气候治理正在获得一双更敏锐的“太空眼睛”。Google Research与NASA喷气推进实验室（JPL）于2026年9月9日介绍MAPL-EMIT深度学习模型，利用NASA的EMIT空间成像光谱仪数据，在全球范围识别甲烷排放羽流，并把过去难以规模化完成的人工判读转变为自动化筛查。

为什么要优先寻找甲烷？

甲烷在大气中的寿命比二氧化碳短，但增温效应更强。Google在官方资料中指出，以100年周期计算，甲烷的增温潜力约为二氧化碳的30倍。油气设施、垃圾填埋场、煤矿和农业活动都可能形成排放源，而许多羽流持续时间短、位置分散，依靠地面巡检很难建立全球一致的监测图景。

EMIT仪器可以从国际空间站采集地表光谱数据，甲烷会在特定波段留下信号。不过，真实卫星影像同时包含地形、云层、阴影和传感器噪声，单靠人眼从海量画面中识别排放既慢又容易漏检。MAPL-EMIT的任务，就是在复杂背景中把甲烷信号筛选出来。

用物理模拟解决训练数据不足

研究团队使用约360万个基于物理规律模拟的甲烷羽流训练模型，使系统学习不同浓度、形态和地表条件下的特征。根据Google披露的评估结果，该模型识别出的羽流数量比人工专家多约50%，并在全球范围额外发现超过2.3万个羽流，其中覆盖全球25个大型高排放垃圾填埋场中的24个。

这些数字说明，AI的优势并非替代科学家作最终判断，而是把人类从“逐幅寻找目标”转向“复核高概率线索”。当算法完成初筛，研究人员和监管机构可以把有限资源集中在排放量大、持续时间长或需要现场核查的区域。

开放数据让监测走向行动

Google已将全球甲烷羽流数据库发布到Earth Engine，并提供可视化应用；相关开放模型和推理工具也分别通过Kaggle与GitHub提供。这让研究者、政策制定者和设施运营方能够观察热点、比较变化，并将监测结果转化为维修、执法和减排优先级。

需要强调的是，卫星识别仍受到观测时间、云层、空间分辨率和阈值设置影响，检测结果不应脱离现场数据直接作出责任判断。最有效的路径是把卫星AI、地面传感器、企业排放台账和人工核查结合起来，形成从发现、确认到整改的闭环。

信息来源：Google官方博客，2026年9月9日。本文为AIcent基于公开资料撰写的中文原创解读，配图为原创生成的新闻示意图。