AI van Google en NASA vindt veel meer methaanlekken in satellietbeelden
Google Research en NASA bouwden een AI-model dat methaanwolken opspoort in metingen vanaf het ruimtestation ISS. In een test vond het zo'n 50% meer waarschijnlijke methaanpluimen dan menselijke analisten. Model, code en kaart zijn vrij beschikbaar.
Methaan is na CO2 het belangrijkste broeikasgas. Het verdwijnt sneller uit de lucht dan CO2, maar houdt in de eerste twintig jaar ruim 80 keer zoveel warmte vast. Veel methaan komt uit lekken bij olie- en gasinstallaties, kolenmijnen en vuilstortplaatsen. Wie die lekken snel vindt, kan ze ook snel dichten. Dat is een van de snelste manieren om de opwarming af te remmen.
Google Research en NASA's Jet Propulsion Laboratory (JPL) hebben daarvoor een AI-model gebouwd. Hun systeem, genaamd MAPL-EMIT, zoekt methaanwolken in de metingen van EMIT, een meetinstrument van NASA aan boord van het Internationaal Ruimtestation. In een test met ongeveer 1.100 opnamen vond het model zo'n 50% meer waarschijnlijke methaanpluimen dan menselijke analisten. Van de pluimen die experts eerder met de hand hadden aangewezen, vond het er 84%. Het onderzoek verscheen in het wetenschappelijke tijdschrift PNAS.
Waarom methaan zo lastig te zien is
EMIT is een zogeheten beeldspectrometer: het meet niet alleen hoe helder elk stukje aarde is, maar ook welke kleuren licht er precies terugkomen, ook kleuren die ons oog niet ziet. Elk beeldpunt is ongeveer 60 bij 60 meter. Methaan slokt bepaalde kleuren zonlicht op. Boven een lek komt van die kleuren dus net wat minder terug.
Het instrument is eigenlijk gebouwd om mineralen in woestijngebieden in kaart te brengen, maar het pikt dat methaansignaal ook op. De gebruikelijke rekenmethode zoekt het signaal beeldpunt voor beeldpunt. Daarbij gaat het makkelijk mis: een fel dak of een bepaald soort bodem kan er net zo uitzien als methaan. En de methode ziet niet dat een echte pluim een vorm heeft, een sliert die met de wind meewaait vanaf één bron.
MAPL-EMIT kijkt naar beide tegelijk: naar het lichtsignaal van elk beeldpunt én naar de punten eromheen. Zo herkent het de vorm van een pluim, zoals je rook herkent aan de manier waarop die uit een schoorsteen wegdrijft. Het model schat hoeveel extra methaan er in de lucht hangt, tekent de rand van elke pluim, ook als pluimen van buurinstallaties in elkaar overlopen, en wijst aan waar het lek waarschijnlijk zit. Op nagebootste testbeelden zat die schatting gemiddeld zo'n 100 meter naast de echte bron. Het model vond ook pluimen bij 24 van de 25 vuilstortplaatsen die wereldwijd het meeste methaan uitstoten.
Leren van nagebootste pluimen
Om zo'n model te trainen zijn veel voorbeelden nodig, en er bestonden maar een paar duizend echte pluimen die door mensen waren aangewezen. Het team maakte daarom zelf voorbeelden. Met een natuurkundige simulatie, die nabootst hoe gas in een wisselende wind uitwaaiert, maakten ze 3,6 miljoen nep-pluimen. Die plakten ze in ongeveer 235.000 stukjes echte EMIT-opnamen. Zo leerde het model hoe een pluim er in de praktijk uitziet, tegen allerlei achtergronden.
Wat er nog beter moet
Niet elke melding is raak. Mensen controleerden steekproeven: bij de meldingen waar het model zeker van is (pluimen die minstens drie keer zijn gezien) was 3 tot 5% vals alarm. Bij de twijfelgevallen was dat 50 tot 55%. Die tweede groep moet dus nog door mensen of andere metingen worden nagekeken.
Het model meet ook hoeveel extra methaan er op dat moment in de lucht hangt, niet hoeveel er per uur uit een lek stroomt. Om dat uit te rekenen zijn ook gegevens over de wind nodig.
Google zet alles vrij online: de kaart met gevonden pluimen in Google Earth Engine, de software op GitHub en het getrainde model met de nep-pluimen op Kaggle. Andere onderzoekers en overheden kunnen er dus direct mee aan de slag.
Wat betekent dit voor de weg naar de singulariteit?
Dit is een mooi voorbeeld van AI die de wetenschap versnelt. Eén model kan nu alle EMIT-opnamen doorzoeken en vindt daarbij ook kleinere lekken die eerder over het hoofd werden gezien. Dat wordt steeds belangrijker: volgens Google gaan NASA's volgende meetinstrumenten 30 tot 50 keer zoveel van de aarde in beeld brengen. Zoveel gegevens kunnen mensen niet meer met de hand bekijken.
Ook de aanpak is interessant. Waar te weinig echte voorbeelden zijn, kan een natuurkundige simulatie de ontbrekende oefenstof leveren. Zo kan AI ook andere dingen op aarde leren zien die nu nog moeilijk te vinden zijn.
