MAPL-EMIT: 합성 플룸 360만 개로 학습해 전문가보다 1.5배 많은 메탄 누출을 찾아낸 위성 탐지 모델 (feat. Google, NASA JPL)

9bow · 9월 11, 2026, 2:00오전

MAPL-EMIT 소개

MAPL-EMIT(Methane Analysis and Plume Localization with EMIT) 는 Google Research와 NASA 제트추진연구소(JPL)가 함께 만든 딥러닝 모델로, 국제우주정거장에 실린 초분광 관측 장비가 찍은 원본 복사휘도(radiance)에서 메탄 누출 지점을 자동으로 찾아냅니다. 사람이 눈으로 판독하던 작업을 모델이 대신하면서, 1,084개 관측 장면을 맞대어 본 비교에서 전문가가 표시한 것보다 약 1.5배 많은 메탄 기둥을 찾아냈습니다. 연구 결과는 2026년 미국 국립과학원회보 PNAS(Proceedings of the National Academy of Sciences)에 Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT라는 제목으로 실렸고, 프리프린트는 arXiv:2604.10094로 공개되어 있습니다.

저자는 Google Research의 Vishal V. Batchu, Michelangelo Conserva, Alex Wilson, Varun Gulshan, Christopher V. Arsdale, 카네기 과학연구소의 Anna M. Michalak, 그리고 NASA JPL에서 EMIT 온실가스 산출물을 담당해 온 Philip G. Brodrick과 Andrew K. Thorpe입니다. 위성 관측을 실제로 운용해 온 쪽과 모델을 만드는 쪽이 함께 붙은 구성인데, 이 조합이 결과 해석에도 그대로 드러납니다. 논문은 모델이 더 많이 찾았다는 주장을 그대로 내세우지 않고, 늘어난 탐지 중 어디까지가 진짜인지를 물리 계산으로 다시 걸러 보는 데 상당한 분량을 씁니다. 덧붙여 저자들은 초고의 문장을 다듬는 데 Gemini 3을 사용했고 이후 직접 검토해 내용에 대한 책임은 저자에게 있다는 사실을 논문에 명시했습니다.

메탄이 기후 대응에서 특별한 위치를 차지하는 이유는 두 가지가 겹치기 때문입니다. 첫째로 온난화 기여도가 큽니다. 기후변화에 관한 정부간 협의체의 6차 평가보고서(IPCC AR6)를 인용한 연구진에 따르면 메탄의 지구온난화지수는 100년 기준으로 이산화탄소의 약 30배, 20년 기준으로는 81배에서 86배에 이르고, 산업화 이후 인간이 유발한 온난화의 약 25%가 메탄에서 왔습니다. 둘째로 대기 중 체류 기간이 약 9년으로 짧습니다. 지금 줄이면 효과가 비교적 빨리 나타난다는 뜻이고, 그래서 메탄 감축은 기후 대응의 빠른 대응(fast-action) 경로로 불립니다. 125개국 이상이 참여한 글로벌 메탄 서약(Global Methane Pledge)이 2030년까지 30% 감축을 목표로 내건 배경이기도 합니다.

문제는 어디서 새는지를 알아내는 일입니다. 전 세계 메탄 배출의 60%가 인위적 배출이고, 그중 농업이 44%, 에너지가 37%, 폐기물이 19%를 차지합니다. 에너지 부문만 다시 쪼개면 석유 33%, 석탄 28%, 가스 25%, 바이오에너지 14%입니다(논문이 인용한 국제에너지기구(IEA)의 Global Methane Tracker 2025 기준). 이 배출의 상당 부분은 유정, 압축기 스테이션, 매립지처럼 수십 미터 규모의 점 오염원(point source) 에서 나옵니다. 한 곳을 특정해서 막으면 그만큼 즉시 줄어드는 구조이기 때문에, 감축 비용 대비 효과가 가장 큰 표적이 바로 이 점 오염원입니다. 그런데 이 점 오염원을 전 지구 규모로 계속 찾아내는 일이 지금까지는 사람 손에 묶여 있었습니다.

이 연구는 Google이 지구 관측 데이터를 다루기 위해 모아 온 Google Earth AI 계열에 속합니다. 같은 흐름에서 나온 것으로는 25cm 해상도 영상에서 농지 사이 산울타리를 찾아 벡터 데이터로 정리한 Farmscapes 매핑 프레임워크나, 위성 관측을 직접 읽어 기상을 예보하는 WeatherNext 3가 있습니다. 산울타리 데이터셋과 이 글의 플룸 데이터베이스는 Earth Engine에서 projects/nature-trace/assets 라는 같은 이름 공간에 나란히 올라가 있기도 합니다. 다만 접근 방식까지 같지는 않습니다. 산울타리 작업이 고해상도 영상에서 픽셀 지도를 거쳐 벡터 객체를 뽑아내는 쪽이라면, MAPL-EMIT는 매치드 필터를 거친 농도 지도가 아니라 EMIT의 원본 복사휘도를 그대로 입력으로 받는다는 점이 다릅니다.

이러한 맥락에서 연구진은 모델뿐 아니라 결과물까지 함께 공개했습니다. 전 지구 플룸 데이터베이스는 Google Earth Engine 데이터 카탈로그에 올라가 있고, 코드를 쓰지 않고 지도 위에서 바로 확인할 수 있는 Earth Engine 앱도 있습니다. 학습된 모델은 Kaggle에, 추론(inference) 라이브러리는 google-research/mapl 저장소에 Apache License 2.0으로 올라와 있습니다. Google 블로그는 이 데이터베이스에 전 지구적으로 23,000개가 넘는 플룸이 새로 추가되었으며, 세계 최대 배출 매립지 25곳 중 24곳이 여기에 포함된다고 밝혔습니다. 아래 영상은 전 지구 탐지 결과에서 개별 플룸으로 줌인해 들어가는 장면으로, 이 데이터베이스가 어떤 모습인지를 보여줍니다.

우주에서 메탄을 본다는 것: 시야, 공간 해상도, 분광 해상도의 삼각 트레이드오프

메탄은 눈에 보이지 않지만 특정 파장의 빛을 흡수합니다. 초분광 영상(hyperspectral imaging) 은 픽셀 하나마다 수백 개의 좁은 파장 대역을 따로 기록하기 때문에, 이 흡수 패턴을 지문처럼 읽어 가스의 존재를 알아낼 수 있습니다. 다만 위성 관측 장비를 설계할 때는 세 가지가 서로 상충합니다. 얼마나 넓게 보는가(시야와 재방문 주기), 얼마나 세밀하게 보는가(공간 해상도), 얼마나 촘촘하게 파장을 쪼개는가(분광 해상도)입니다.

아래 표는 논문과 블로그가 비교 대상으로 든 주요 관측 장비들을 정리한 것입니다. TROPOMI와 EMIT, GHGSat의 수치는 논문과 블로그에 적힌 값을 그대로 옮겼고, Sentinel-2와 Landsat의 공간 해상도만 각 임무의 공식 문서에서 가져왔습니다. 논문은 이 둘을 "분광 해상도가 성겨서 아주 큰 배출만 잡힌다" 고만 언급하고 해상도 수치는 적지 않았습니다.

