Google và NASA JPL ra mắt khung học sâu MAPL-EMIT để lập bản đồ phát thải khí methane toàn cầu

Methane là một loại khí nhà kính mạnh; trong khung thời gian 100 năm, tiềm năng gây nóng lên của nó lớn gấp 30 lần so với carbon dioxide. Trên thực tế, nó đã gây ra khoảng 25% tình trạng nóng lên toàn cầu do con người tạo ra kể từ khi bắt đầu kỷ nguyên công nghiệp. Vì methane có vòng đời tương đối ngắn trong khí quyển, việc nhanh chóng cắt giảm lượng khí thải này mang lại một lộ trình "hành động nhanh" quan trọng để giảm thiểu sự gia tăng nhiệt độ toàn cầu.

Sự cấp bách này được phản ánh trong Cam kết Methane Toàn cầu (Global Methane Pledge), nơi hơn 125 quốc gia đã cam kết giảm 30% lượng khí thải vào năm 2030. Để đạt được các mục tiêu này, chúng ta phải trao quyền cho các bên liên quan để theo dõi các nguồn phát thải điểm cục bộ (lượng khí thải xảy ra từ một phạm vi không gian nhỏ chỉ vài chục mét) trên khắp các lĩnh vực chất thải, nông nghiệp và năng lượng. Các chiến lược hiệu quả nhất về chi phí là giảm thiểu khí thải từ cơ sở hạ tầng dầu khí, các cơ sở nông nghiệp và các bãi chôn lấp.

Để theo dõi lượng khí thải này trên quy mô toàn cầu, các nhà khoa học ngày càng dựa vào hình ảnh từ không gian. Một ví dụ điển hình là thiết bị Điều tra Nguồn Bụi Khoáng Bề mặt Trái đất (EMIT) của NASA trên Trạm Vũ trụ Quốc tế. Mặc dù ban đầu được thiết kế để lập bản đồ thành phần khoáng chất ở các vùng khô hạn, các nhà khoa học tại Phòng Thí nghiệm Sức đẩy Phản lực (JPL) của NASA và cộng đồng khoa học rộng lớn hơn đã tận dụng khả năng siêu phổ tiên tiến của EMIT để phát hiện khí thải methane. Bằng cách ghi lại hàng trăm dải ánh sáng riêng biệt cho mỗi pixel, thiết bị này cho phép các nhà nghiên cứu "nhìn thấy" dấu vân tay hóa học độc đáo của các loại khí vốn vô hình này.

Tiếp nối những khoản đầu tư này, trong bài báo “Giám sát toàn cầu các nguồn phát thải methane điểm bằng cách sử dụng học sâu trên các phép đo bức xạ siêu phổ từ EMIT”, được công bố trên Kỷ yếu Viện Hàn lâm Khoa học Quốc gia (PNAS), chúng tôi mô tả một phương pháp mới giúp chuyển đổi dữ liệu vệ tinh thô thành hành động giảm thiểu có thể mở rộng. Phân tích Methane và Định vị Đám mây khí với EMIT (MAPL-EMIT) là một khung học sâu đại diện cho một bước tiến quan trọng hướng tới việc tự động hóa quá trình phát hiện, dự đoán mức tăng cường và ước tính nguồn phát thải methane trên toàn cầu. Chúng tôi chứng minh cách MAPL-EMIT đạt được độ thu hồi cao 84% trên các đám mây khí được chuyên gia chú thích và có tỷ lệ tín hiệu trên nhiễu cao so với các phương pháp tăng cường dựa trên bộ lọc khớp (matched-filter) hiện có. Để hỗ trợ cộng đồng khoa học rộng lớn hơn, chúng tôi đang phát hành cơ sở dữ liệu đám mây khí toàn cầu của mình trên Earth Engine cùng với mô hình đã được huấn luyện và các đám mây khí tổng hợp trên Kaggle, cũng như thư viện suy luận trên Github.

Thách thức trong việc phát hiện methane từ không gian

Việc đo lường methane từ không gian đòi hỏi phải cân bằng ba yếu tố chính: (1) trường nhìn (độ bao phủ không gian/tần suất quay lại), (2) độ phân giải không gian và (3) độ phân giải phổ.

