北京
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.