관측 장비	시야 및 커버리지	공간 해상도	분광 해상도	성격
TROPOMI	관측 폭 약 2,600km, 매일 전 지구	약 5.5km x 3.5km	0.1nm	배경 농도의 변화를 넓게 추적
EMIT	관측 폭 80km	60m	7.4nm	시설 규모의 점 오염원 관측
GHGSat	지정 지점만 촬영, 커버리지 매우 제한적	25m x 25m	논문에 명시되지 않음	상용 서비스로 데이터 접근이 제한됨
Sentinel-2, Landsat	넓음	10m에서 30m	다분광, 매우 성김	아주 큰 누출만 포착

EMIT은 원래 건조 지역의 광물 분포를 조사하려고 만든 장비입니다. 국제우주정거장에 실려 381nm에서 2,493nm까지 285개 분광 대역을 60m 해상도로 기록하는데, JPL 연구진과 학계가 이 데이터를 메탄 탐지에 전용하면서 점 오염원 관측의 주력 자산이 되었습니다. 넓지도 좁지도 않은 80km 관측 폭에 시설 하나를 구분할 만한 공간 해상도, 메탄의 화학적 지문을 잡아낼 만한 분광 해상도를 함께 갖췄기 때문입니다.

그런데 데이터가 좋다고 판독이 쉬워지는 것은 아닙니다. 지금까지의 표준 방식은 적응형 매치드 필터(Adaptive Matched Filter, AMF) 로 픽셀마다 메탄 흡수 스펙트럼과의 일치도를 계산한 뒤, 사람이 그 결과 지도를 보고 플룸의 윤곽을 그리는 것이었습니다. 이 방식의 약점은 지표면 자체에 있습니다. 어떤 흙, 암석, 인공 구조물은 메탄과 비슷한 분광 특성을 가져서 매치드 필터 결과에 가짜 신호를 만들어 냅니다. 그래서 NASA가 배포하는 EMIT L2B 메탄 플룸 콤플렉스 데이터셋(L2B는 NASA의 처리 단계 표기로, 원시 관측을 가공해 물리량을 산출한 산출물을 가리킵니다)은 전문가 검토를 여러 차례 거쳐 확신이 높은 것만 남깁니다. 오탐이 적은 대신 약한 배출은 상당수 놓치고, 무엇보다 사람이 봐야 하므로 전 지구 규모로 확장하기가 어렵습니다.

논문은 위성 메탄 탐지가 부딪히는 벽을 네 가지로 정리합니다. 첫째, 메탄 탐지 전용으로 설계되었으면서 원시 복사휘도를 완전히 공개하는 관측 장비가 사실상 없습니다. 지금 쓰는 센서들은 공간적으로 성기거나(TROPOMI) 분광적으로 성깁니다(EMIT, PRISMA, EnMAP). 둘째, 정답 데이터가 절대적으로 부족해서 기계학습 알고리즘을 객관적으로 비교할 벤치마크 자체가 성립하기 어렵습니다. 셋째, 자리 잡은 방법들이 전문가의 수작업 판독에 의존하고 있어 대용량 데이터에 빠르게 적용하기 어렵고 비용도 큽니다. 넷째, 이 분야는 실제 배출을 놓치는 것과 없는 배출을 있다고 하는 것 사이의 균형이 특히 민감합니다. 신뢰할 수 없는 탐지가 쌓이면 위성 관측 자체의 신뢰가 흔들리기 때문입니다.

아래 표는 기존 매치드 필터 기반 워크플로우와 MAPL-EMIT의 접근을 나란히 놓은 것입니다.

항목	매치드 필터 + 전문가 판독	MAPL-EMIT
입력 단위	픽셀 하나의 스펙트럼	256 x 256 타일의 전 대역 스펙트럼과 공간 맥락
플룸 경계	사람이 수작업으로 그림	모델이 인스턴스 마스크로 출력
겹친 플룸	하나로 뭉쳐서 처리	슬롯별로 분리
발생원 위치	별도 판단	모델이 좌표로 출력
확장성	사람 검토가 병목	전체 EMIT 아카이브에 일괄 적용 가능
오탐	보수적 임계값으로 억제	신뢰도 등급과 스펙트럼 점수로 사용자가 조절

픽셀 단위 분광 분석에서 장면 전체의 공간 맥락으로

MAPL-EMIT의 출발점은 단순합니다. 픽셀 하나의 스펙트럼만 보지 말고, 그 픽셀 주변에서 가스가 어떻게 퍼져 있는지를 함께 보자는 것입니다. 바람에 실려 흘러가는 진짜 플룸은 발생원에서 시작해 한쪽으로 길게 늘어지는 특유의 모양을 가집니다. 반면 메탄과 비슷한 스펙트럼을 가진 지표면 얼룩은 그런 모양을 만들지 않습니다. 공간 맥락(spatial context) 을 함께 보는 것만으로 이 둘을 구분할 여지가 생깁니다.

모델은 Swin Transformer V2의 S 크기 인코더(약 3천만 개 파라미터)에 합성곱 디코더를 붙인 U-Net 형태입니다. 인코더가 입력을 단계적으로 축소하면서 특징을 뽑고 디코더가 다시 공간 해상도를 복원하며, 두 경로 사이를 스킵 연결이 이어 줍니다. 입력은 EMIT L1B 복사휘도 285개 대역(잡음이 심한 앞뒤 세 개씩과 차수 분리 필터 부근 일곱 개는 제외)에 태양 천정각, 위성 천정각, 궤도 횡단 방향 픽셀 위치를 더한 것입니다. 논문은 패치 임베딩 가중치를 뜯어본 결과 모델이 단파적외선(SWIR) 영역의 메탄 주요 흡수 대역 세 곳에 자연스럽게 가중치를 몰아 주고 있었다고 보고합니다. 700nm와 2000nm 부근에도 반응이 있는데, 연구진은 이를 수증기나 이산화탄소 흡수 대역 때문일 수 있다고만 조심스럽게 적었습니다. 나머지 대역 전반에 가중치가 옅게 퍼져 있는 것은 배경을 기준선으로 잡고 지표면 특성을 파악하는 데 쓰이는 것으로 추정했습니다.

하나의 모델이 동시에 푸는 세 가지 문제

디코더의 마지막 특징 맵은 세 갈래의 예측 헤드로 들어갑니다. 각 갈래는 타일 하나에서 최대 P 개의 플룸을 따로 담기 위해 P 개의 슬롯으로 나뉘고, 이 연구에서는 P = 10 을 썼습니다.