Các hệ thống lập bản đồ toàn cầu như TROPOMI được thiết kế để phát hiện những thay đổi nhỏ trong nồng độ methane nền bằng cách tích hợp độ bao phủ cao (chiều rộng dải quét khoảng 2.600 km), độ phân giải không gian thô (khoảng 5,5 km x 3,5 km) và lấy mẫu phổ mịn (0,1 nm).

Ngược lại, các hệ thống lập bản đồ nguồn điểm như EMIT vượt trội trong việc đo lường lượng khí thải methane ở quy mô cơ sở. Chúng đạt được điều này bằng cách kết hợp độ bao phủ vừa phải (trường nhìn rộng 80 km) với độ phân giải không gian rất cao (60 mét) và độ phân giải phổ vừa phải (lấy mẫu phổ 7,4 nm), đủ để nắm bắt dấu hiệu hóa học của methane với tỷ lệ tín hiệu trên nhiễu cao.

Tuy nhiên, việc khai thác hoàn toàn tiềm năng của dữ liệu phong phú này trên quy mô toàn cầu đặt ra những thách thức bổ sung. Các cảnh quan đa dạng của Trái đất tạo ra một phông nền phức tạp, và một số vật liệu bề mặt có thể giả dạng thành methane, khiến việc xác định các nguồn nhỏ hơn hoặc khuếch tán hơn trở nên đặc biệt khó khăn. Để xây dựng dựa trên công trình nền tảng của nhóm EMIT và cho phép lập bản đồ toàn cầu với lưu lượng cao, chúng tôi hợp tác với họ để áp dụng các mô hình học sâu có thể hiểu được bối cảnh hình ảnh rộng hơn của hiện trường.

Công trình này phù hợp với nỗ lực rộng lớn hơn của Google đằng sau Google Earth AI, bộ sưu tập các mô hình và tập dữ liệu không gian địa lý của chúng tôi nhằm biến dữ liệu hành tinh thành thông tin tình báo có thể hành động. Bằng cách áp dụng học sâu vào hình ảnh vệ tinh trên quy mô lớn, chúng tôi hướng tới việc bổ sung cho các sáng kiến AI hành tinh rộng lớn hơn bằng các công cụ chuyên dụng để giám sát môi trường có mục tiêu.

MAPL-EMIT: Một vision transformer cho khí quyển

Chúng tôi đã xây dựng MAPL-EMIT bằng cách sử dụng kiến trúc vision transformer đầu-cuối (Swin-S transformer). Trong khi nhiều phương pháp phân tích dữ liệu siêu phổ trên cơ sở từng pixel, MAPL-EMIT tận dụng các kỹ thuật thị giác máy tính hiện đại để xử lý toàn bộ quang phổ ánh sáng cùng với bối cảnh không gian xung quanh. Bằng cách phân tích cách khí phân tán trên cảnh quan, mô hình được trang bị tốt hơn để phân biệt một đám mây methane thực sự do gió thổi (một vệt khí methane phân tán từ một nguồn cụ thể) với một mảng mặt đất chỉ đơn giản là có dấu hiệu phổ tương tự, điều mà trước đây thường gây ra các phát hiện methane sai.

Quan trọng hơn, nhận thức không gian này cho phép mô hình gỡ rối các cảnh phức tạp. Ở các khu vực công nghiệp dày đặc, khí thải từ nhiều cơ sở lân cận thường hợp nhất thành một đám mây duy nhất. Để hiểu rõ các kịch bản này, MAPL-EMIT giải quyết đồng thời ba nhiệm vụ riêng biệt:

Học từ hàng triệu đám mây khí mô phỏng

Các mô hình dựa trên transformer đòi hỏi lượng dữ liệu khổng lồ để học, nhưng một tập dữ liệu toàn cầu, được dán nhãn gồm hàng triệu khí thải methane trong thế giới thực đơn giản là không tồn tại. Để vượt qua điều này, chúng tôi đã phát triển một khung mô phỏng dựa trên vật lý. Chúng tôi đã tạo ra 3,6 triệu đám mây methane tổng hợp và đưa chúng trực tiếp vào các cảnh EMIT thực tế. Bằng cách sử dụng các mô hình Lagrangian puff, mô phỏng cách các hạt di chuyển và phân tán trong không khí, chúng tôi đã có thể tái tạo thực tế hỗn loạn, nhiễu động của khí thải thực tế. Việc huấn luyện trên các mô phỏng có độ chân thực cao này cho phép MAPL-EMIT học cách phát hiện methane trong vô số điều kiện khí quyển và địa lý khác nhau. Phương pháp huấn luyện tổng hợp này mang lại một số lợi thế chính:

