El metano es invisible, pero su impacto sobre el clima no lo es. Ahora, Google y el Laboratorio de Propulsión a Chorro de la NASA, conocido como JPL, presentaron MAPL-EMIT, un modelo de aprendizaje profundo que identifica emisiones de metano a escala global usando imágenes capturadas desde el espacio.
La investigación fue publicada en PNAS y busca resolver uno de los grandes desafíos de la vigilancia ambiental: encontrar rápidamente las fuentes de metano en territorios extensos, con nubes, vegetación, ciudades y otras señales que pueden confundir a los sistemas de detección.
Una IA entrenada con millones de escenarios
MAPL-EMIT fue entrenado con 3,6 millones de penachos de metano simulados mediante modelos físicos. Un penacho es la nube de gas que se libera a la atmósfera desde una fuente como un vertedero, una instalación industrial o una operación energética.
Este enfoque combina aprendizaje automático con conocimientos sobre cómo se comporta el metano en la atmósfera. ¿Por qué es importante? Porque el modelo no depende únicamente de reconocer patrones visuales: también aprende a distinguir una emisión real dentro de datos complejos y ruidosos.
En las pruebas, MAPL-EMIT detectó 50 % más penachos que expertos humanos e identificó más de 23.000 emisiones adicionales en todo el mundo. Entre sus resultados aparece un dato especialmente relevante: encontró 24 de los 25 vertederos con mayores emisiones de metano del planeta.
Por qué detectar metano importa
El metano tiene una vida atmosférica más corta que el dióxido de carbono, pero calienta mucho más durante ese periodo. En un horizonte de 100 años, su potencial de calentamiento es aproximadamente 30 veces superior al del CO2.
Eso convierte a las fugas de metano en una oportunidad concreta para reducir el calentamiento global. Si una fuente puede localizarse con precisión, también es posible priorizar inspecciones, reparar equipos o mejorar la gestión de residuos sin tener que revisar manualmente áreas enormes.
Detectar una emisión no elimina el problema, pero permite saber dónde actuar primero.
Del satélite a una base de datos global
MAPL-EMIT utiliza información del instrumento EMIT de la NASA, instalado en la Estación Espacial Internacional. Su función original está relacionada con el estudio de minerales en la superficie terrestre, pero sus datos también pueden ayudar a identificar concentraciones de gases como el metano.
Google publicó la base de datos global de penachos en Google Earth Engine, junto con una aplicación para explorar y visualizar los resultados. Esto facilita que investigadores, autoridades y operadores consulten la distribución de las emisiones sin construir desde cero toda la infraestructura de análisis.
Además, los modelos de código abierto están disponibles en Kaggle y las herramientas de inferencia fueron publicadas en GitHub. En términos prácticos, la inferencia es el proceso mediante el cual un modelo ya entrenado analiza nuevos datos y produce sus predicciones.
Un modelo técnico con impacto práctico
El valor de MAPL-EMIT no está solamente en la precisión de su arquitectura de deep learning. También está en su capacidad para convertir observaciones espaciales en información accionable.
Un investigador puede usar la base para estudiar tendencias. Un organismo público puede detectar instalaciones que requieren inspección. Una empresa puede localizar fugas y priorizar mantenimiento. Y un equipo climático puede evaluar si las medidas adoptadas están reduciendo las emisiones.
La IA, en este caso, no reemplaza a los especialistas en campo. Les ayuda a enfocar mejor su trabajo, especialmente cuando el volumen de imágenes supera lo que una persona puede revisar de manera razonable.
Una herramienta para actuar más rápido
La detección global de metano todavía depende de la calidad de los datos, la frecuencia de observación y la verificación en tierra. Un algoritmo puede señalar un penacho, pero normalmente se necesitan análisis adicionales para confirmar su origen, medir su magnitud y decidir cómo intervenir.
Aun así, MAPL-EMIT muestra cómo los modelos de IA pueden conectar la observación planetaria con decisiones ambientales concretas. El cambio no consiste en mirar la Tierra desde el espacio, algo que ya hacemos, sino en procesar esa información con suficiente velocidad y escala para encontrar emisiones que antes podían pasar desapercibidas.