농도 증가량 추정(Enhancement Quantification): 픽셀마다 배경 대비 메탄이 얼마나 늘었는지를 ppm-m 단위로 예측합니다. ppm-m은 관측 경로를 따라 적분한 농도로, 시야 방향으로 쌓인 메탄의 총량이라고 이해하면 됩니다.
플룸 경계 구분(Plume Delineation): 플룸 하나하나의 모양과 경계를 이진 마스크로 잘라냅니다. 두 플룸이 바람 아래에서 겹쳐 하나로 보여도 각각을 따로 떼어냅니다.
발생원 위치 추정(Source Localization): 퍼져 나간 가스를 거슬러 올라가 배출이 시작된 지점을 찍습니다. 학습할 때는 반지름 15픽셀의 원을 정답으로 두고 이진 분할 문제처럼 풀며, 추론할 때는 확률이 0.3을 넘는 픽셀들의 확률 가중 무게중심을 최종 좌표로 씁니다.

세 가지를 한 모델에서 동시에 푸는 것은 기존 문헌에서 비어 있던 자리입니다. 예측한 슬롯과 정답 플룸을 짝지어야 손실을 계산할 수 있는데, 슬롯에는 순서가 없으므로 연구진은 헝가리안 알고리즘(Hungarian matching)으로 일대일 대응을 찾습니다. 농도 증가량은 제곱근을 씌운 값에 후버 손실(Huber loss)을, 마스크와 발생원은 이진 교차 엔트로피를 씁니다. 제곱근 변환을 넣은 이유는, 그냥 두면 큰 누출이 손실을 지배해서 약한 플룸을 놓치기 때문입니다. 여기에 장면 전체의 메탄 총량이 보존되도록 슬롯 합계에 걸리는 보조 손실을 더했습니다.

아래 그림은 이 설계가 실제로 어떤 결과를 내는지 보여주는 장면입니다. 인접한 두 발생원에서 나온 플룸이 바람 아래에서 하나로 합쳐졌지만, 모델은 두 개의 마스크를 각각 그리고 각 플룸의 좁은 끝에 발생원을 X로 찍었습니다.

실제 플룸이 없어서 만들어 낸 360만 개

트랜스포머 계열 모델은 데이터를 많이 먹습니다. 그런데 전 지구 규모로 라벨이 붙은 실제 메탄 플룸 데이터셋은 존재하지 않습니다. 앞서 본 NASA L2B 데이터셋조차 이 연구의 비교 구간에서 1,689개 수준입니다. 연구진의 선택은 물리 기반 시뮬레이션으로 학습 데이터를 만드는 것이었습니다.

플룸 확산은 라그랑주 퍼프 모델(Lagrangian puff model)로 시뮬레이션했습니다. 가스 덩어리(퍼프)를 하나씩 놓고 확률적 바람장을 따라 2차원 평면에서 움직이게 하되, 난류와 소용돌이는 심플렉스 노이즈(Simplex noise)로 흉내 냈습니다. 위성은 어차피 시야 방향으로 적분된 농도를 재기 때문에 3차원 시뮬레이션이 필요하지 않고, 2차원으로 제한한 덕분에 계산이 크게 빨라졌습니다. 발생원 위치는 무작위가 아니라 군집을 이루도록 뽑아서, 플룸 꼬리가 서로 겹치는 상황이 데이터에 자연스럽게 들어가게 했습니다. 시뮬레이션 조건도 폭넓게 흔들었습니다. 한 번의 시뮬레이션은 3,000초 구간을 재현하고, 평균 풍속은 0에서 10m/s 사이에서, 발생원마다 방출하는 퍼프 개수는 평균 20개 안팎에서 표본을 뽑습니다. 각 플룸의 배출 지속 시간도 250초부터 3,000초까지 여러 구간에서 골라, 관측 시점에 이미 끊긴 간헐적 배출까지 데이터에 담기게 했습니다.

이렇게 만든 플룸을 실제 EMIT 장면에 주입할 때는 복사전달을 다시 계산해야 합니다. 연구진은 HITRAN2020 분광 데이터베이스를 이용한 라인 바이 라인 계산으로 압력 확장과 도플러 효과, 질소와 산소와 수증기의 연속 흡수까지 반영한 투과율을 구한 뒤, 태양 천정각과 위성 천정각, 메탄 농도 조합에 대한 룩업 테이블(LUT)로 미리 계산해 두고 비어 램버트 법칙(Beer-Lambert law)으로 합성 복사휘도를 만들었습니다. 계산량을 줄이기 위해 산란과 에어로졸, 수증기 변동은 제외했는데, 논문은 수증기 농도나 에어로졸 광학두께와 추정 오차 사이에 유의미한 상관이 없음을 확인해 이 단순화를 정당화합니다.

결과적으로 240,000개 타일에 걸쳐 360만 개의 합성 플룸이 만들어졌습니다. 배경이 되는 EMIT 타일은 60m 해상도의 256 x 256 픽셀 단위로 잘랐고, 구름이나 우주선 구조물이 50%를 넘게 가린 타일은 걸러 235,000개를 남긴 뒤 학습 70%, 검증 15%, 시험 15%로 나눴습니다. 타일 하나에는 플룸 15개가 들어 있고 학습할 때 그중 최대 10개를 무작위로 골라 주입합니다. 배출 강도는 학습할 때 100부터 12,800ppm-m까지의 구간 중 하나를 무작위로 고른 뒤 그 안에서 균등하게 뽑았고, 평가할 때는 실제 누출 분포에 맞추어 100kg/hr에서 10,000kg/hr 사이를 로그 균등으로 뽑았습니다. 학습 표본의 10%는 플룸을 하나도 넣지 않아 모델이 항상 플룸이 있다고 답하는 편향을 갖지 않게 했습니다.

여기서 자연스럽게 따라오는 질문은 "그 합성 플룸이 실제와 비슷하다는 것을 어떻게 아는가" 입니다. 논문은 이 질문에 직접 답할 방법이 없다고 인정합니다. 비교할 만한 양의 실제 라벨이 애초에 없기 때문입니다. 대신 연구진이 택한 논리는 간접 확인입니다. 합성 데이터가 현실과 동떨어져 있었다면 그것으로 학습한 모델이 실제 EMIT 관측에서 쓸 만한 결과를 낼 수 없었을 것이므로, 뒤에 나오는 실제 관측 평가의 성적이 곧 합성 데이터의 현실성을 뒷받침한다는 것입니다. 논리적으로는 타당하지만, 실제 성능이 곧 시뮬레이션 품질의 유일한 증거라는 점은 이 접근의 구조적 약점이기도 합니다.

손실 함수 설계는 몇 가지 비교를 거쳐 정해졌습니다. 아래 수치는 모두 1단계 학습(배치 128, 50만 스텝)만 마친 모델을 겹친 플룸 검증 세트의 ERBWS 100에서 200 구간에서 잰 F1 점수입니다. 뒤에 나오는 최종 성능과는 다른 조건이므로 절대값이 아니라 항목 사이의 차이만 보시면 됩니다.

