気候変動研究における人為起源メタン排出の衛星観測：最新データセットと解析手法

はじめに

メタン（CH₄）は二酸化炭素（CO₂）に次ぐ主要な人為起源の温室効果ガスであり、その排出量削減はパリ協定の目標達成に向けた重要な課題の一つです。しかし、排出源の特定、定量化、および長期的な変化の追跡は、その多様な発生源（石油・ガス産業、農業、廃棄物処理など）と拡散性のため、容易ではありません。近年、宇宙からの地球観測衛星技術の進展により、広範囲かつ継続的にメタン濃度を観測することが可能となり、人為起源排出の監視および気候変動研究への応用が進んでいます。本記事では、人為起源メタン排出の衛星観測に関する最新動向、主要なデータセット、およびその解析手法について解説し、気候変動研究への実践的な応用について考察します。

主要なメタン観測衛星ミッションとデータセット

メタン濃度を観測する主要な衛星ミッションには、日本のGOSAT（温室効果ガス観測衛星）シリーズ、欧州宇宙機関（ESA）のSentinel-5P、カナダのGHGSatなどがあります。これらの衛星は、それぞれ異なる観測原理や空間分解能、時間分解能を有しており、目的に応じたデータ選択が重要です。

• GOSAT / GOSAT-2: 全球の主要な温室効果ガス濃度を観測することを目的とした日本の衛星シリーズです。特定の場所をピンポイントで高精度に観測するモードも持ち合わせており、特定の排出源の分析にも利用可能です。広範囲の地表における大気カラム平均濃度データを提供します。
• Sentinel-5P (TROPOMI): Copernicus計画の一部として運用されている衛星で、高空間分解能（約5.5 x 7 km）と高い時間分解能（ほぼ毎日全球を観測）で大気組成を観測します。特に、メタンのプルーム（高濃度域）検出に優れており、排出ホットスポットの特定に広く利用されています。
• GHGSat: 石油・ガスプラットフォームや特定の産業施設といった点源からのメタン排出を、非常に高い空間分解能（数十メートル級）でピンポイントに観測することに特化した小型衛星コンステレーションです。個別の施設の排出量を直接的に定量化するのに有効です。

これらの衛星データは、各宇宙機関や関連機関から一般に公開されており、研究者はそれぞれのデータポータル（例: GOSAT Data Archive Service, Copernicus Open Access Hub, GHGSatなど）を通じてデータにアクセスできます。データ形式はNetCDFやHDF5が一般的です。

衛星メタンデータの解析手法

衛星メタンデータを用いた人為起源排出の研究には、いくつかの主要な解析手法があります。

1. メタンプルームの検出と排出源特定

Sentinel-5Pなどの高空間分解能データは、特定の排出源から発生するメタンの高濃度プルームを検出するのに適しています。解析には、以下のような手法が用いられます。

• 差分解析: 観測画像内で、背景濃度からの有意なメタン濃度の上昇を検出します。統計的な手法（例: Zスコア、空間フィルタリング）や画像処理技術が応用されます。
• 風向・風速データの統合: 気象データ（例: ECMWF ERA5）を用いて風向・風速を考慮することで、プルームの向きから排出源の位置を推定します。

2. 排出量（フラックス）の定量化

検出されたプルームや広範囲の濃度データから、排出源のフラックスを定量化することは最も挑戦的なステップの一つです。

• エンハンスド・マス・エンベロープ法 (Enhanced Mass Balance or Mass Conservation Method): プルーム検出域を横断する断面におけるメタン濃度の増加量と風速を組み合わせて、質量保存の法則に基づき排出量を推定します。比較的操作が容易で、特定の点源や小規模面源の排出量推定に用いられます。 ```python # Pythonでの解析例（概念的なコード） # 実際のデータ処理には、座標変換、大気補正、不確実性評価などが含まれます

  import xarray as xr import numpy as np import matplotlib.pyplot as plt

  例：Sentinel-5Pデータの読み込み（擬似コード）

  ds = xr.open_dataset("path/to/S5P_data.nc")

  methane_concentration = ds['methane_total_column']

  wind_speed = ds['wind_speed'] # 気象データなどから取得

  プルーム検出域のマスク作成（例）

  plume_mask = (methane_concentration > background_threshold)

  プルーム横断断面における濃度増加量と風速を計算し、フラックスを推定

  flux = integrate(delta_concentration * wind_speed) # 概念的な式

  ``` * インバージョンモデル: 大気輸送モデルと衛星観測データを組み合わせ、ベイズ統計学や最適化手法を用いて、地表面からのメタン排出量を推定します。広範囲の排出インベントリの検証や、地域のフラックス推定に強力な手法ですが、モデルの不確実性や計算コストが課題となります。

3. 長期時系列解析と排出トレンド分析

GOSATやSentinel-5Pなどのデータを利用し、長期的なメタン濃度や排出量の変化を分析することで、気候変動との関連性や排出削減策の効果を評価します。

• トレンド分析: 回帰分析や時系列分解などの統計的手法を用いて、経年的な濃度や推定排出量のトレンドを抽出します。
• 異常検出: 特定期間における排出量の異常な増加や減少を検出し、その原因（例: インフラ事故、政策変更）を調査します。

解析にあたっては、衛星観測データの系統誤差（バイアス）やランダム誤差、雲やエアロゾルの影響、地形の影響などを適切に考慮し、不確実性を評価することが不可欠です。データ前処理、品質管理、他のデータ（地上観測、排出インベントリ、気象データ）との統合も重要なステップとなります。

気候変動研究への応用

人為起源メタン排出の衛星観測データは、気候変動研究において以下のような多様な応用が可能です。

• 排出インベントリの検証と改善: 各国が報告する排出インベントリの精度を、衛星観測データと比較することで独立に検証し、未知の排出源の発見や排出量の過小・過大評価の特定に貢献します。
• 特定の排出源の影響評価: 石油・ガス、石炭採掘、農業（稲作、畜産）、廃棄物処理場など、主要な人為起源排出源からのメタン排出量やその変動を定量的に評価し、排出削減策の優先順位付けや効果測定に役立てます。
• メタン循環モデルの検証と改善: 大気中のメタン濃度をシミュレーションするモデルの精度を、衛星観測データと比較することで評価し、モデルパラメータやプロセス表現の改善に繋げます。
• 異常排出イベントの監視: パイプラインからの漏洩や産業事故など、突発的な大規模排出イベントを迅速に検出し、その影響を評価します。
• 政策効果の評価: 特定の排出削減政策や技術導入が、実際のメタン排出量にどのような影響を与えているかを衛星データでモニタリングし、政策の有効性を客観的に評価します。

これらの応用は、気候変動の理解を深めるだけでなく、効果的な緩和策の策定と実施にも直接的に貢献します。

まとめ

衛星観測技術の進化は、人為起源メタン排出の監視と定量化に革命をもたらしています。GOSAT、Sentinel-5P、GHGSatなどのミッションから得られるデータは、排出源の特定、フラックス推定、長期トレンド分析といった多様な解析を可能にし、気候変動研究および排出削減努力に不可欠な情報を提供しています。若手研究者にとって、これらの最新衛星データを活用し、高度な解析手法（例: 機械学習を用いたプルーム検出、データ同化によるフラックス推定）を組み合わせることは、メタン循環の理解深化や効果的な排出対策の評価という点で、挑戦的かつ非常に有望な研究テーマとなるでしょう。今後さらに高精度・高頻度の観測が可能となるにつれて、衛星メタンデータの気候変動研究における重要性は一層高まっていくと予想されます。