Individuare dallo spazio le principali emissioni di metano, stimarne l’intensità e risalire alla fonte che le ha generate. È l’obiettivo di MAPL-EMIT, il nuovo sistema basato sul deep learning sviluppato da Google Research in collaborazione con il Jet Propulsion Laboratory della NASA.
Il progetto applica l’intelligenza artificiale ai dati iperspettrali raccolti dallo strumento EMIT installato sulla Stazione spaziale internazionale. La ricerca, pubblicata sulla rivista scientifica Proceedings of the National Academy of Sciences, punta ad automatizzare un’attività fondamentale per accelerare la riduzione di uno dei gas serra più rilevanti per il riscaldamento globale.
Perché è importante monitorare le emissioni di metano
Il metano ha una permanenza nell’atmosfera più breve rispetto all’anidride carbonica, ma possiede una capacità di riscaldamento molto più elevata. Su un periodo di cento anni, il suo potenziale climalterante è circa 30 volte superiore a quello della CO₂.
Secondo i dati richiamati da Google Research, il metano ha contribuito a circa il 25% del riscaldamento globale causato dalle attività umane dall’inizio dell’era industriale. Ridurne rapidamente le emissioni rappresenta quindi una delle strade più efficaci per rallentare nel breve periodo l’aumento delle temperature.
Il problema riguarda soprattutto il settore energetico, le discariche e alcune attività agricole e zootecniche. In molti casi le emissioni provengono da fonti localizzate, come pozzi, condotte, impianti industriali o infrastrutture per la gestione dei rifiuti. Identificarle con precisione permette di concentrare gli interventi dove possono produrre i risultati maggiori. (Leggi anche il servizio A caccia di emissioni con satelliti e AI e La prevenzione via satellite n.d.r.)
Come si osservano le emissioni di metano dallo spazio
Il metano è invisibile all’occhio umano, ma lascia una particolare impronta nella radiazione elettromagnetica. Gli strumenti iperspettrali possono riconoscerla analizzando centinaia di bande della luce associate a ciascun pixel dell’immagine.
EMIT, acronimo di Earth Surface Mineral Dust Source Investigation, era stato inizialmente progettato dalla NASA per studiare la composizione dei minerali nelle regioni aride. La sensibilità dello strumento ha però permesso ai ricercatori di utilizzarlo anche per individuare le firme chimiche del metano.
Il sensore combina un campo di osservazione largo circa 80 chilometri con una risoluzione spaziale di 60 metri. Queste caratteristiche lo rendono adatto a osservare le emissioni a livello di singolo impianto, anche se con una copertura inferiore rispetto ai satelliti che misurano le concentrazioni atmosferiche su scala più ampia.
La difficoltà di costruire una mappa delle emissioni
Trasformare le immagini raccolte dallo spazio in una mappa affidabile delle emissioni non è semplice. Materiali presenti sulla superficie terrestre possono infatti produrre segnali simili a quelli del metano, generando rumore o falsi rilevamenti.
I metodi tradizionali analizzano spesso i dati spettrali pixel per pixel. Questo approccio può avere difficoltà nel distinguere un vero pennacchio di gas da un’area del terreno con caratteristiche spettrali simili.
La situazione diventa ancora più complessa nelle zone industriali, dove le emissioni prodotte da impianti vicini possono sovrapporsi e formare una nube apparentemente unica. Per affrontare questi problemi, Google ha scelto di analizzare non soltanto lo spettro luminoso, ma anche il contesto spaziale dell’intera scena.
Come funziona il modello MAPL-EMIT
MAPL-EMIT significa Methane Analysis and Plume Localization with EMIT. Il sistema utilizza un’architettura di tipo Vision Transformer capace di elaborare contemporaneamente le informazioni spettrali e la distribuzione del gas sul territorio.
Osservando il modo in cui il metano si disperde sotto l’effetto del vento, il modello può distinguere un pennacchio reale da un’anomalia della superficie. L’analisi della forma e della direzione della nube aiuta inoltre a ricostruire il punto dal quale è partita l’emissione.
MAPL-EMIT svolge tre attività in modo simultaneo:
- misura l’aumento della concentrazione di metano in ogni pixel,
- delimita la forma del pennacchio
- ne localizza la fonte.
Può poi anche separare emissioni sovrapposte provenienti da impianti differenti.
