzelne Fahnen laut den Autoren von 0,80 in der schwächsten Klasse auf 0,97 in der stärksten, der Recall von 0,33 auf 0,93. Schwach bedeutet hier 50 bis 100 kg/h pro m/s Wind, also etwa 125 bis 250 kg/h bei typischen 2,5 m/s.

Der Fehler der Anreicherung auf Pixelebene, gemessen als normierter RMSE, reicht von 6 % für die am stärksten angereicherten Pixel über 2500 ppm-m bis 26 % für Pixel zwischen 250 und 500 ppm-m und wächst bei schwächeren Pixeln. Über ganze Fahnen summiert heben sich Fehler teilweise auf; übrig bleiben 8 % in der stärksten und 24 % in der schwächsten Klasse. Vorhergesagte Quellen liegen im Mittel 101 m (1,68 Pixel) vom wahren Ursprung entfernt.

Überlappende Fahnen kosten wenig: Erkennung und Quantifizierung sinken außerhalb der schwächsten Klasse nur mäßig, und der mittlere Quellfehler bleibt bei 103 m. Im Hauptarbeitsbereich der Autoren von 100 bis 200 kg/h pro m/s, etwa 250 bis 500 kg/h bei 2,5 m/s, liegen Präzision, Recall und F1 jeweils über 50 %. Die Autoren sprechen von einer etwa 2- bis 4-fachen Verbesserung gegenüber früheren Modellen, die eine Erkennungswahrscheinlichkeit von 10 % erst bei rund 1000 kg/h erreichen.

Ergebnisse im Vergleich mit den von NASA-Fachleuten annotierten Fahnen

Gemessen an den von Fachleuten geprüften EMIT-L2B-Methanfahnenkomplexen der NASA findet MAPL-EMIT laut den Autoren 84 % der verzeichneten Fahnen. Der Test umfasste 1084 EMIT-Granules mit 1689 katalogisierten Fahnen; eine Fahne galt als gefunden, wenn sich die Umrisse überschnitten.

Das Modell findet zudem deutlich mehr Kandidaten. Nach einem Filter, der nur Fahnen über Land behält, die in mehr als 13 von 16 überlappenden Durchläufen auftraten, blieben 2210 der anfänglich 3672 Erkennungen übrig, und nur 67 % davon entsprechen einem Katalogeintrag. Die Autoren führen die Lücke auf schwache Fahnen zurück, die ein Matched-Filter nicht vom Rauschen trennen kann, auf starke Fahnen, die der Katalog wegen strenger Prüfregeln ausließ, und auf einige Falschmeldungen.

Auch die physikalische Übereinstimmung verbesserte sich. Im Vergleich mit einer unabhängigen spektralen Anpassung messen die Autoren einen symmetrischen mittleren absoluten prozentualen Fehler von 56 % für MAPL-EMIT und 117 % für das L2B-Produkt auf denselben Granules. Das spricht dafür, dass die Karten des Modells weniger verrauschte Extremwerte enthalten.

Unabhängige Prüfungen: Deponien, Flugzeugdaten und kontrollierte Freisetzungen

Vier weitere Tests prüfen Fehlalarme und schwache Fahnen, und sie weisen in dieselbe Richtung: Das Modell findet reale Emissionen, die Standardprodukte übersehen, während die Zahl unbestätigter Erkennungen messbar und filterbar bleibt.