비교 항목	설정	F1
농도 출력 스케일링	제곱근(채택)	0.609
	log1p	0.605
	선형(변환 없음)	0.569
플룸 픽셀 가중치	농도 30배, 마스크 1배(채택)	0.609
	농도 50배, 마스크 1배	0.604
	농도 15배, 마스크 1배	0.599
	가중치 없음	0.567
장면 합계 보조 손실	전부 사용(채택)	0.609
	농도 합계 손실 제거	0.589
	분할 합계 손실 제거	0.572
	보조 손실 전부 제거	0.555

읽어 보면 세 항목의 기여도가 서로 다릅니다. 출력 스케일링은 변환을 아예 하지 않을 때만 크게 손해를 보고 제곱근과 log1p의 차이는 미미합니다. 플룸 픽셀 가중치도 15배에서 50배 사이라면 어디를 골라도 비슷하고, 아예 주지 않을 때만 확연히 떨어집니다. 반면 장면 합계에 걸리는 보조 손실은 하나씩 뺄 때마다 점수가 계단식으로 내려가서, 전부 제거하면 0.555까지 떨어집니다. 메탄 총량을 보존하도록 강제하는 장치가 이 모델에서 가장 값을 하는 설계 선택이었던 셈입니다.

아래 영상은 물리 시뮬레이션으로 만든 플룸이 실제 EMIT 장면 위에 주입되는 과정을 보여줍니다.

모델에 넣기 전에: 태양 스펙트럼 정규화와 궤도 횡단 줄무늬 보정

복사휘도를 그대로 신경망에 넣지는 않습니다. 위성이 기록한 값에는 메탄과 무관한 두 가지 큰 구조가 섞여 있어서, 이를 먼저 걷어내야 모델이 미세한 흡수 신호에 집중할 수 있습니다.

첫 번째는 태양광 자체의 스펙트럼 모양입니다. 연구진은 태양을 5,778K 흑체로 놓고 플랑크 법칙으로 이론적인 복사휘도를 구한 뒤, EMIT 각 밴드의 분광 응답 함수와 합성곱해 밴드별 태양 조도 계수를 만들었습니다. 입력 복사휘도를 이 계수로 나누면 값이 대략 0에서 1 사이의 유사 반사율 공간으로 옮겨 갑니다.

두 번째는 검출기에서 생기는 세로 줄무늬입니다. 밀어내기 방식(pushbroom) 분광계는 궤도 횡단 방향의 픽셀마다 서로 다른 검출기 소자를 쓰기 때문에, 소자별 감도 차이가 영상에 체계적인 줄무늬로 남습니다. 연구진은 모든 EMIT 그래뉼에 걸쳐 밴드별, 횡단 위치별 평균 복사휘도를 미리 계산해 두고, 각 픽셀에 전체 평균과 해당 횡단 위치 평균의 비율을 곱해 이 곱셈성 줄무늬를 보정했습니다. 이 보정은 단순한 미관 문제가 아닙니다. 보충 자료의 비교에 따르면 횡단 보정을 하지 않으면 모델이 검출기 배열 방향을 따라 있지도 않은 구조를 만들어 냅니다. 전처리 한 단계가 오탐의 한 종류를 통째로 없애는 셈입니다.

학습은 Google DeepMind의 Jeo 라이브러리로 구현했습니다. Jeo는 JAX 기반의 지구 관측 및 원격 탐사 모델 학습 프레임워크입니다. 옵티마이저는 AdamW를 썼고, 1,000스텝 워밍업 뒤 최고 학습률 3e-4에서 코사인으로 감쇠시켰습니다. 배치 128로 50만 스텝을 돌린 1단계와 배치 256으로 100만 스텝을 돌리며 미세조정(fine-tuning)한 2단계로 나뉘며, TPU 32칩에서 전체 학습에 약 96시간이 걸렸습니다.

타일에서 그래뉼로: 16번 겹쳐 보고 표를 세는 추론

모델은 256 x 256 픽셀, 즉 약 234km² 단위로 학습되었지만 실제 관측 단위인 EMIT 그래뉼은 약 5,700km²입니다. 큰 배출원의 플룸이 타일 경계에서 잘리는 문제를 피하려면 겹쳐 가며 추론해야 합니다. 연구진은 64픽셀 간격으로 타일을 이동시켜 인접 창끼리 75%가 겹치도록 했습니다. 그러면 같은 지점이 최대 16번 추론 대상이 됩니다.

이 방식은 두 가지를 동시에 줍니다. 하나는 이어 붙이기입니다. 겹치는 예측을 해닝 창(Hanning window)으로 가중 평균해 창 중앙의 예측에 더 큰 무게를 주면, 경계선이 보이지 않는 연속적인 농도 지도가 만들어집니다. 다른 하나는 앙상블 신뢰도입니다. 어떤 플룸이 16번의 추론 중 몇 번 검출되었는지를 세면, 그 자체가 모델이 얼마나 확신하는지를 나타내는 지표가 됩니다. 뒤에 나오는 실제 관측 평가에서 "16번 중 13번 초과" 라는 필터가 등장하는데, 바로 이 앙상블 검출 횟수를 가리킵니다. 데이터셋에서는 cluster_size 속성으로 제공되며, 사용자가 직접 기준을 조절할 수 있습니다.

합성 시험셋에서의 성능: 약한 플룸이 여전히 어렵다

합성 데이터로 학습했으니 합성 시험셋 성능은 상한에 가깝게 봐야 합니다. 그래도 이 평가가 중요한 이유는, 정답이 정확히 알려진 유일한 환경이라 탐지 한계를 수치로 확정할 수 있기 때문입니다.

성능은 배출률을 풍속으로 나눈 값(ERBWS, Emission Rate By Wind Speed) 구간별로 나누어 봅니다. 같은 배출량이라도 바람이 세면 가스가 흩어져 옅어지므로, 배출률만으로는 난이도가 정해지지 않기 때문입니다. 풍속 2.5m/s를 가정하면 ERBWS 100에서 200 구간이 대략 250kg/hr에서 500kg/hr에 해당합니다.

숫자를 읽기 전에 판정 기준을 확인해 둘 필요가 있습니다. 탐지에서는 예측 마스크와 정답 마스크의 IoU가 0.25를 넘어야 정탐으로 셉니다. 발생원 추정에서는 정답에서 600m 이내에 찍혀야 정탐입니다. 예측과 정답의 대응은 여기서도 헝가리안 매칭으로 맞춥니다. 운영 임계값은 검증 세트에서 ERBWS 100에서 200 구간의 F1 점수를 최대화하는 값으로 골랐는데, 이 구간을 기준으로 삼은 이유는 실제 메탄 누출의 분포가 꼬리가 두꺼워서 이 대역에 상당한 비중이 몰려 있기 때문입니다. 다시 말해 아래 수치는 "약한 플룸을 잡는 데 최적화한 상태" 에서 나온 것이고, 다른 지점을 목표로 삼으면 정밀도와 재현율의 균형이 달라집니다.

