Rendere visibili le perdite di metano è una delle condizioni necessarie per ridurle, ma individuare dal satellite una nube di gas che si disperde sopra deserti, aree industriali, terreni agricoli o discariche è un compito tutt’altro che lineare. Google Research e il Jet Propulsion Laboratory della NASA hanno presentato MAPL-EMIT, un modello di deep learning pensato per trasformare le osservazioni dallo spazio in una mappa più ampia e utilizzabile delle emissioni localizzate.
Il sistema lavora sui dati di EMIT, lo strumento della NASA installato sulla Stazione spaziale internazionale. Il risultato annunciato dalle due organizzazioni è una banca dati globale di pennacchi di metano: secondo Google, il modello ha riconosciuto oltre 23.000 plume aggiuntivi rispetto alle analisi svolte da esperti umani e ha intercettato 24 delle 25 discariche terrestri con le emissioni più elevate considerate nello studio. I dati e gli strumenti per consultarli sono stati resi disponibili pubblicamente.
La novità non sta quindi nel fatto che un satellite osservi il metano — è un campo di ricerca già consolidato — ma nell’automazione di una catena complessa: rilevare il segnale, separarlo dal rumore visivo e atmosferico, stimarne l’intensità e ricondurlo a una possibile sorgente. Sono passaggi che, se eseguiti in modo sistematico su grandi quantità di immagini, possono aiutare enti pubblici, ricercatori e operatori a concentrarsi sui punti dove un intervento ha maggiori probabilità di incidere.
Perché il metano richiede un monitoraggio rapido
Nell’arco di cento anni il potere climalterante del metano è circa 30 volte quello dell’anidride carbonica. Le sue emissioni hanno contribuito approssimativamente per un quarto al riscaldamento globale causato dalle attività umane dall’inizio dell’era industriale. A differenza della CO2, però, il metano resta nell’atmosfera per un periodo relativamente breve: ridurne le fuoriuscite può produrre effetti climatici più rapidi, senza sostituire la necessità di tagliare le emissioni di anidride carbonica.
Da qui l’attenzione per perdite e sorgenti puntuali, spesso concentrate in pochi metri o decine di metri. Possono provenire dalle infrastrutture petrolifere e del gas, dagli impianti agricoli e dalle discariche. In molti casi esistono soluzioni tecniche per limitare queste emissioni, ma prima occorre sapere dove intervenire. Gli inventari nazionali e le misurazioni a terra restano importanti, ma non sempre offrono una fotografia frequente e comparabile di siti distribuiti in tutto il pianeta.
Il Global Methane Pledge, sottoscritto da oltre 125 Paesi, punta a una riduzione del 30% delle emissioni entro il 2030. Un impegno di questo tipo rende particolarmente rilevante la disponibilità di dati che consentano di verificare le sorgenti locali e di orientare le priorità. MAPL-EMIT non stabilisce da solo politiche climatiche né rimuove il gas dall’atmosfera, ma può ridurre il tempo necessario per passare da un’osservazione satellitare a un possibile controllo sul campo.
Da uno strumento nato per la polvere a una rete per i pennacchi
EMIT, acronimo di Earth Surface Mineral Dust Source Investigation, non era stato progettato in origine come una missione dedicata al metano. Lo strumento è stato concepito per mappare la composizione minerale delle superfici aride e studiare il ruolo della polvere nel sistema climatico. Le sue osservazioni spettroscopiche, tuttavia, possono cogliere anche le firme lasciate nell’immagine dalla presenza di gas come il metano.
La disponibilità del dato grezzo non risolve da sola il problema. Un pennacchio può risultare debole, sovrapporsi a superfici molto diverse tra loro o essere confuso da condizioni ambientali e imperfezioni dell’acquisizione. Inoltre, un’analisi manuale condotta da specialisti non è facilmente estendibile al flusso di dati necessario per un monitoraggio planetario continuo. Il lavoro congiunto di Google e NASA JPL tenta di affrontare proprio questo collo di bottiglia.
MAPL-EMIT, abbreviazione di Methane Analysis and Plume Localization with EMIT, è un framework di apprendimento profondo che automatizza quattro attività: il rilevamento del pennacchio, l’evidenziazione del segnale, la quantificazione e la stima della sorgente. La sua uscita va letta come una valutazione basata sulle caratteristiche osservate dal satellite, non come la prova definitiva della responsabilità di un singolo soggetto o di un impianto. L’associazione con il sito emissivo richiede comunque verifiche e contesto operativo.
Milioni di simulazioni per addestrare il modello
Per addestrare MAPL-EMIT, il gruppo ha utilizzato 3,6 milioni di pennacchi sintetici generati con simulazioni fisiche. Invece di dipendere esclusivamente da un numero limitato di esempi annotati a mano, il modello è stato esposto a molte configurazioni possibili del fenomeno, con l’obiettivo di renderlo più robusto di fronte alla varietà delle scene reali.
Secondo i risultati comunicati da Google, questo approccio consente di rilevare il 50% di pennacchi in più rispetto agli esperti umani. È un dato significativo soprattutto per la scala: una differenza percentuale che, applicata alle osservazioni globali, si traduce negli oltre 23.000 rilevamenti supplementari inseriti nel database. Tra i casi più rilevanti figurano 24 delle 25 discariche a maggiore emissione individuate nell’analisi.
Le metriche non eliminano però i limiti tipici del telerilevamento. L’efficacia dipende dalla qualità e dalla disponibilità delle immagini, dalle condizioni della scena e dalla capacità di distinguere una firma reale da artefatti. I pennacchi osservati rappresentano inoltre emissioni che lo strumento è in grado di vedere nelle sue finestre di acquisizione, non un censimento automatico e costante di ogni molecola di metano rilasciata sul pianeta. Per trasformare un rilevamento in un’azione correttiva servono ispezioni, misure complementari e responsabilità operative.
Dati aperti per passare dall’osservazione all’intervento
Google ha pubblicato il database globale dei pennacchi su Earth Engine e ha messo a disposizione un’applicazione per visualizzarli. Il progetto include anche modelli open source su Kaggle e strumenti di inferenza su GitHub. La scelta di distribuire questi elementi amplia la platea potenziale degli utilizzatori: non soltanto chi ha partecipato alla ricerca, ma anche gruppi accademici, autorità locali, organizzazioni di monitoraggio e gestori di infrastrutture possono interrogare i risultati o integrarli nei propri flussi di lavoro.
La parte decisiva sarà capire come questa disponibilità si tradurrà in interventi concreti. Una discarica o un’infrastruttura segnalata dallo spazio richiede un controllo sul terreno, la valutazione della causa e, quando possibile, lavori di riparazione o mitigazione. La mappa non sostituisce questi passaggi, ma può rendere meno casuale la scelta di dove inviare risorse limitate.
Il caso EMIT mostra anche un’altra direzione della ricerca climatica basata sull’intelligenza artificiale: valorizzare dati raccolti da strumenti esistenti per scopi originariamente diversi. Quando il modello riesce a estrarre un segnale affidabile da archivi satellitari complessi, aumenta la capacità di osservare fenomeni ambientali senza dover attendere nuove campagne manuali per ogni area. Per il metano, dove velocità di individuazione e localizzazione della fonte sono particolarmente importanti, questa capacità può diventare un supporto operativo nella riduzione delle emissioni.
