Машинное обучение позволит исследовать лунные кратеры быстрее
Поверхность Луны рассказывает историю внутренней части Солнечной системы. Каждый упавший метеорит оставляет свой след, и вместе эти кратеры хранят информацию о событиях, произошедших на Луне и вокруг нее за последние 4 миллиарда лет.
Но запись может быть трудночитаемой. Возраст и пространственная плотность кратеров являются важнейшими показателями для расшифровки истории Луны, но анализ этих свойств может занять много времени и иногда требует доставки образцов на Землю.
Джей Х. Фейрвезер и его коллеги показывают в статье, опубликованной в журнале Earth and Space Science, что машинное обучение может стать быстрым и простым способом исследования лунных кратеров. Обучив алгоритм на более чем 50 000 изображениях ранее охарактеризованных кратеров, ученые смогли оценить возраст и плотность многих других многочисленных отметин на Луне.
Поначалу оценки алгоритма машинного обучения существенно отличались от тех, которые другие исследователи получили вручную. Но Фейрвезер и его коллеги смогли привести свои автоматизированные оценки возраста и плотности кратера в соответствие с предыдущими оценками.
Одной из проблем были условия освещения. Если кратеры были частично затенены скалами или располагались на неравномерно освещенных склонах, у алгоритма возникали проблемы с анализом. Исключение таких кратеров повысило точность. Наличие камней или захороненных кратеров также привело к тому, что алгоритм переоценил возраст кратеров на 10-45%, но он смог определить очень точный возраст молодых лунных поверхностей и ударных кратеров, как только камни, захороненные кратеры и другие нежелательные объекты были удалены с изображений.
Исследователи предупреждают, что, хотя машинное обучение может предоставить огромный объем информации о поверхности Луны, алгоритмы по-прежнему требуют тщательного контроля.