위 그래프에서 주황색은 플룸이 하나만 있는 장면, 자주색은 여러 플룸이 겹친 장면입니다. 여기서 세 가지를 읽을 수 있습니다.

첫째, 강한 플룸에서는 거의 놓치지 않습니다. 단일 플룸 기준으로 정밀도는 가장 약한 구간의 0.80에서 가장 강한 구간의 0.97까지, 재현율은 0.33에서 0.93까지 올라갑니다. ERBWS 800을 넘으면 재현율이 80%를 넘습니다.

둘째, 약한 플룸은 여전히 절반 이상 놓칩니다. 가장 약한 50에서 100 구간의 재현율은 0.33에 그칩니다. 연구진이 목표로 삼은 지점은 100에서 200 구간으로, 이 구간에서 F1 점수와 정밀도, 재현율이 모두 50%를 넘습니다. 풍속 2.5m/s에서 250kg/hr에서 500kg/hr에 해당하는 수치이고, 기존 모델들이 1,000kg/hr 부근에서 탐지 확률 10%를 보인 것과 비교하면 2배에서 4배 낮아진 탐지 한계입니다.

셋째, 플룸이 겹치면 약한 구간에서 대가를 치릅니다. 가장 약한 구간의 정밀도가 단일 0.80에서 겹침 0.57로 떨어집니다. 논문은 "가장 약한 플룸을 제외하면 영향은 크지 않다" 고 표현했는데, 그래프를 보면 그 예외가 실제로 상당한 폭이라는 점은 짚어 둘 만합니다. 다만 발생원 위치 추정은 겹침의 영향을 거의 받지 않았습니다. 정답과 추정 지점 사이 평균 거리는 단일 플룸에서 101m(1.68픽셀), 겹친 플룸에서 103m(1.72픽셀)로 사실상 같았습니다.

농도 추정 정확도는 픽셀 단위로 볼 때 정규화 RMSE가 가장 강한 픽셀(2,500ppm-m 초과)에서 6%, 250에서 500ppm-m 구간에서 26%였고 더 약한 구간에서는 더 커졌습니다. 다만 플룸 단위로 적분하면 픽셀별 오차가 서로 상쇄되어, 가장 강한 플룸에서 8%, 가장 약한 플룸에서 24% 수준으로 줄어듭니다. 배출량 추정처럼 총량이 중요한 용도에서는 이 플룸 단위 수치가 더 의미가 있습니다.

실제 위성 관측: NASA 전문가 판독본과의 대조

합성 데이터에서 잘 되는 모델이 실제 관측에서도 잘 된다는 보장은 없습니다. 연구진은 서로 성격이 다른 네 가지 실제 데이터로 교차 검증했습니다. NASA L2B 판독본, 세계 최대 배출 매립지 목록, 항공 관측, 통제 방출 실험입니다.

가장 큰 규모의 비교는 NASA L2B 판독본과의 대조입니다. 동일한 1,084개 그래뉼(granule, EMIT의 관측 단위 장면)에 모델을 돌렸고, 이 영역에는 전문가가 표시한 L2B 플룸이 1,689개 있었습니다. 모델은 처음에 3,672개를 찾았고, 육지에 있으면서 겹치는 타일로 16번 추론했을 때 13번을 넘게 검출된 것만 남기는 필터(전체 추론의 81.25% 초과)를 적용해 2,210개로 줄였습니다.

위 그림이 두 방식의 차이를 한눈에 보여줍니다. 맨 위 RGB 영상에서는 가스가 전혀 보이지 않습니다. 가운데가 NASA L2B의 매치드 필터 결과인데, 화면 전체가 잡음으로 뒤덮여 있고 색상 눈금이 마이너스 1,000에서 플러스 1,000ppm-m을 넘나듭니다. 존재할 수 없는 큰 음수 값이 픽셀 곳곳에 찍혀 있다는 뜻이고, 그 잡음 속에 흰 윤곽선으로 표시된 두 플룸이 겨우 묻혀 있습니다. 맨 아래 MAPL-EMIT 결과는 배경이 거의 균일하게 깔리고 눈금이 0에서 300ppm-m으로 좁아지면서, 두 개의 길쭉한 플룸이 뚜렷하게 드러납니다.

이 인상은 수치로도 확인됩니다. 같은 1,084개 그래뉼에서 모델이 예측한 농도와 물리 기반 스펙트럼 피팅으로 구한 농도를 비교했을 때 MAPL-EMIT의 대칭 평균 절대 백분율 오차(SMAPE)는 56%였고, 같은 조건에서 EMIT L2B는 117%였습니다. 모델 출력이 물리적으로 기대되는 분포에 더 가깝고, 비정상적으로 크거나 작은 잡음 값이 적다는 의미입니다.

찾아낸 것과 놓친 것

개별 플룸 단위로 보면 MAPL-EMIT는 L2B 플룸 콤플렉스의 84% 를 포착했습니다. 반대 방향으로 세면 MAPL-EMIT 플룸 중 L2B에 들어 있는 것은 67%에 그칩니다. 즉 3분의 1은 사람이 표시하지 않은 새 탐지입니다.

위 그래프는 그 차이가 어디서 나오는지를 보여줍니다. 가로축은 스펙트럼 피팅으로 구한 농도 구간이고, 세로축은 각 구간에서 찾아낸 플룸 개수입니다. 모든 구간에서 MAPL-EMIT(보라색)가 더 많지만, 격차는 왼쪽 끝에 몰려 있습니다. 가장 약한 0에서 50ppm-m 구간에서 520개 대 181개로 약 2.9배 차이가 나고, 150에서 250ppm-m 구간에서는 386개 대 366개로 거의 같습니다. 그래프에 적힌 숫자를 모두 더하면 2,210개 대 1,580개로 약 1.4배이며, 논문 초록과 Kaggle 모델 카드가 말하는 "약 1.5배" 와 부합합니다. 참고로 논문 본문 결과 절에는 "두 배" 라는 표현도 등장하는데, 그래프에 찍힌 개수와는 맞지 않습니다. 인용하실 때는 그래프 수치를 기준으로 삼는 편이 안전합니다.

여기서 한 가지 주의할 점이 있습니다. 그래프에 들어간 EMIT L2B 플룸은 1,580개인데, 앞에서 언급한 본문의 1,689개보다 적습니다. 스펙트럼 피팅 값이 산출되지 않아 구간에 넣지 못한 플룸이 빠진 것으로 보입니다.

연구진은 새 탐지가 늘어난 이유를 세 가지로 정리합니다. 매치드 필터의 잡음에 묻혀 있던 약한 플룸을 모델이 잡아낸 경우, L2B의 엄격한 확신 기준이나 사람의 누락으로 강한 플룸이 빠진 경우, 그리고 일부는 실제로 오탐인 경우입니다. 세 번째 예로 논문 보충 자료는 콘크리트와 아스팔트 시설(북위 29.153079, 서경 95.436677) 위의 고강도 플룸을 듭니다. MAPL-EMIT는 잡아냈지만 NASA L2B 목록에는 없는 사례로, 부분적인 구름과 매치드 필터의 낮은 대비 때문에 사람이 놓친 것으로 추정했습니다.

