|
ИИ поможет исследователям найти марсианские пещеры
|
|
|
|
Поверхность Марса враждебна и неумолима. Но поместите несколько метров реголита между вами и марсианским небом, и место станет чуть более обитаемым. Входы в пещеры из обрушившихся лавовых трубок могут стать одними из самых интересных мест для исследования на Марсе, поскольку они не только предоставят убежище будущим исследователям-человекам, но также могут стать отличным местом для поиска биосигнатур микробной жизни на Марсе. Но входы в пещеры трудно обнаружить, особенно с орбиты, поскольку они сливаются с пыльным фоном. Был разработан новый алгоритм машинного обучения для быстрого сканирования изображений марсианской поверхности в поисках потенциальных входов в пещеры. Исследователи Томас Уотсон и Джеймс Балдини из Даремского университета в Великобритании использовали сверточную нейронную сеть (CNN), обученную идентифицировать потенциальные входы в пещеры (PCE) по изображениям поверхности Марса, чтобы найти новые потенциальные пещеры. Ему удалось идентифицировать 61 новый вход в пещеры по изображениям в четырех разных регионах Марса.
|
|
|
|
Ранее большинство обнаружений марсианских PCE происходило в результате ручного просмотра видимых спутниковых изображений с помощью изображений, полученных с помощью контекстной камеры (CTX) Марсианского разведывательного орбитального аппарата (MRO) и камер научного эксперимента по визуализации высокого разрешения (HiRISE). База данных из этого ручного обзора под названием «Марсианский глобальный каталог пещер-кандидатов» (MGC3) содержит координаты и краткие описания более 1000 идентифицированных PCE на Марсе. «Ручной просмотр спутниковых изображений для обнаружения марсианских пещер далеко не эффективен в масштабах всей планеты», — пишут Уотсон и Бальдини в своей статье, опубликованной в журнале «Икар», — «из-за ограничений по времени, связанных с просмотром такого большого набора данных. Машинное обучение представляет собой интригующее решение этой проблемы, сокращая набор данных до тех пор, пока он будет включать только изображения, которые, согласно результатам вычислений, содержат PCE».
|
|
|
Пещеры на Марсе созданы лавовыми трубками, образовавшимися в результате течения лавы на древнем Марсе. Пока внешняя часть текущей лавы остывала и превращалась в потолок и стены, внутренняя часть оставалась расплавленной и продолжала течь. В конце концов лава вытекла из трубки вниз по склону, оставив трубку неповрежденной и открытой. Иногда эти лавовые трубы видны из линейных цепочек ям на поверхности, многие из которых, вероятно, линейно соединены под землей. Но чаще всего их обнаруживают, обнаружив на орбитальном изображении «световой люк» или обрушившийся потолок лавовой трубы. Это световое окно обеспечивает вход в подземную пещеру. Лавовые трубы можно найти на Земле, Луне и Марсе. Несмотря на то, что Земля больше Марса, на Марсе было обнаружено несколько невероятно больших лавовых трубок, больше, чем на Земле. На Земле лавовые трубы обычно имеют ширину всего 14–15 метров (46–49 футов) и обычно намного уже. В 2020 году камера HiRISE (Научный эксперимент с изображением высокого разрешения) на марсианском разведывательном орбитальном аппарате (MRO) НАСА сфотографировала обрушившийся потолок лавовой трубы, представляющий собой кратер ямы диаметром 50 м (150 футов). Подземная пещера из лавовых трубок, вероятно, больше этой.
|
|
|
|
Обычные нейронные сети обычно используются для обработки естественного языка и распознавания речи. Но CNN или ConvNets чаще используются для задач классификации и компьютерного зрения. CNN могут распознавать закономерности в изображениях и обеспечивать классификацию изображений и распознавание объектов как для больших, так и для малых проектов. Например, в предыдущем исследовании CNN были обучены распознавать особенности марсианской поверхности, такие как кратеры, и достигли точности более 90%. Уотсон и Бальдини создали и обучили свою модель CNN под названием CaveFinder, заставив ее просматривать изображения из каталога MGC3 из регионов Тарсис и Элизиум на Марсе, где самая высокая концентрация вулканов. После периода обучения CaveFinder достиг точности теста 77%. Было обнаружено четыре PCE, которые Уотсон и Бальдини выделили как обладающие особыми качествами, которые делают их интересными для дальнейших исследований, в том числе один PCE по прозвищу Марвин, который был самым большим из обнаруженных PCE, а также другой, который они назвали Эмили, чья небольшая высота могла бы позволить проводить съемку с помощью дрона.
|
|
|
|
Кроме того, CaveFinder выявил двенадцать регионов, в которых, по-видимому, есть несколько PCE, которые, по словам авторов, являются отличным местом для исследования нескольких пещер с будущей миссией из-за близости и обилия PCE. Но исследователи говорят, что CaveFinder требует дополнительной работы, прежде чем его можно будет использовать в большой планетарной базе данных. У него было большое количество ложных срабатываний, и, похоже, он имеет ограниченную способность идентифицировать «одиночные небольшие типы пещер, такие как световые люки и отверстия». «CaveFinder до сих пор не считается подходящим для обнаружения в масштабах всей планеты из-за большого количества ложноположительных результатов, требующих ручной оценки», — пишут Уотсон и Бальдини. «Однако это может оказаться эффективным в небольших регионах, возможно, уже известных как содержащие PCE».
|
|
|
|
Для будущих тестов они планируют увеличить размер используемого набора обучающих данных. Другая идея повышения точности CaveFinder заключается в использовании тепловых изображений наряду с видимыми данными. Изображения с более высоким разрешением, полученные с будущего орбитального аппарата Марса, также будут полезны для повышения точности обнаружения и точности CaveFinder. «В целом, результаты этого исследования показывают, что благодаря этим дополнениям машинное обучение имеет большой потенциал для продвижения удаленного обнаружения пещер, что является ключом к будущим исследованиям Марса», — заключили исследователи.
|
|
|
|
Источник
|