Mở khóa độ nhạy chưa từng có trong thế giới thực

Khi được triển khai trên dữ liệu vệ tinh thực tế, MAPL-EMIT cho thấy tiềm năng mạnh mẽ cho việc lập bản đồ khí thải có thể mở rộng. Khi so sánh với tập dữ liệu đám mây methane L2B tiêu chuẩn vàng của NASA, mô hình nắm bắt được 84% các đám mây khí được chuyên gia chú thích và xác định thêm khoảng 50% các đám mây khí hợp lý trên khoảng 1100 granule EMIT, thể hiện khả năng tách các tín hiệu tinh vi khỏi nhiễu nền. Xem bài báo để biết thêm chi tiết.

Độ nhạy tăng lên này cũng cho phép MAPL-EMIT nắm bắt đáng tin cậy các khí thải yếu hơn, cải thiện các giới hạn phát hiện hiện tại. Mô hình cũng chứng minh sự mạnh mẽ trong các môi trường phức tạp, lập bản đồ thành công các đám mây khí tại 24 trong số 25 bãi chôn lấp phát thải hàng đầu thế giới.

Như với nhiều mô hình có độ nhạy cao, các kết quả dương tính giả vẫn là một thách thức liên tục, đặc biệt là ở địa hình phức tạp. Để giúp giảm thiểu điều này, các đầu ra được ghép nối với điểm số tin cậy về đám mây khí dựa trên vật lý (khớp phổ), được đánh giá dựa trên số lượng phát hiện qua suy luận bước (strided inference) và được đánh giá bằng cách sử dụng nhiều thuộc tính khác, cho phép người dùng lọc và cân bằng giữa khả năng nắm bắt các đám mây khí thực và rủi ro dương tính giả khi họ thấy phù hợp. Tuy nhiên, điều này không phải lúc nào cũng đơn giản, đó là lý do tại sao chúng tôi cũng gắn thẻ mỗi đám mây khí là "thấp" hoặc "cao" dựa trên các thuộc tính này, cho phép người dùng trực tiếp sử dụng dữ liệu.

Một nền tảng vững chắc để giảm thiểu khí thải methane

MAPL-EMIT thể hiện sự hợp tác mạnh mẽ, kết hợp chuyên môn học máy của Google với kiến thức chuyên môn của các cộng tác viên tại NASA JPL. Cùng nhau, chúng tôi đang thúc đẩy toàn bộ tiềm năng của các quan sát methane từ không gian ở quy mô cơ sở, cung cấp cho cộng đồng toàn cầu các công cụ cần thiết để cho phép hành động có ý nghĩa trong việc giảm phát thải khí nhà kính.

Bằng cách mở rộng khả năng phát hiện các đám mây khí trên toàn bộ danh mục dữ liệu EMIT, MAPL-EMIT cung cấp một công cụ mới mạnh mẽ cho các bên liên quan tại địa phương, các nhà nghiên cứu, các nhà hoạch định chính sách và các ngành công nghiệp để xác định khí thải methane nhanh hơn bao giờ hết. Khi NASA chuẩn bị phóng thế hệ máy quang phổ hình ảnh tiếp theo sẽ tăng độ bao phủ lên gấp 30–50 lần, các kỹ thuật mạnh mẽ và tự động càng trở nên quan trọng hơn bao giờ hết. Chúng tôi mời cộng đồng khoa học rộng lớn hơn khám phá cơ sở dữ liệu đám mây khí toàn cầu mới được phát hành của chúng tôi trên Earth Engine cùng với Ứng dụng Earth Engine để trực quan hóa tương tác, tải xuống mô hình đã được huấn luyện và các đám mây khí tổng hợp từ Kaggle, và truy cập thư viện suy luận của chúng tôi trên Github. Chúng tôi hy vọng dữ liệu này cung cấp một nền tảng vững chắc để tạo điều kiện giảm thiểu có mục tiêu và đưa tất cả chúng ta tiến thêm một bước gần hơn đến việc đạt được các mục tiêu khí hậu toàn cầu.

Lời cảm ơn

Chúng tôi xin cảm ơn các cá nhân trên khắp Google và NASA JPL, những người đã thực hiện công trình này và biến việc ra mắt thành hiện thực, bao gồm (theo thứ tự bảng chữ cái): 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 và Michelangelo Conserva.