NASA’nın Uzaydan Gaz Sızıntılarını Tespit Eden Sıfır Örnekli Algılayıcısını Nasıl İnşa Ettik.

Machine Learning

Metan üzerinde eğittiğimiz bir model, yeniden eğitim yapmadan aynı zamanda karbon monoksit, amonyak ve nitrogen dioksit bulutlarını da eşler; NASA’ın EMIT’inden ilk otomatik CO tespitlerini de içeriyor.

Şekil 1: Otomatik olarak tespit edilen eser gazı nokta kaynaklarının ilgili iyileştirme ürünleriyle (üst satır) ve CH4, NH3, NO2 ve CO için hesaplanan spektral uyum grafiklerinin örnekleri. (Görsel yazar aittir, our Nature Scientific Reports makalesi / NASA JPL-Caltech uyarlaması).

Metan (CH4), amonyak (NH3), nitrogen dioksit (NO2) ve karbon monoksit (CO) için yörünge eser gazı bulut tespitlerini gösteren dört panelli bir ızgara. Üst satır, kırmızı model öngörülü bulut konturlarıyla false-color kimyasal iyileştirme haritalarını; alt satır ise ölçülen yörünge verileriyle model gaz hedefi imzaları karşılaştıran ilgili spektral soğurma eğrilerini gösteriyor.

NASA’nın Uluslararası Uzay İstasyonu‘nda bulunan Earth Surface Mineral Dust Source Investigation (EMIT) enstrümanı, her saniye 285 ardışık dalga boyu kanalında yüz binlerce spektral ölçüm yakalıyor. Başlangıçta toz üreten çöllerin mineral bileşimini eşlemek için tasarlanan EMIT, görüntüleme spektroskopisinde yörünge işi atına dönüştü ve sera gazlarının ile toksik hava kirleticilerinin nokta kaynaklı emisyonlarını ayırt edebilecek düzeye geldi.

Binslerce gigabayt hiperspektral veri içinde lokalize bir gaz bulutu bulmak ise devasa bir iğne-uhudu-problemi. Yakında bir yana, nokta kaynaklarının tespiti insan görsel incelemesine dayanıyordu. Analistler kimyasal iyileştirme haritaları üzerinde geziniyor ve bulut vektörlerini elle dijitleştiriyordu.

Bunu çözmek için, Nature Scientific Reports’ta yayımladığımız yeni çalışmamızda, Jet Propulsion Laboratory (JPL)’mizdeki ekip olarak Daily Methane Digest’i kurduk: eşlenmiş filtre iyileştirmesi, anlamsal segmentasyon için derin öğrenme modeli ve fizik bilgili spektroskopik skorlama birleştiren operasyonel, otomatik bir boru hattı. Bu, uyarı gecikmelerini aylardan ~24 saate indiriyor ve modellenmemiş gazlara sıfır eğitim (zero-shot) genellemesi sağlıyor.

Operasyonel İkilem: Saf Derin Öğrenme Neden Başarısız Olur

Uydu tabanlı plûm tespit için otomatik bir boru hattı kurmak, taban oranı yanılgısının (base-rate fallacy) keskin bir örneğini ortaya koyar. Plûmler, edinilen verilerin %1’inden daha azında mevcut olabilir. %99 doğruluğa ulaşan bir anlamsal segmentasyon modeli eğitseniz bile, bunu gerçek ortamda kullandığınızda haftada insan analistlere onlarca yanlış alarm yığarsınız.

Gerçek gaz sızıntıları nadirdir; buna karşılık karmaşık zemin alt yapıları — bina çatıları, madenler ve ocaklar, kuru yataklar ve sensör artefaktları — yüzlerce yanlış pozitif üretir. Tam otomasyonun mümkün olması için bir boru hattı, son derece düşük bir yanlış alarm oranına ulaşmalıdır.

3 Aşamalı Mimari

Ham 285 bantlı radyans küplerini doğrudan bir bütünleşik uçtan uca modele eğitmek yerine, boru hattımız spektral kimyayı, uzaysal morfolojiyi ve spektroskopik doğrulamayı birbirinden ayırır.

1. Eşleşmiş Filtre Özellik Çıkarma: Ham radyans küplerini bir eşleşmiş filtreye dayanarak tek bantlı bir iyileştirme görüntüsüne sıkıştırırız. Bu işlem, karmaşık hiperspektral radyansları, hedef gazı öne çıkaran temiz bir skaler sinyal-gürültü alanına dönüştürür. Önemli bir gözlem, farklı spektral hedefler için hesaplanan eşleşmiş filtre ürünlerinin benzerlikler paylaşmasıdır — metan nokta kaynağı olaylarını tespit etmeye eğitilmiş bir analist, bu bilgiyi büyük ölçüde çaba harcamadan diğer gazlara aktarabilir.

   

2. U-Net ile Anlamsal Segmentasyon: İyileştirme ürünü, yalnızca eşleşmiş filtre katmanı üzerinde eğitilmiş bir U-Net modeli topluluğuna aktarılır. RGB’yi (önceki araştırmalarımızda kullandığımız) çıkarmak, sinir ağını yüzey albedo ipuçları yerine saf akışkan dinamiği saçılım örüntülerini öğrenmeye zorlar.

3. Fizik Bilgili Spektroskopik Skorlama: Bu kritik korumadır. Modelin bir önceki aşamada tahmin ettiği plûm çokgenini kullanarak boru hattı, ampirik plûm geçirgenlik oranını hesaplar ve bunu bir radyatif transfer modeli (MODTRAN) ile eşleştirir. Yalnızca düşük bir arta hataya sahip adaylar (örneğin D norm < 0.3) alarmı tetikler.

