Mapowanie Marsa przy użyciu deep learning

Przygotowania do bezpiecznego lądowania na Ziemi, takie jak znalezienie najbardziej równego terenu i wyposażenie odpowiedniego sprzętu do lądowania, są kluczowe również w czasie misji marsjańskich. W tym celu potrzebne jest dokładne mapowanie Marsa, astronomowie wykorzystali w tym celu deep learning.

Lądowanie łazika na Marsie wymaga starannego mapowania i planowania na długo przed rozpoczęciem jego pracy. Naukowcy pracują nad stworzeniem dokładnych trójwymiarowych map powierzchni planety, znanych jako cyfrowe modele terenu, poprzez kompilację mozaik obrazów z poprzednich misji z wykorzystaniem deep learning.

Postęp w technologiach przetwarzania obrazu w ciągu ostatnich dekad zwiększył rozdzielczość map z widoczności setek metrów do skali submetrowej. Chociaż jest to niezwykła poprawa, nawet rozdzielczość 1 metra na piksel nie może w pełni uchwycić drobnych cech, takich jak tekstury wydm, małe kratery i duże skały. A tego typu zmiany terenu mogą zakłócić pracę łazika lub go uszkodzić.

Aby lepiej zmapować cechy geologiczne wokół miejsca lądowania Perseverance 2020 w kraterze Jezero, badacz Yu Tao wraz ze współpracownikami użył modelu deep learning o nazwie Multi-scale Generative Adversarial U-Net (MADNet), który zaprojektował. Nowe badania zostały opublikowane w czasopiśmie Earth and Space Science.

MADNet, wyszkolony przy użyciu mieszanki pozyskanych dotąd cyfrowych modeli terenu, o rozdzielczości od 4 do 36 metrów na piksel, udoskonalił publicznie dostępną mozaikę cyfrowego modelu terenu Mars 2020 Terrain Relative Navigation High Resolution Imaging Science Experiment (HiRISE). Naukowcy sprawdzili również i udoskonalili wiele iteracji, aby wyeliminować artefakty i luki w wynikach.

Rezultatem jest mozaika cyfrowego modelu terenu MADNet HiRISE Jezero o rozdzielczości 50 centymetrów na piksel. W porównaniu z oryginalnymi mozaikami, mapy MADNet mają średnią różnicę wysokości wynoszącą zaledwie 0,009 metra, z odchyleniem standardowym 0,63 metra, co wskazuje, że wyniki deep learning są zgodne z tradycyjnym podejściem fotogrametrycznym.

Naukowcy zauważają, że ich produkt wykazuje znaczną poprawę w stosunku do istniejących map, w tym zwiększoną efektywną rozdzielczość, która pokazuje drobne cechy powierzchni, takie jak wydmy, kratery i skały, również zmniejszone artefakty paskowania, eliminację regionów o niskiej jakości dopasowania oraz eliminację artefaktów interpolacji.

Emil Gołoś