• Nahezu leere Granules. In 20.000 Granules, in denen das NASA JPL kaum Fahnen erwartet, lieferte das Modell nach dem Filtern 1513 Erkennungen, von denen spektrale Anpassungen 355 stützten. Die übrigen 1158, etwa 0,07 pro Granule, werten die Autoren als konservative Obergrenze für Falschmeldungen, meist über hügeligem Gelände oder dichtem Wald.
• Deponien mit den höchsten Emissionen. An den 25 am stärksten emittierenden Deponien der Welt meldete MAPL-EMIT, ohne Wind- oder Standortdaten, potenzielle Fahnen an 24, gegenüber 17, die zuvor für das L2B-Produkt berichtet wurden. Zudem verfolgte es eine dauerhafte Quelle in Amman, Jordanien, über wiederholte Überflüge.
• Vergleich mit Flugzeugdaten. Bei AVIRIS-3-Flügen innerhalb von 30 Minuten um einen EMIT-Überflug blieben bei 60 m Auflösung drei Fahnen aus der Luft erkennbar. MAPL-EMIT fand zwei davon, ohne Falschmeldungen und mit einem Signal-Rausch-Verhältnis von 8,60, gegenüber 1,21 für die umgerechneten Flugzeugdaten und 0,40 für L2B.
• Kontrollierte Freisetzungen. Bei den kontrollierten Freisetzungsexperimenten aus Stanford in Arizona erkannte das Modell fünf von sieben Freisetzungen, die EMIT erfasste; eine sechste zeigte sich in der Anreicherungskarte, blieb aber unter der Fahnenschwelle.

Wo liegen die Grenzen von MAPL-EMIT?

Falsch-positive Erkennungen sind die wichtigste Einschränkung, die die Autoren nennen. Wie andere Detektoren auf Basis maschinellen Lernens meldet MAPL-EMIT weit mehr ungeprüfte Fahnen als von Fachleuten geprüfte Kataloge, und ohne vollständige Referenzdaten lässt sich die wahre Fehlerrate nicht genau bestimmen. Eine gewisse Prüfung der vom Modell gefundenen Fahnen kann daher weiterhin nötig sein.

Unsere Analyse: Der stärkste Beleg ist die Übereinstimmung über mehrere unvollkommene Referenzen hinweg, nicht ein einzelner Wert. Wer Detektoren vergleicht, sollte prüfen, auf welchem Referenzdatensatz, welchen Filtern und welcher Fahnendefinition jede Zahl beruht.

• Unvollständige Abdeckung. Das Modell übersieht etwa 16 % der L2B-Fahnenkomplexe, sein eigener Katalog ist also ebenfalls nicht vollständig.
• Konfidenzstufen. Fahnen mit hoher Konfidenz treten in drei oder mehr getrennten EMIT-Beobachtungen auf. Fahnen mit mittlerer Konfidenz fehlt diese Wiederholung, daher rät der Katalog vor ihrer Nutzung zu zusätzlicher Filterung, etwa mit bekannter Infrastruktur oder der lokalen Windrichtung.
• Schwierige Szenen. Synthetische Tests zeigen die meisten Fehler dort, wo sich Fahnen drängen, wo Emissionen unterbrochen oder zerrissen sind, und über dunklen Oberflächen wie Wasser.
• Indirekte Prüfung des Realismus. Die synthetischen Fahnen ließen sich nicht direkt mit vielen realen vergleichen; ihr Realismus wird aus der Leistung des Modells auf echten Daten abgeleitet.
• Vereinfachte Physik und Sensordrift. Der Strahlungstransport vernachlässigt Streuung, Wasserdampf und Aerosole, und die Genauigkeit bei künftigen Daten hängt von der Sensorkalibrierung ab. Ein Neutraining ist jedoch einfach, weil die Labels aus der Simulation stammen.
• Emissionsraten. Das Modell liefert Anreicherungen, keine Leckraten; für die Umrechnung in kg/h braucht es weiterhin Winddaten. Eine durchgängige Schätzung der Rate ist als künftige Arbeit geplant.

Warum das für angewandte KI und Unternehmens-KI wichtig ist

Unsere Analyse: MAPL-EMIT zeigt ein Muster, das weit über die Klimaforschung hinaus trägt. Wenn reale Labels knapp sind, die Physik aber gut verstanden ist, kann Simulation Trainingsdaten in großem Umfang liefern, vorausgesetzt, das so trainierte Modell wird anschließend an realen Referenzen geprüft.