그렇다면 새로 찾은 것 중 진짜는 얼마나 될까요. 논문 보충 자료는 이 질문에 직접 답합니다. L2B 목록에 없는 MAPL-EMIT 플룸만 따로 모아 스펙트럼 피팅으로 검증했을 때 약 67% 가 실제 메탄 배출과 부합하는 분광 특성을 보였습니다. 공교롭게도 앞 문단의 67%와 숫자가 같은데, 둘은 전혀 다른 값입니다. 앞의 67%는 MAPL-EMIT 플룸 중 L2B에도 있는 비율 이고, 여기의 67%는 L2B에 없는 새 탐지 중 물리 검증을 통과한 비율 입니다. 뒤집어 말하면 새 탐지의 3분의 1가량은 물리적으로 뒷받침되지 않으며, 이 수치가 뒤에 나오는 신뢰도 등급 설계의 근거가 됩니다.

없는 곳에서는 몇 개나 찾아내는가

세 번째 요인, 즉 오탐이 얼마나 되는지는 별도로 확인해야 합니다. 문제는 "여기에는 메탄이 없다" 고 보증된 전 지구 데이터셋이 존재하지 않는다는 점입니다. 연구진은 차선책으로 NASA JPL이 플룸이 거의 없을 것으로 보는 그래뉼 20,000개에 모델을 돌렸습니다.

같은 필터를 적용한 뒤 모델은 1,513개의 탐지를 냈습니다. 이 중 Xiang 등(2025)이 제안한 스펙트럼 피팅 검증을 적용해 355개는 진짜 메탄 플룸일 가능성이 높은 것으로 판별했습니다. 남은 1,158개가 오탐일 수 있는 후보이고, 이를 그래뉼 수로 나누면 장면 하나당 약 0.07개입니다. 검증되지 않은 탐지를 전부 오탐으로 세었으므로 이 값은 실제 오탐율의 보수적인 상한입니다. 이런 탐지는 주로 기복이 심한 지형이나 울창한 산림에서 나왔습니다.

검증 절차 자체는 모델과 무관한 물리 계산입니다. 먼저 모델이 그린 마스크에서 상위 1%의 과도한 값을 제외한 뒤 남은 상위 30개 픽셀 주변의 3 x 3 영역을 모아 플룸 내부 픽셀로 삼습니다. 배경 픽셀은 마스크를 200픽셀 넓히고 같은 그래뉼의 다른 플룸과 농도가 30ppm-m을 넘는 픽셀을 제외한 영역에서 고르는데, 메탄 흡수와 무관한 대역을 기준으로 헝가리안 매칭을 돌려 내부 픽셀 하나하나에 가장 비슷한 배경 픽셀을 짝지어 줍니다. 그런 다음 두 집단의 평균 복사휘도 비율에 최소제곱 피팅을 적용해 물리적으로 기대되는 농도를 따로 구하고, 이 값을 모델 예측값과 비교합니다. 모델이 만들어 낸 마스크를 쓰되 판정은 복사전달 계산으로 한다는 점이 이 방법의 핵심입니다.

아래 그림은 이 검증이 실제로 어떻게 생겼는지를 보여줍니다.

윗줄은 같은 장면의 RGB, EMIT L2B, MAPL-EMIT 결과입니다. L2B는 잡음 위에 플룸 하나만 표시했고 색상 눈금이 3,000ppm-m을 넘어가는 반면, MAPL-EMIT는 겹친 것을 포함해 세 개의 윤곽을 그렸고 눈금은 400ppm-m대에 머뭅니다. 아랫줄이 스펙트럼 피팅 곡선으로, 가로축은 2,100nm에서 2,450nm까지의 파장이고 세로축은 투과율입니다. 초록색 관측값과 빨간색 모델값이 2,300nm 부근에서 나란히 아래로 꺼지면 메탄 흡수가 실재한다고 봅니다. MAPL-EMIT 쪽(오른쪽)에는 세 플룸의 곡선이 겹쳐 그려져 있는데, 논문은 첫 번째 플룸의 피팅은 견고하지만 두 번째는 강도가 약해 덜 분명하다고 스스로 적었습니다. 모델이 그렸다고 전부 같은 확신도를 갖는 것이 아니라는 점을 저자들이 직접 보여 준 셈입니다.

이 스펙트럼 검증은 데이터셋에도 그대로 실려 나옵니다. 각 플룸에는 관측된 투과율과 모델링된 투과율을 비교해 얻은 두 가지 점수, 즉 상관 오차 D_{cor} 과 정규화 오차 D_{norm} 이 붙어 있습니다. 경험적으로 D_{cor} \le 0.4 이고 D_{norm} \le 0.5 이면 진짜 플룸일 가능성이 높고, D_{norm} 이 0.8을 넘으면 오탐을 의심합니다. 사용자가 직접 임계값을 조정해 재현율과 정밀도의 균형을 고를 수 있게 한 설계입니다.

매립지, 항공 관측, 통제 방출로 세 번 더 확인하기

세계 최대 배출 매립지 25곳 중 24곳

매립지는 탐지가 특히 어려운 환경입니다. 지표면이 불균질하고 반사율이 들쭉날쭉해서 매치드 필터가 인공적인 신호를 만들기 쉽고, 배출원이 여러 개이거나 넓게 퍼져 있어 경계를 그리기도 까다롭습니다. Zhang 등(2025)이 전 세계 최대 배출 매립지 25곳을 조사했을 때 EMIT L2B 제품이 플룸을 잡아낸 곳은 17곳이었습니다.

MAPL-EMIT는 같은 25곳 중 24곳 에서 플룸을 찾아냈습니다. 재현율로는 96%입니다. 주목할 점은 모델이 지상 시설물 정보도, 그날의 바람 방향도 전혀 모르는 상태에서 EMIT 관측만으로 이 결과를 냈다는 것입니다. 그런데도 검출된 플룸의 방향은 관측 시점의 주요 풍향과 일치했습니다. 부분적으로 구름이 낀 장면에서도 검출이 유지되었는데, 이런 조건은 전통적인 매치드 필터가 아티팩트를 만들어 결과를 통째로 마스킹해야 하는 경우가 많은 구간입니다.

논문 보충 자료는 L2B가 놓친 매립지들을 하나씩 뜯어보며 이유를 나눕니다. 어떤 곳은 L2B 농도 지도에서 플룸의 범위와 방향을 분간하기 어려웠고, 어떤 곳은 표준 L2B 처리 과정에서 마스킹된 영역에 가려졌으며, 또 한 곳은 신호 대 잡음비가 낮아 아예 보이지 않았습니다. 세 경우 모두 배출이 없어서가 아니라 판독 가능한 형태로 남지 않아서 빠진 것입니다.

