ก้าวสำคัญของ AI! Google พัฒนา MAPL-EMIT ตรวจจับการปล่อยก๊าซมีเทนทั่วโลกจากอวกาศ

Methane เป็นก๊าซเรือนกระจกที่มีอานุภาพทำลายล้างสูง โดยในช่วง 100 ปี ศักยภาพในการทำให้เกิดภาวะโลกร้อนของมันสูงกว่าคาร์บอนไดออกไซด์ถึง 30 เท่า และเป็นตัวการสำคัญที่ทำให้เกิดโลกร้อนนับตั้งแต่ยุคอุตสาหกรรมถึง 25% เนื่องจากมีเทนมีอายุขัยในชั้นบรรยากาศสั้น การเร่งลดการปล่อยก๊าซนี้จึงเป็นวิธีที่รวดเร็วและเห็นผลชัดเจนที่สุดในการชะลออุณหภูมิโลก

ความเร่งด่วนดังกล่าวสะท้อนผ่านข้อตกลง Global Methane Pledge ซึ่งมีกว่า 125 ประเทศตั้งเป้าลดการปล่อยก๊าซลง 30% ภายในปี 2030 การจะไปถึงเป้าหมายได้นั้น จำเป็นต้องมีระบบที่ช่วยให้หน่วยงานต่างๆ ติดตามแหล่งกำเนิดก๊าซเฉพาะจุด (point sources) ได้อย่างแม่นยำ ไม่ว่าจะเป็นในภาคพลังงาน เกษตรกรรม หรือการจัดการขยะ ซึ่งถือเป็นจุดที่คุ้มค่าที่สุดในการเริ่มดำเนินการบรรเทาผลกระทบ

ปัจจุบันนักวิทยาศาสตร์หันมาใช้การถ่ายภาพจากอวกาศเพื่อติดตามการปล่อยก๊าซในระดับโลก โดยมีเครื่องมือสำคัญคือ Earth Surface Mineral Dust Source Investigation (EMIT) ของ NASA บนสถานีอวกาศนานาชาติ ซึ่งทีมนักวิจัยจาก Jet Propulsion Laboratory (JPL) ได้ใช้ขีดความสามารถด้าน hyperspectral ที่ตรวจจับแถบแสงได้หลายร้อยแถบ เพื่อช่วยให้มองเห็น "ลายนิ้วมือทางเคมี" ของก๊าซมีเทนที่ตาเปล่ามองไม่เห็น เพื่อต่อยอดข้อมูลเหล่านี้ บทความวิจัยล่าสุดใน Proceedings of the National Academy of Sciences (PNAS) ได้เปิดตัว Methane Analysis and Plume Localization with EMIT (MAPL-EMIT) ซึ่งเป็นเฟรมเวิร์ก Deep Learning ใหม่ที่เปลี่ยนข้อมูลดาวเทียมดิบให้เป็นข้อมูลพร้อมใช้งาน โดยระบบนี้สามารถตรวจจับ ทำนายการแพร่กระจาย และประมาณค่าแหล่งกำเนิดกลุ่มก๊าซมีเทน (methane plumes) ทั่วโลกได้โดยอัตโนมัติ โดยมีค่า recall สูงถึง 84% เมื่อเทียบกับฐานข้อมูลผู้เชี่ยวชาญ

[

](https://storage.googleapis.com/gweb-research2023-media/media/MAPL-EMIT-1.mp4)

เล่นวิดีโอวนซ้ำแบบไม่มีเสียง หยุดวิดีโอวนซ้ำแบบไม่มีเสียง

เปิดเสียงวิดีโอ ปิดเสียงวิดีโอ

มุมมองทั่วโลกของการตรวจจับมีเทนจากอวกาศ เมื่อเราซูมเข้าไป โมเดล MAPL-EMIT จะเน้นกลุ่มก๊าซมีเทนเฉพาะจุด เผยให้เห็นรายละเอียดที่สำคัญ เช่น ตำแหน่งของแหล่งกำเนิด

ความท้าทายในการมองหามีเทนจากอวกาศ

การวัดค่ามีเทนจากอวกาศต้องรักษาสมดุลระหว่าง 3 ปัจจัย คือ ความกว้างของพื้นที่ (coverage), ความละเอียดภาพ (spatial resolution) และความละเอียดของแถบแสง (spectral resolution)

