物理科技生物学-PHYICA

机器学习算法帮助科学家探索火星

天文学与空间 2023-01-13 09:47:22

由Eos的乔安娜·温德尔创作 好奇号火星车的ChemCam仪器帮助科学家描述火星地质特征的化学成分,比如盖尔陨石坑中的湖底沉积沉积物

信用:美国宇航局/JPL-加州理工学院/MSSS 美国宇航局的好奇号探测器已经探索这颗红色星球的表面近十年了,它的主要任务是确定火星是否曾经适合居住

尽管火星车的调查确实证实了火星曾经是一个充满潜在生命维持化学物质的水世界,但仍有许多东西需要学习

好奇号堆积如山的数据提供了一个机会,可以使用机器学习算法来更详细地研究行星表面

《地球与空间科学》上的一篇新文章聚焦于好奇号的化学和照相机(ChemCam)仪器包收集的数据

ChemCam结合了两种仪器:激光诱导击穿光谱仪(LIBS)和用于高分辨率成像的远程微型成像仪(RMI)

ChemCam的LIBS仪器通过用强大的激光脉冲爆破岩石样本来工作,这导致材料演变成一种微等离子体,其中有受激发的原子和离子,它们在衰变时发出特征光

由于每种元素在衰变时都会发出独特的光谱,ChemCam可以在三个不同的光谱仪中收集光,从而让科学家能够确定每个样品的化学成分

自2012年好奇号在盖尔陨石坑着陆以来,ChemCam已经从2500多个样本中收集了80多万个单个光谱

然而,根据Rammelkamp及其同事的说法,由于缺乏来自火星的训练数据集,使用机器学习来研究ChemCam的数据仍然具有挑战性

在他们的新论文中,作者使用了一种无监督的机器学习算法来对ChemCam的数据进行分类,这些数据来自好奇号探索盖尔陨石坑的前2756个sols(大约7年)

自从火星车着陆以来,它已经穿越了几个不同的地质区域

该算法将ChemCam的数据分为六组不同的化学成分,包括高和低二氧化硅、长英质(高氧化铝和碱)、高和低氧化钙以及高总氧化铁

研究结果揭示了好奇号离开着陆点后,在地质上不同的区域之间的转换

结果仅使用LIBS数据获得,不需要训练数据

此外,这六个不同的组用作监督机器学习算法的训练数据,这被证明是所谓的随机森林分类器的示例

根据作者的说法,像这样的机器学习算法可以成为大规模绘制火星表面地图的强大工具

随着越来越多的火星车探索红色星球,这种能力将变得越来越有用,例如美国宇航局的毅力号火星车于2021年2月着陆(并且已经用ChemCam的后续仪器SuperCam从Jezero陨石坑收集了自己的LIBS数据),中国的珠融号火星车于5月着陆

来源:由phyica.com整理转载自PH,转载请保留出处和链接!

本文链接:http://www.phyica.com/tianwenxue/25544.html

发表评论

用户头像 游客
此处应有掌声~

评论列表

还没有评论,快来说点什么吧~