아래 영상은 요르단 암만의 대형 매립지를 시계열로 따라간 결과입니다. 논문 보충 자료 기준으로 2022년 8월부터 2025년 7월까지의 관측을 이어 붙인 것으로, 이 지점은 지속적으로 배출이 확인된 곳입니다. 모델은 여러 차례의 EMIT 통과에 걸쳐 플룸을 반복해서 잡아내면서 주변 지역에는 오탐을 만들지 않았고, 그날그날의 바람에 따라 플룸의 모양이 달라지는 것까지 그려냈습니다.

항공 관측과의 대조

두 번째 검증은 같은 시각에 상공을 지나간 항공 관측과의 비교입니다. 항공 분광계는 위성보다 공간 해상도와 신호 대 잡음비가 훨씬 좋아서, 위성 데이터에서 애매한 신호가 진짜인지 판정하는 기준으로 쓸 수 있습니다. 연구진은 항공 영상 분광계인 AVIRIS-3(Airborne Visible/Infrared Imaging Spectrometer-3)를 주 검증원으로 삼고, EMIT 통과 시점으로부터 30분 이내에 촬영된 관측만 골랐습니다.

위 그림은 앞서 본 장면과 같은 지역에 AVIRIS-3 관측 패널(위에서 두 번째)을 끼워 넣은 것입니다. AVIRIS-3의 원래 해상도는 0.3m인데, 공정한 비교를 위해 EMIT의 60m로 리샘플링하자 원래 다섯 개였던 플룸 중 세 개만 남았습니다. 나머지는 해상도를 낮추는 순간 배경에 묻혀 버린 것입니다. MAPL-EMIT는 이 세 개 중 두 개를 오탐 없이 탐지했습니다.

신호 대 잡음비 차이가 특히 두드러집니다. MAPL-EMIT 결과에서 이 플룸들의 신호 대 잡음비는 8.60이었고, 60m로 리샘플링한 AVIRIS-3 매치드 필터 결과는 1.21, NASA L2B의 표준 매치드 필터는 0.40이었습니다. NASA L2B도 이 플룸들을 잡기는 했지만, 배경 잡음에서 분리하기가 훨씬 어려웠습니다. 플룸의 형태와 방향도 MAPL-EMIT 쪽이 AVIRIS-3 관측에 더 가까웠고, 두 번째 플룸에서는 L2B의 꼬리 부분이 크게 어긋났습니다. Global Airborne Observatory(GAO)의 공개 관측 데이터와의 비교에서도 같은 30분 기준으로 유사한 결과가 나왔습니다.

통제 방출 실험

세 번째 검증은 배출량을 정확히 아는 상태에서 일부러 메탄을 방출하는 실험입니다. 연구진은 애리조나의 전용 실험장에서 진행된 스탠퍼드 통제 방출 실험 중 EMIT 통과가 겹친 7건(2단계 5건, 4단계 2건)을 분석했습니다.

MAPL-EMIT는 7건 중 5건을 탐지했습니다. 여섯 번째 방출은 농도 지도에는 나타났지만 플룸 확률이 임계값에 미치지 못해 플룸으로 등록되지 않았습니다. 중요한 것은 같은 지점을 지나간 다른 모든 EMIT 관측에서 오탐이 한 건도 나오지 않았다는 점입니다. 실제로는 방출이 없던 날에 플룸을 그리지 않았다는 뜻이고, 짧고 중간 강도인 방출(ERBWS 기준 약 300에서 1,000)을 잡아낼 수 있음을 확인해 줍니다.

공개된 자산: 데이터셋, 모델, 추론 라이브러리

이 연구의 결과물은 세 갈래로 공개되어 있습니다.

Earth Engine 데이터셋 두 종. 플룸 단위 결과는 MAPL-EMIT Plumes에, 그래뉼 단위의 원시 농도 지도와 픽셀별 플룸 확률은 MAPL-EMIT Enhancements에 있습니다. 밴드는 60m 해상도의 methane_enhancement(ppm-m), plume_probability, origin_probability 이고, 플룸마다 발생원 좌표, 앞서 설명한 d_norm 과 d_cor 점수, ERA5 10m 바람 성분, 시간축 군집 인덱스 등의 속성이 함께 제공됩니다. Earth Engine 코드 편집기에서 다음처럼 바로 불러올 수 있습니다.

var dataset = ee.ImageCollection(
    'projects/nature-trace/assets/ghg/emit/mapl_emit_plumes_v1_0');

// Apply a filter to only select the high confidence tagged plumes.
dataset = dataset.filter(ee.Filter.eq('confidence', 'high'))

// Mask enhancements (band 0) using plume probability (band 1)
var plumesMasked = dataset.map(function(img) {
  var enh = img.select('methane_enhancement');
  var prob = img.select('plume_probability');
  return enh.updateMask(prob.gt(0.5));
});

코드를 쓰지 않아도 MAPL-EMIT Earth Engine 앱에서 지도를 직접 둘러볼 수 있습니다.

Kaggle의 학습된 모델과 합성 데이터. 모델은 TensorFlow SavedModel 형식이고, 256 x 256 타일의 285개 밴드 복사휘도와 태양 및 위성 천정각, 궤도 횡단 픽셀 위치를 입력으로 받아 농도, 이진 마스크, 발생원 마스크, 배출률 추정치를 돌려줍니다. 샘플 추론 노트북도 함께 제공됩니다. 학습에 쓴 360만 개 합성 플룸 데이터셋도 별도로 공개되어 있어서, 다른 관측 장비를 대상으로 같은 접근을 재현해 보는 일이 가능합니다.

GitHub 추론 라이브러리. google-research/mapl 저장소는 그래뉼 단위 추론 파이프라인을 담고 있습니다. 겹치는 타일로 나눠 추론한 뒤 해닝 창(Hanning window)으로 이어 붙이고, DBSCAN에서 착안한 군집 알고리즘으로 중복 탐지를 합칩니다. 이때 발생원 사이 거리가 1.5km 이내이면서 농도 패턴의 피어슨 상관이 0.955를 넘어야만 같은 플룸으로 합치는데, 밀집 산업 지역에서 가까이 있는 서로 다른 배출원을 하나로 뭉개지 않기 위한 장치입니다. 사용법은 다음과 같습니다.

python3 -m mapl.single_granule_inference \
  --model_path /path/to/pretrained/model \
  --input_filepath /path/to/EMIT_L1B_RAD_001_20220826T174642_2223812_024.nc \
  --output_filepath /path/to/output/prefix

입력으로는 NASA Earthdata에서 받은 EMIT L1B 복사휘도(RAD)와 관측 기하(OBS) 파일이 같은 디렉토리에 있어야 합니다. 파일 이름 규칙으로 RAD 경로에서 대응하는 OBS 파일을 자동으로 찾기 때문에 두 파일을 같은 위치에 두어야 합니다. 출력은 세 가지입니다.