เครื่องมือระดับโลกอย่าง TROPOMI แม้จะครอบคลุมพื้นที่กว้างถึง 2,600 กม. แต่มีความละเอียดภาพค่อนข้างหยาบ ในขณะที่ EMIT ถูกออกแบบมาให้โดดเด่นในการวัดการปล่อยก๊าซระดับโรงงาน ด้วยความละเอียดภาพสูงถึง 60 เมตร และความละเอียดสเปกตรัมที่เพียงพอจะจับลายนิ้วมือทางเคมีของมีเทนได้ชัดเจน

อย่างไรก็ตาม การระบุแหล่งกำเนิดก๊าซขนาดเล็กท่ามกลางสภาพพื้นผิวโลกที่หลากหลายนั้นทำได้ยาก เพราะวัสดุพื้นผิวบางชนิดอาจพรางตัวเป็นมีเทนได้ เพื่อแก้ปัญหานี้ ทีมวิจัยจึงนำ Deep Learning มาประยุกต์ใช้ภายใต้โครงการ Google Earth AI เพื่อเปลี่ยนข้อมูลดาวเคราะห์ให้เป็นข้อมูลเชิงลึกที่นำไปใช้งานได้จริง

การตรวจจับสิ่งที่มองไม่เห็น การเปรียบเทียบนี้แสดงให้เห็นความท้าทายของการตรวจจับมีเทน: ภาพถ่ายปกติที่มองเห็นได้ไม่แสดงให้เห็นก๊าซ, การเพิ่มประสิทธิภาพ NASA L2B (จาก matched filter) เผยให้เห็นสัญญาณรบกวน แต่โมเดล MAPL-EMIT แยกกลุ่มก๊าซมีเทนออกจากภูมิทัศน์พื้นหลังได้อย่างชัดเจน

MAPL-EMIT: วิชันทรานส์ฟอร์เมอร์สำหรับชั้นบรรยากาศ

MAPL-EMIT ถูกสร้างขึ้นบนสถาปัตยกรรม Swin-S transformer ซึ่งต่างจากวิธีเดิมที่วิเคราะห์แบบพิกเซลต่อพิกเซล โดยโมเดลนี้จะประมวลผลสเปกตรัมของแสงพร้อมกับบริบทเชิงพื้นที่รอบข้าง ทำให้สามารถแยกแยะกลุ่มก๊าซที่ถูกลมพัดจริงออกจากพื้นดินที่มีลายนิ้วมือสเปกตรัมคล้ายกัน ซึ่งช่วยลดปัญหาการตรวจจับผิดพลาด (false detections) ได้อย่างมาก

ความตระหนักรู้เชิงพื้นที่นี้ยังช่วยให้โมเดลแก้ปัญหาความซับซ้อนในพื้นที่อุตสาหกรรมหนาแน่นที่ก๊าซจากหลายโรงงานมักรวมตัวกันเป็นก้อนเดียว โดย MAPL-EMIT สามารถจัดการ 3 ภารกิจได้พร้อมกัน ได้แก่:

• Quantification: การวัดปริมาณมีเทนที่แม่นยำในทุกพิกเซล
• Plume delineation: การกำหนดรูปร่างและขอบเขตของกลุ่มก๊าซที่ซ้อนทับกัน
• Source localization: การย้อนรอยเพื่อระบุตำแหน่งแหล่งกำเนิดที่แน่นอน

การคลี่คลายการปล่อยก๊าซที่ซับซ้อน ด้วยการวิเคราะห์บริบทเชิงพื้นที่ MAPL-EMIT สามารถกำหนดรูปร่างที่แน่นอนของกลุ่มก๊าซมีเทนที่ซ้อนทับกันหลายจุดพร้อมกัน และระบุตำแหน่งแหล่งกำเนิดของแต่ละจุด (ทำเครื่องหมายด้วย X) แม้ในพื้นที่อุตสาหกรรมที่หนาแน่น

การเรียนรู้จากกลุ่มก๊าซจำลองนับล้าน เนื่องจากในโลกแห่งความเป็นจริงไม่มีฐานข้อมูลกลุ่มก๊าซมีเทนที่มีฉลากกำกับมากพอ ทีมวิจัยจึงพัฒนาเฟรมเวิร์กจำลองตามหลักฟิสิกส์ สร้างกลุ่มก๊าซสังเคราะห์ขึ้นมา 3.6 ล้านกลุ่มโดยใช้ Lagrangian puff models เพื่อจำลองความวุ่นวายของการแพร่กระจายในอากาศ แล้วใส่เข้าไปในภาพถ่ายจริงของ EMIT

