{"id":3443141,"date":"2026-09-02T11:47:10","date_gmt":"2026-09-02T09:47:10","guid":{"rendered":"https:\/\/datanorth.ai\/?post_type=news&p=3443141"},"modified":"2026-09-02T11:47:19","modified_gmt":"2026-09-02T09:47:19","slug":"google-brengt-mapl-emit-uit","status":"publish","type":"news","link":"https:\/\/datanorth.ai\/nl\/nieuws\/google-brengt-mapl-emit-uit","title":{"rendered":"Google brengt MAPL-EMIT uit voor methaandetectie"},"content":{"rendered":"\n

Publicatiedatum: 2 september 2026<\/em><\/p>\n\n\n\n

Google Research heeft op 1 september het getrainde MAPL-EMIT-model uitgebracht, samen met een inferentiebibliotheek, synthetische trainingsdata en een wereldwijde database met methaanpluimen. Het model analyseert hyperspectrale beelden van NASA EMIT om methaan te detecteren, de concentratie te schatten en waarschijnlijke bronnen te lokaliseren.<\/p>\n\n\n\n

Dit is daarmee een bruikbare specialistische modelrelease en niet alleen een paper. Google stelt het getrainde model via Kaggle en inferentiecode beschikbaar.<\/p>\n\n\n\n

Wat is MAPL-EMIT en wat kan het?<\/h2>\n\n\n\n

MAPL-EMIT staat voor Methane Analysis and Plume Localization with EMIT. Het is een deep-learningframework dat hyperspectrale satellietmetingen omzet in kaarten van methaanemissies en waarschijnlijke bronlocaties.<\/p>\n\n\n\n

Het systeem gebruikt een Swin-S vision transformer en combineert drie taken: methaanconcentratie schatten, de pluim afbakenen en de bron lokaliseren. Google trainde het systeem met 3,6 miljoen synthetische methaanpluimen die in echte EMIT-scenes zijn geplaatst.<\/p>\n\n\n\n

Voor teams in environmental analytics zit de praktische winst vooral in schaal. Het getrainde model en de inferentiecode kunnen een deel van de handmatige expertanalyse en klassieke matched-filterverwerking automatiseren.<\/p>\n\n\n\n

Prestaties en beschikbare MAPL-EMIT-artifacts<\/h2>\n\n\n\n
Onderdeel<\/th>Detail van Google Research<\/th><\/tr><\/thead>
Recall op expertlabels<\/td>84%<\/td><\/tr>
Trainingsdata<\/td>3,6 miljoen synthetische pluimen in echte EMIT-scenes<\/td><\/tr>
Model<\/td>Getraind model op Kaggle<\/td><\/tr>
Inferentie<\/td>Publieke GitHub-bibliotheek<\/td><\/tr>
Extra data<\/td>Wereldwijde pluimdatabase en synthetische dataset<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Google rapporteert 84% recall op methaanpluimen die door experts zijn gelabeld. Over ongeveer 1.100 EMIT-granules vonden de onderzoekers naar eigen zeggen circa 50% meer plausibele pluimen dan met het vergelijkingsproces. Het systeem bracht ook 24 van de 25 sterkst uitstotende stortplaatsen in de analyse in kaart.<\/p>\n\n\n\n

Deze cijfers komen uit Googles eigen onderzoek en zijn niet onafhankelijk getest voor dit artikel. De release is bovendien specifiek gebouwd rond hyperspectrale EMIT-data en niet automatisch geschikt voor elke satellietsensor.<\/p>\n\n\n\n

Wat ontbreekt er in de aankondiging?<\/h2>\n\n\n\n

Google noemt zelf false positives als blijvend probleem, vooral in complex terrein. Dat is belangrijk voor overheden, energiebedrijven en klimaatdatateams, omdat een foutieve detectie kostbare vervolgcontrole kan veroorzaken.<\/p>\n\n\n\n

Er is ook geen eenvoudige commerci\u00eble hosted API of ondersteuningslaag aangekondigd. Teams kunnen model en code downloaden, maar moeten productiegebruik, monitoring en eventuele aanpassingen zelf organiseren.<\/p>\n\n\n\n

Een gestandaardiseerde vergelijking met andere methaandetectiemodellen ontbreekt. Organisaties moeten daarom precision, recall en de kosten van false positives in hun eigen gebied en sensorworkflow meten.<\/p>\n\n\n\n

Wat dit betekent<\/h2>\n\n\n\n

Earth-observationteams, methaanmonitoringsprogramma\u2019s en aanbieders van klimaatdata hebben hier het meest aan. Een logische eerste test is de publieke inferentiestack draaien op bekende locaties en de uitkomsten vergelijken met bestaande, door experts gecontroleerde processen.<\/p>\n\n\n\n

Oordeel: MAPL-EMIT is nu het testen waard voor teams die al met EMIT of vergelijkbare hyperspectrale data werken. De open artifacts maken evaluatie praktisch, maar de false-positivebeperking betekent dat menselijke controle voorlopig nodig blijft.<\/p>\n\n\n\n

Voor meer informatie, bekijk de offici\u00eble aankondiging van MAPL-EMIT op de website van Google Research<\/a>.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

Google Research heeft MAPL-EMIT uitgebracht als getraind model met publieke inferentiecode en datasets. Het systeem detecteert en lokaliseert methaanpluimen in hyperspectrale NASA EMIT-beelden. Google rapporteert 84% recall op door experts gelabelde pluimen.<\/p>\n","protected":false},"author":12,"featured_media":3443139,"template":"","tags":[],"news-category":[],"class_list":["post-3443141","news","type-news","status-publish","has-post-thumbnail"],"meta_box":[],"_links":{"self":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news\/3443141","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/types\/news"}],"author":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/users\/12"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media\/3443139"}],"wp:attachment":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media?parent=3443141"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/tags?post=3443141"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/news-category?post=3443141"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}