파일	내용	주요 컬럼
`{prefix}_candidates.parquet`	검증 전 후보 플룸	`geometry`(플룸 폴리곤), `head_point`(발생원 좌표), `plume_bbox_px`
`{prefix}_predicted.parquet`	검증을 통과한 최종 플룸	`fitted_conc`(ppm-m), `ime_integrated_mass`, `ime_emission_rate`(kg/h), `d_norm`, `d_cor`, `cluster_size`, `era5_u_10m`, `era5_v_10m`
`{prefix}_enhancement.npy`	그래뉼 전체의 농도 래스터	ppm-m 단위

배출률 추정치인 ime_emission_rate 는 모델이 직접 예측한 값이 아니라 적분 메탄 질량(IME)에 ERA5 재분석 바람장을 결합해 계산한 것입니다. 바람 정보에서 오는 불확실성이 그대로 얹힌다는 점을 감안해서 쓰셔야 합니다. 저장소에는 스펙트럼 검증에 필요한 사전 계산 통계값(satellite_gas_statistics_v14_emit.npz)도 함께 들어 있어서, 복사전달 계산을 매번 돌리지 않고도 검증 단계를 수행할 수 있습니다. 다만 저장소는 "공식적으로 지원되는 Google 제품이 아니다" 라고 명시하고 있으니, 운영 환경에 넣기 전에 직접 검증하시는 편이 좋겠습니다.

신뢰도 등급을 반드시 확인해야 하는 이유

데이터셋을 쓸 때 가장 먼저 봐야 할 것은 각 플룸에 붙은 confidence 속성입니다. 두 등급의 성격이 크게 다르기 때문입니다.

등급	판정 기준	사람 검토 기반 오탐율	사용 지침
`high`	서로 다른 EMIT 관측에서 3회 이상 같은 위치에 검출	약 3%에서 5%	사람이 만든 기존 데이터셋과 비슷한 수준이므로 후속 분석에 바로 사용 가능
`medium`	시간축 매칭 없이 단발로 검출	약 50%에서 55%	후보로만 취급하고 2차 필터링 필수

medium 등급의 오탐율이 절반을 넘는다는 것은 그대로 쓰면 안 된다는 뜻입니다. 데이터셋 문서는 알려진 시설 위치와 대조하기, 스펙트럼 점수로 거르기, 국지 풍향과 대조하기 같은 방법을 권합니다. 반대로 말하면 이 등급 체계 덕분에 사용자가 목적에 맞는 지점을 직접 고를 수 있습니다.

남는 한계와 다음 단계

연구진과 데이터셋 문서가 스스로 밝힌 한계를 정리하면 다음과 같습니다.

놓치는 플룸이 있습니다. 전문가가 표시한 EMIT L2B 플룸의 약 16%를 모델이 잡아내지 못했습니다. 이 데이터베이스는 완전한 목록이 아니며, 특히 농도가 낮거나 공간적으로 작은 플룸이 빠집니다.
농도는 배출률이 아닙니다. 데이터셋의 픽셀 값은 대기 기둥의 농도 증가량(ppm-m)이지 시간당 배출량(kg/hr)이 아닙니다. 배출률로 환산하려면 IME 같은 방법과 외부 바람장이 필요하고, 그 과정에서 불확실성이 더해집니다.
관측 자체가 드문드문합니다. EMIT는 국제우주정거장 궤도를 따라가므로, 특정 지점이 관측되는 시점과 빈도는 우리가 고를 수 없습니다.
환경 조건에 민감합니다. 짙은 구름, 그림자, 반사율이 낮은 어두운 지표면에서는 복사휘도 신호 자체의 품질이 떨어져 성능이 저하됩니다. 논문의 실패 사례 분석도 저알베도 표면(예: 수면)과 시간적으로 끊기는 간헐적 배출을 주요 원인으로 지목합니다.
아티팩트에 대한 환각(hallucination)이 발생할 수 있습니다. 메탄의 분광 특성만 흉내 내고 플룸 형태는 갖추지 않은 합성 아티팩트로 시험했을 때, 모델은 대체로 이를 걸러냈지만 아티팩트 강도가 매우 높으면 없는 플룸을 그려내는 경우가 있었습니다.

향후 방향으로 연구진은 여러 가스와 여러 위성을 함께 다루는 확장, 그리고 사후에 바람장을 붙이지 않고 모델이 직접 배출률을 추정하는 구조를 언급했습니다. NASA는 2017년 10년 계획(Decadal Survey)에서 지정된 Surface Biology and Geology(SBG) 임무로 광폭 가시광 및 단파적외선 영상 분광계를 2028년 발사 목표로 준비하고 있습니다. Google 블로그는 이런 차세대 분광계가 커버리지를 30배에서 50배까지 늘릴 것이라고 적었는데, 이 배수는 블로그의 서술이고 NASA의 임무 소개 페이지에서 직접 확인되는 값은 아닙니다. 어느 쪽이든 데이터가 그만큼 늘어나면 사람이 판독하는 방식은 더욱 감당하기 어려워집니다. 합성 데이터로 학습하는 이 접근의 실질적 장점 하나는 재학습이 쉽다는 점입니다. 전문가 라벨에 의존하지 않으므로 새 센서가 올라가도 시뮬레이션과 복사전달 계산만 다시 하면 됩니다.

정리하면 MAPL-EMIT는 "사람이 판독하던 것을 모델이 대신한다" 는 단순한 자동화가 아니라, 판독 대상 자체를 넓힌 사례에 가깝습니다. 잡음에 묻혀 아무도 보지 않던 약한 배출이 이제 후보 목록에 올라오고, 그 목록에는 신뢰도와 물리 기반 검증 점수가 함께 붙습니다. 목록의 절반이 틀릴 수 있는 등급이 섞여 있다는 사실까지 명시했다는 점도 이 공개의 성격을 잘 보여줍니다. 이 데이터를 실제 감축 행동으로 옮기는 일은 여전히 사람의 몫으로 남아 있습니다.

라이선스

추론 라이브러리인 google-research/mapl은 Apache License 2.0으로 배포되고 있어, 연구 목적은 물론 상업적 용도로도 자유롭게 사용 및 수정이 가능합니다. Earth Engine에 공개된 플룸 데이터베이스는 CC BY 4.0으로, 출처를 표시하면 상업적 용도를 포함한 자유로운 이용이 가능하며 "This dataset is produced by Google" 이라는 출처 표기를 요구합니다.

Mapping global methane emissions from space with deep learning 소개 블로그

A new deep learning model maps global methane emissions from space (Google 블로그)

Global monitoring of methane point sources using deep learning on hyperspectral radiance measurements from EMIT 논문

MAPL GitHub 저장소

MAPL-EMIT Earth Engine 앱

MAPL-EMIT 학습 모델 (Kaggle)

더 읽어보기

이 글은 GPT 모델로 정리한 초안을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 댓글로 알려주시기를 부탁드립니다.

이 글은 파이토치 한국 사용자 모임이 직접 정리한 글입니다. 새 글을 놓치지 않으시려면 텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로 알림을 받으시고, 회원으로 가입하시면 주요 글들을 이메일로도 보내드립니다!

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~