衛星画像からメタンを見抜くAI、MAPL-EMITの仕組みと検出の限界｜2026年9月11日版
宇宙から見える地表の光には、目に見えないメタンの手掛かりが含まれている。GoogleとNASAジェット推進研究所（JPL）が開発した「MAPL-EMIT」は、光の波長ごとの特徴と、ガスが周囲に広がる形を一緒に読み取るAIだ。Googleは9月9日、この研究と公開データを紹介した。公式発表
注目したいのは、検出数を増やす技術と、誤検出を絞り込む仕組みの両方が用意されていること。ただし、地図上の検出結果から、その施設の排出量まで直ちに確定できるわけではない。
2026年9月11日（日本時間）時点で押さえるべき点は、次の3つだ。
- 仕組み： 衛星の分光データと周辺の位置関係をVision Transformerで解析する。
- 学習： 物理シミュレーションで作った360万件のガスの広がりを、実際の観測データに重ねる。
- 利用： 検出の信頼度、観測日時、排出量への換算条件を確認して使う。
波長だけでなく「広がり方」も見る
入力に使うのは、国際宇宙ステーションに搭載されたNASAの観測装置「EMIT」のデータだ。
EMITは地表の光を多数の波長帯に分けて記録する。メタンの特徴を探せる一方、地表の材質が似た信号を生み、ガスと取り違えることもある。
MAPL-EMITはSwin-S Transformerを採用し、各画素の分光情報に加えて周囲の形も解析する。風に流されたガスの分布と、地面の模様を区別するためだ。モデルは次の処理をまとめて担う。
- 背景に対してメタンがどれだけ増えているかを推定する。
- ガスが広がる領域の輪郭を切り出す。
- ガスの発生源の位置を推定する。
複数の施設から出たガスが重なる場面も対象になる。技術解説は9月1日に公開されており、9月9日の紹介以前から研究内容を確認できる。Google Researchの技術解説
360万件の合成データで、正解不足を補う
大規模な学習に必要な、発生源まで分かる実際のガス観測データを大量にそろえるのは難しい。
そこで研究チームは、物理モデルで作った360万件のメタンの広がりを、実際のEMIT観測データに組み込んだ。人工的に作ることで、広がりの輪郭や発生源という正解を持たせられる。
論文が報告した実観測での評価結果は、次のとおりだ。
- 1,084件のEMIT観測データを使ったテストで、専門家が注釈を付けた既知のガスのまとまりの84％を検出。
- 人による解析と比べ、メタンらしい広がりを約1.5倍検出。
- 航空機による同時期の観測や、制御された放出実験などでも追加検証を実施。
「約1.5倍」は検出候補の比較であり、正解率が1.5倍になったという意味ではない。 既知の対象を見逃す例も残る。論文のプレプリントは4月11日投稿、7月29日改訂と記載されている。研究論文
地図の色を、そのまま排出量と読まない
実務で重要なのは、検出結果の信頼度だ。
公開データの説明では、異なる時点の観測で3回以上検出されたものを高信頼度に分類する。その一部を人が確認した際の誤検出割合は約3〜5％。時間をまたぐ一致がない中信頼度の分類では、約50〜55％だった。
このため、中信頼度の点を施設の排出と結び付ける前には、設備の位置や風向、分光情報との照合が必要になる。
もう一つの注意点は単位だ。画素の値は、背景からのメタン増加を表す「ppm・m」であり、毎時何キログラム排出したかを表す「kg/h」ではない。排出速度の推定には、外部の風のデータなどを使う追加計算が必要になる。
公開カタログの収録期間は2022年8月10日〜2026年6月9日。観測できる場所と時刻はEMITの取得範囲に限られ、雲や暗い地表などでも性能が落ちる。公開された地図は、現在の排出を常時監視する画面ではない。Earth Engineデータカタログ
開発者は検出後の処理まで確認できる
公開コードは、モデルを動かした後の処理も含む。
MAPLのGitHubリポジトリでは、大きな観測画像を分割して推論し、重複した検出をまとめ、候補を検査する流れが公開されている。結果はガスの輪郭や推定発生源、評価指標を含むParquetファイルなどで出力する。
これにより、開発者は地図を見るだけでなく、自分の解析処理へ結果を渡せる。推論には学習済みモデルと、EMITの放射輝度データ・観測データが必要だ。なお、リポジトリはGoogleの正式サポート製品ではないと明記している。
日本の研究機関や設備管理者が検証するなら、まず対象施設の観測データが存在するかを確かめたい。そのうえで、施設の位置情報や現地測定と照合する用途が考えられる。モデルが示す位置だけで施設への帰属を確定せず、確認作業の入口として使うのが適切だ。
継続ウォッチ
MAPL-EMITは、合成データで学習した画像AIを実際の衛星観測へつなぐ具体例だ。次に確認したいのは、検出件数の増加だけでなく、現場で確かめられる結果がどれだけ増えるかである。
- 公開データの収録期間が延び、対象施設を繰り返し観測できるか。
- 地形や雲など、条件別の誤検出・見逃しをどこまで評価できるか。
- 推定発生源と現地測定が一致し、設備点検につながるか。
導入検討の最初の一歩は、対象地点の観測日時と信頼度を確認すること。その情報がそろって初めて、地図上の候補を現場で調べる順番に落とし込める。