目前,我們有兩種選擇:一是派遣探測車前往特定地點進行勘察,二是進行軌道監測。
由于探測車造價昂貴,而且我們最終需要勘察的地點數量龐大,因此軌道檢測似乎是更佳的選擇。
然而,溫度監測—我們能夠進行的最重要的軌道掃描之一卻一直存在分辨率低的問題,部分原因是用于收集溫度數據的主要儀器大多已有數十年歷史。
如今,澳大利亞科廷大學運用了一種先進的人工智能算法來提高熱分辨率,從而繪制出一張更清晰的地圖,標示出一些我們未來需要尋找的重要資源。
![]()
100 米分辨率的 THEMIS 數據與 12 米分辨率的 CRISM 數據的比較
喜歡就關注我們吧
內容
這些數據研究的是一種被稱為熱慣性(TI)的物理特性。簡單來說,它指的是材料抵抗外部溫度變化的能力。例如,火星日落后,細小的塵埃和松散的沙粒會迅速散失熱量,在紅外圖像上顯示為暗斑。而基巖和巨石則能更長時間地保持太陽的熱量,在紅外圖像上長時間發出明亮的光芒。
通過繪制這些冷熱區域的地圖,科學家可以了解地表的許多物理特性,尤其是顆粒大小和巖石豐度。此外,如果圖像足夠清晰,還可以從中獲取其他信息,例如是否存在水冰,或者探測車或大型巖土工程設備著陸點的安全性。
問題在于,直到最近,情況并非如此。我們目前測量火星表面溫度的主要儀器是 THEMIS,它是安裝在火星奧德賽號探測器上的紅外成像儀,于 2001 年發射升空。它的分辨率遠不及現代系統,平均分辨率約為每像素 100 米。這顯然不足以區分布滿巨石的沙坑和裸露的基巖峭壁。
![]()
火星勘測軌道飛行器上的 CRISM 儀器是另一種可用的紅外測量工具。它于 2005 年稍晚發射,分辨率高達每像素 12 米。然而,它是高光譜儀器,因此無法像 THEMIS 那樣測量溫度或熱慣性。
![]()
將兩組數據結合起來是最佳方案,而這正是本文所做的。他們采用了一種名為“數據融合”的技術,該技術在地球觀測衛星領域已得到廣泛應用。首先,他們提取了清晰的 CRISM 數據,并將其平均化,使其分辨率與 THEMIS 的 100 米相匹配。然后,他們訓練了一個“額外樹回歸器”(一種機器學習模型),以發現某個區域的視覺數據與其熱數據之間的潛在關聯。
![]()
模型經過訓練,能夠識別光譜特征與 TI 值之間的相關性后,研究人員便允許模型訪問完整的 12 米分辨率 CRISM 數據。經過初步處理后,研究人員再次平滑了所有數學殘差,并強制地圖與原始 THEMIS 數據對齊。這種自動化與人工相結合的方法取得了令人矚目的成果,降尺度熱地圖的精度極高,從而突破了 THEMIS 傳感器的物理限制。
![]()
不過,他們用來訓練模型的數據并非隨機選擇的火星表面區域,而是“好奇
號”火星車多年來一直在巡視的蓋爾隕石坑,這使得未來可以進行地面實況驗證,盡管該論文的驗證是基于原始的 THEMIS 數據進行的。
但利用這樣一個已被充分探索的區域也確實存在一些改進空間。論文指出,該模型需要進行局部重新訓練才能應用于火星的其他區域。
其他區域可能缺乏探測車和蓋爾隕石坑提供的地面實況驗證,但至少就目前而言,在另一個星球上使用這種數據融合技術的概念驗證,是朝著利用幾十年前的設備尋找有趣的探索地點邁出的一步。
#火星 #數據融合火星 #火星溫度圖 #火星檢測 #空天論道
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.