Drei Gestaltungsentscheidungen lassen sich auf andere Mess- und Inspektionsaufgaben übertragen. Wer verwandte Ausgaben in einem Modell löst, hier Menge, Form und Ursprung, vermeidet Fehler, die zwischen Verarbeitungsstufen weitergereicht werden. Eine unabhängige Prüfung jeder Vorhersage, etwa die spektrale Anpassung, gibt dem Betrieb einen Grund, sie anzunehmen oder zu verwerfen. Und wer Werte statt einer festen Schwelle veröffentlicht, lässt alle Nutzenden die eigene Balance zwischen übersehenen Ereignissen und Fehlalarmen wählen.

Sind Daten, Modell und Code von MAPL-EMIT zugänglich?

Ja. Die Autoren haben die Fahnendatenbank und die Anreicherungskarten zusammen mit einer App zum Durchsuchen auf Google Earth Engine veröffentlicht. Kaggle stellt das trainierte Modell und die 3,6 Millionen synthetischen Fahnen bereit, GitHub den Inferenzcode.

Der aktuelle Eintrag im Earth-Engine-Katalog, der eine frühere Auflistung derselben Sammlung ersetzt, umfasst Fahnendaten vom 10. August 2022 bis 9. Juni 2026 unter CC BY 4.0 und verlangt die Namensnennung „This dataset is produced by Google“. Jede Fahne enthält Anreicherung, Fahnen- und Ursprungswahrscheinlichkeiten, Abstände der spektralen Anpassung, eine Erkennungszahl, ERA5-Windkomponenten und eine Konfidenzmarke mit der Stufe hoch oder mittel.

Die GitHub-Bibliothek steht unter der Lizenz Apache 2.0. Sie rechnet die Inferenz kachelweise, fasst Duplikate zusammen und prüft Fahnen spektral, auf Basis von EMIT-L1B-Strahldichte- und Beobachtungsdateien aus NASA Earthdata. Ihre Parquet-Ausgaben enthalten Fahnenumrisse, Quellpunkte, Anpassungsmetriken und eine auf ERA5-Wind gestützte Schätzung der Emissionsrate.

Fragen und Antworten

Quellen

1. Batchu, V. V., Conserva, M., Wilson, A., Michalak, A. M., Gulshan, V., Brodrick, P. G., Thorpe, A. K., & Arsdale, C. V. (2026). Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT. Proceedings of the National Academy of Sciences, 123(36), e2612145123. https://doi.org/10.1073/pnas.2612145123 (externe Website)
2. Batchu, V. V., Conserva, M., Wilson, A., Michalak, A. M., Gulshan, V., Brodrick, P. G., Thorpe, A. K., & Arsdale, C. V. (2026). Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT [Preprint]. arXiv:2604.10094. https://arxiv.org/abs/2604.10094 (externe Website)
3. Google Research. (2026). MAPL: Methane Analysis and Plume Localization [Computer software]. GitHub. https://github.com/google-research/mapl (externe Website)
4. Google Research. (2026). MAPL-EMIT: Modeled methane plumes, version 1.0 [Data set]. Google Earth Engine Data Catalog. https://developers.google.com/earth-engine/datasets/catalog/projects_climate-and-sustainability_assets_ghg_emit_mapl_emit_plumes_v1_0 (externe Website)
5. Batchu, V. (2026). MAPL-EMIT model for global methane plume detection [Model]. Kaggle. https://www.kaggle.com/models/vishalbatchu/emit-methane-plume-detection-and-quantification (externe Website)
6. Batchu, V. (2026). Synthetic puff-based plumes [Data set]. Kaggle. https://www.kaggle.com/datasets/vishalbatchu/synthetic-puff-based-overlapping-plumes (externe Website)
7. Thorpe, A., Brodrick, P., Chadwick, D., Lopez, A., Villanueva-Weeks, C., Fahlen, J., Jensen, D., Bender, H., Vinckier, Q., Xiang, C., Olson-Duvall, W., Chlus, A., Lundeen, S., Thompson, D., & Green, R. (2026). EMIT L2B estimated methane plume complexes 60 m V002 [Data set]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/EMIT/EMITL2BCH4PLM.002 (externe Website)