แนวทางการฝึกฝนด้วยข้อมูลสังเคราะห์ (Synthetic Training) นี้ช่วยให้ MAPL-EMIT เรียนรู้ที่จะระบุการรั่วไหลภายใต้เงื่อนไขที่หลากหลาย ไม่ว่าจะเป็นอัตราการปล่อยก๊าซที่ต่างกัน ภูมิประเทศที่ซับซ้อน หรือการแยกแยะกลุ่มก๊าซที่ซ้อนทับกัน ซึ่งช่วยให้โมเดลมีความทนทานและนำไปใช้งานจริงได้ดีขึ้น

[

](https://storage.googleapis.com/gweb-research2023-media/media/MAPL-EMIT-4.mp4)

เล่นวิดีโอวนซ้ำแบบไม่มีเสียง หยุดวิดีโอวนซ้ำแบบไม่มีเสียง

เปิดเสียงวิดีโอ ปิดเสียงวิดีโอ

การฝึกฝนด้วยความจริงสังเคราะห์ เนื่องจากไม่มีกลุ่มก๊าซมีเทนในโลกแห่งความเป็นจริงที่มีฉลากกำกับนับล้านกลุ่ม เราจึงฝึกโมเดลโดยการใส่กลุ่มก๊าซจำลองตามหลักฟิสิกส์ ซึ่งแสดงถึงอัตราการปล่อยก๊าซที่หลากหลายและสภาวะบรรยากาศที่ปั่นป่วน เข้าไปในฉาก hyperspectral ของ EMIT จริงโดยตรง

การปลดล็อกความไวในการตรวจจับที่ไม่เคยมีมาก่อน

เมื่อทดสอบกับข้อมูลดาวเทียมจริง MAPL-EMIT สามารถจับกลุ่มก๊าซที่ผู้เชี่ยวชาญกำกับไว้ได้ถึง 84% และตรวจพบกลุ่มก๊าซเพิ่มเติมที่อาจพลาดไปได้อีก 50% นอกจากนี้ยังแสดงประสิทธิภาพที่น่าทึ่งในพื้นที่ซับซ้อน โดยสามารถระบุกลุ่มก๊าซจากหลุมฝังกลบขยะที่มีการปล่อยก๊าซสูงสุดในโลกได้ถึง 24 จาก 25 แห่ง

แม้การมีค่าความไว (Sensitivity) สูงจะนำมาซึ่งความท้าทายเรื่องผลบวกลวง (false positives) แต่ทีมวิจัยได้แก้ไขโดยการใช้ คะแนนความมั่นใจตามหลักฟิสิกส์ (spectral fit) เข้ามาประกอบการประเมิน ทำให้ผู้ใช้สามารถกรองข้อมูลตามระดับความมั่นใจ "ต่ำ" หรือ "สูง" ได้ตามต้องการ

[

](https://storage.googleapis.com/gweb-research2023-media/media/MAPL-EMIT-5.mp4)

เล่นวิดีโอวนซ้ำแบบไม่มีเสียง หยุดวิดีโอวนซ้ำแบบไม่มีเสียง

เปิดเสียงวิดีโอ ปิดเสียงวิดีโอ

การติดตามการปล่อยก๊าซอย่างต่อเนื่องเมื่อเวลาผ่านไป อนุกรมเวลาของการตรวจจับมีเทนโดย MAPL-EMIT ประสบความสำเร็จในการจับกลุ่มก๊าซที่มาจากหลุมฝังกลบขยะขนาดใหญ่ในเมืองอัมมาน ประเทศจอร์แดน แสดงให้เห็นถึงความไวสูงและความทนทานของโมเดลในสภาพแวดล้อมที่ซับซ้อน

รากฐานที่แข็งแกร่งสำหรับการบรรเทาการปล่อยก๊าซมีเทน

ความร่วมมือระหว่าง Google และ NASA JPL ในครั้งนี้เป็นรากฐานสำคัญสำหรับการลดการปล่อยก๊าซเรือนกระจกอย่างเป็นรูปธรรม โดยเฉพาะอย่างยิ่งเมื่อ NASA เตรียมส่งดาวเทียม imaging spectrometers รุ่นต่อไป ที่จะเพิ่มความครอบคลุมขึ้นอีก 30–50 เท่า เพื่อสนับสนุนชุมชนวิทยาศาสตร์ ทีมวิจัยได้ปล่อยข้อมูล global plume database บน Earth Engine พร้อมทั้ง trained model และ synthetic plumes บน Kaggle รวมถึง inference library บน Github เพื่อให้นักวิจัยและภาคนโยบายนำไปใช้ขับเคลื่อนเป้าหมายด้านสภาพภูมิอากาศโลกต่อไป