Şekil 2: İşleme hattı radyans verisinden başlar, eşleşen filtre güçlendirme ürünlerini hesaplar, başlangıç tahminlerini üretmek için makine öğrenmesi modellerini kullanır ve ardından spektral uyum ölçümleriyle sahte alarmları elemek için kullanılır. (Görsel yazar aidiyetindedir, uyarlanan Nature Scientific Reports makalemizden / NASA JPL-Caltech)

Sıfır Atışlı Gazlar Arası Genelleme

U-Net’imiz yalnızca eşleşen filtre güçlendirme kalıpları üzerinde eğitildiği için model, metanın kimyasal spektrum bilgisinden çok, atmosferik adveksiyon ve türbülent saçılmanın morfolojisini öğrenmiştir. Eşleşen filtre evrensel bir çeviri katmanı görevi görür.

Amonyak (NH3), Azot Dioksit (NO2) ve Karbon Monoksit (CO) için MODTRAN referans spektrumlarını kullanarak gazlara özgü eşleşen filtreler hesaplandığında, önceden eğitilen metan U-Net’i yeniden eğitim gerektirmeden bu güçlendirme ürünleri üzerinde plume geometrilerini tanıyabilmektedir. Bu sıfır atışlı hattın uygulanması, EMIT’i kullanarak karbon monoksit (CO) plumelerinin ilk kez otomatik nokta kaynağı tespitlerini ortaya çıkarmıştır.

İşlemsel Etki ve Arşiv Madenciliği

1 Ocak 2026’da Daily Methane Digest, NASA JPL’de otomatik bir “Reviewer 0” olarak yayına girdi ve her EMIT sahnesini yer alçaltımından hemen sonra işledi. Sistemin yeteneklerinin etkili bir örneği olarak 21 Şubat 2026’da devasa bir nokta kaynağı sızıntısını başarıyla tespit etti ve birkaç gün sonra Planet’in Tanager-1 uydusundan hedefli yeniden gözlem yoluyla hızlı arazi iyileştirmesini mümkün kıldı.

Bunun yanı sıra, sistemi arşivlenmiş iki tam yılın EMIT verisi üzerinde (2024 ve 2025) — 46.000’den fazla bulutsuz sahneyi temsil eden — serbest bırakmak, önceki insan değerlendirmesinden tamamen sıyrılmış 157 devasa, yüksek güvenilen metan plumesini ortaya çıkardı. Bunlar çoğunlukla şiddetli bulut karmaşası, madenler ve belirli mineraloji kompleksleri gibi yüzey karıştırıcıları ya da beklenen arazi altyapısının olmaması nedeniyle kaçırılıyordu. Bu yeni bulunan olayların haritasını, daha önce etiketlenmiş olanlarla karşılaştırarak sunuyoruz ve daha önce az araştırılmış olabilecek dünya bölgelerini vurguluyoruz.

···

Uygulamalı: Boru Hattının Yörünge Verisinde Çalıştırılması

Boruhattımızı tamamen erişilebilir kılmak için tespit kodunun tamamını ve önceden eğitilmiş ağırlıkları açık kaynak olarak yayınladık. NASA’nın Earthdata arşivindeki herhangi bir halka açık EMIT sahnesinde tespitleri yalnızca birkaç komutla doğrudan çalıştırabilirsiniz.

1 Depoyu klonlayın ve ağırlıkları indirin (toplam <250MB):

bash

git

clone

cd

daily-trace-gases

hf

download

previtus/JPL_TRACE_GASES_MODELS

–local-dir

models/JPL_TRACE_GASES_MODELS

2 Herhangi bir EMIT sahnesinde otomatik tespiti çalıştırın:

Ücretsiz NASA Earthdata kimlik bilgilerinizi yapılandırdıktan ve ön koşullu kütüphaneleri kurduktan sonra, herhangi bir hedef gaz için (ch4, nh3, no2 veya co) boruhatı çalıştırıcısını çalıştırın:

bash

# Örneğin, çalışmalarımızda gösterilen metan tespitini yeniden üretmek için

python

“ch4”

“EMIT_L1B_RAD_001_20260102T143123_2600209_005”

# Ya da sıfırdan aktarımı kullanarak karbon monoksiti (CO) tespit edin:

python

-m

“EMIT_L1B_RAD_001_20230623T031429_2317402_015”

Her çalıştırma otomatik olarak iki çıktı üretir: GeoTIFF olarak bir iyileştirme raster’ı (cmf.tif ve isteğe bağlı olarak daha güncel DiffMF ürünü) ve plonj poligonlarını ve bunlara karşılık gelen D_norm fiziksel uyum skorlarını içeren, doğrudan QGIS’te görselleştirmek için hazır bir skorlu vektör dosyası olarak GeoJSON dosyası (prediction_ensemble_scored.geojson).

···

Ana Çıkarımlar

Kaynaklar ve Kod

• Makale: Tam otomatik eser gazı plonj tespiti (Nature Scientific Reports)

• GitHub Deposu: emit-sds/daily-trace-gases

• Model Ağırlıkları ve Benchmark Verisi: Hugging Face’de (previtus/JPL_TRACE_GASES_MODELS) ve Zenodo’da (JPL Trace Gases veri seti) mevcuttur