Google Research与NASA喷气推进实验室在9月9日介绍MAPL-EMIT深度学习模型。它利用NASA EMIT卫星仪器数据在全球识别甲烷羽流，训练数据包含360万个物理模拟羽流。官方称其比人工专家多检测约50%的羽流，并识别出超过2.3万个额外目标。数据集已通过Earth Engine开放，模型和推理工具也提供给研究人员使用。
理解模型看见的是什么
模型从高光谱遥感数据中寻找甲烷吸收特征和空间羽流形状，并不是直接读取某家企业的排放表。地表材质、云、噪声、风场和传感器覆盖都会影响结果。地图上的一个点应理解为需要进一步核查的候选排放源，而不是自动完成的执法结论。
先从公开地图筛选目标
研究者可在Earth Engine查看全球羽流数据库，按地区、时间和强度寻找持续或反复出现的目标。将检测结果与垃圾填埋场、油气设施、煤矿和农业设施等公开位置叠加，形成现场调查优先级。下载和分析数据时记录版本与筛选参数。
结合气象和地面测量验证
卫星过境只代表特定时间窗口。治理人员需要结合风向、风速、设备运行记录和地面传感器判断来源。高影响目标应安排无人机、车载或固定设备复测。若多个设施距离接近，不能只凭图像把排放归因给某个主体。
把发现转成维修闭环
确认泄漏后记录设备、估算量、维修动作和完成时间，再用后续卫星或地面数据复查。评价AI价值应看减少了多少持续排放、缩短多少发现时间，而不是地图上标出了多少红点。误报和漏报也要回传研究团队改进模型。
开放模型仍需治理
开源代码和数据方便复现，但不同地区与传感器条件可能超出训练分布。使用者应公布阈值、置信度和局限，不截取单张热图制造确定性叙事。涉及企业和社区时提供申诉、复测与更正机制。
进一步实施建议
地方治理部门可以从一个排放类型和一个季度开始试点：建立候选清单，按置信度和潜在排放量排序，抽样安排地面核查，统计确认率、维修周期和减排效果。模型只能帮助把有限巡检资源用在更可能的问题上，最终执法、投资和公共沟通仍需结合标准化测量、法律程序与专家判断。
落地检查清单
- 卫星检测视为候选线索而非最终归因。
- 结合风场、设施记录和地面设备复测。
- 记录数据版本、阈值和置信度。
- 用实际维修和减排结果评价项目。