3,6 milioni di pennacchi simulati per addestrare l’AI
L’addestramento di un modello di deep learning richiede enormi quantità di dati etichettati. Nel caso del metano, tuttavia, non esiste un archivio globale composto da milioni di pennacchi reali già classificati dagli esperti. Per superare questo limite, i ricercatori hanno sviluppato un sistema di simulazione basato sulla fisica. Sono stati generati 3,6 milioni di pennacchi sintetici, successivamente inseriti all’interno di scene reali osservate da EMIT.
Le simulazioni hanno riprodotto la dispersione delle particelle nell’atmosfera, considerando condizioni geografiche, meteorologiche e livelli emissivi differenti. Il modello ha così imparato a riconoscere grandi fughe di metano, emissioni più deboli o intermittenti e pennacchi che si sovrappongono.
I risultati raggiunti dal nuovo sistema
Nei test condotti sul dataset di riferimento L2B della NASA, MAPL-EMIT ha rilevato l’84% dei pennacchi precedentemente individuati e annotati dagli esperti. Analizzando circa 1.100 porzioni di immagini EMIT, il modello ha inoltre identificato approssimativamente il 50% in più di pennacchi plausibili rispetto al dataset utilizzato per il confronto. Il risultato mostra una maggiore sensibilità nella separazione dei segnali più deboli dal rumore dello sfondo.
Il sistema ha dimostrato di poter operare anche in contesti complessi. In particolare, ha mappato pennacchi in 24 delle 25 discariche con le emissioni più elevate considerate dalla ricerca. Le osservazioni ripetute permettono anche di riconoscere le fonti che continuano a emettere nel tempo.
Il problema dei falsi positivi
Una sensibilità più elevata può aumentare il rischio di falsi positivi, soprattutto in presenza di superfici o condizioni ambientali particolarmente complesse. Google Research riconosce questo limite e associa ai risultati specifici indicatori di affidabilità. Ogni pennacchio è accompagnato da punteggi di confidenza basati sulla coerenza fisica e spettrale del segnale e sulla frequenza con cui viene rilevato durante l’elaborazione. Le emissioni sono inoltre classificate con un livello di confidenza più basso o più alto.
Queste informazioni permettono agli utilizzatori di trovare un equilibrio tra la capacità di intercettare anche i segnali meno evidenti e la necessità di ridurre il rischio di identificazioni errate. I dati satellitari e le stime dell’AI restano quindi strumenti da interpretare e, quando necessario, da integrare con verifiche ulteriori.
Dati e modello messi a disposizione della ricerca
Google ha reso disponibili la banca dati globale dei pennacchi su Earth Engine e un’applicazione per visualizzarli in modo interattivo. Il modello addestrato e il dataset delle emissioni sintetiche sono stati pubblicati su Kaggle, mentre la libreria per eseguire le analisi è accessibile su GitHub. La scelta consente a ricercatori, istituzioni, imprese e organizzazioni ambientali di esaminare i risultati, sviluppare nuove applicazioni e adattare il sistema alle proprie esigenze.
Il progetto si inserisce in Google Earth AI, l’insieme di modelli geospaziali e dataset attraverso cui l’azienda punta a trasformare i dati planetari in informazioni utilizzabili per affrontare problemi ambientali e sociali.
Dalla rilevazione all’azione climatica
La mappatura non riduce direttamente le emissioni, ma permette di individuare con maggiore rapidità dove intervenire. Un gestore può utilizzare queste informazioni per rilevare una perdita, controllare una discarica o verificare se un’azione correttiva ha prodotto risultati. Anche le autorità pubbliche possono impiegare mappe e serie temporali per definire priorità, verificare il rispetto degli impegni climatici e indirizzare le attività di controllo verso le fonti più rilevanti.
L’importanza degli strumenti automatici è destinata a crescere con l’arrivo della nuova generazione di spettrometri satellitari della NASA, che dovrebbe ampliare la copertura osservativa di un fattore compreso tra 30 e 50. Di fronte a un volume di dati molto più elevato, l’analisi manuale non sarebbe sufficiente.
L’integrazione tra osservazione satellitare, modelli fisici e deep learning può così costruire un sistema di monitoraggio più rapido e scalabile. Il passaggio decisivo sarà trasformare le informazioni sulle emissioni in interventi tempestivi e verificabili, avvicinando la capacità di osservare il metano alla possibilità concreta di ridurlo.
Partecipa alla community