展会信息港展会大全

NC:深度学习窥视月球永久阴影区
来源:互联网   发布日期:2021-11-15 08:18:43   浏览:47424次  

导读:位于永久和暂时阴影区域(PSR/TSR)内的月球极地冷阱可以捕获彗星、小行星、太阳风相互作用、内部排气和其他来源在较长时间内释放的挥发物,对了解月球以及太阳系其他无空气天体上挥发物行为历史具有关键作用。月球永久阴影区(PSR)预计将容纳大量的水冰,...

位于永久和暂时阴影区域(PSR/TSR)内的月球极地冷阱可以捕获彗星、小行星、太阳风相互作用、内部排气和其他来源在较长时间内释放的挥发物,对了解月球以及太阳系其他无空气天体上挥发物行为历史具有关键作用。月球永久阴影区(PSR)预计将容纳大量的水冰,在科学探索中有助于认知月球水冰的特征和起源,以及更广泛的月球极地挥发物。

迄今为止捕获的轨道图像缺乏足够的分辨率和特征信号,致使PSR内小规模地貌和冰分布的信息有限。对PSR信息的认知不足对未来的地面勘探任务带来了风险。小型月球PSR是未来许多机器人和载人任务的首要探测目标,如果没有高分辨率数据和图像(

针对上述问题,马克思普朗克太阳系研究所的V. T. Bickel,牛津大学的B. Moseley,以及美国宇航局艾姆斯研究中心的I. Lopez-Francos和 M. Shirley相关研究人员利用深度学习技术,提高了短曝光、全分辨率规则模式与求和模式窄角照相机(NAC)图像的质量,解决了PSR低噪声、高分辨率光学图像的战略需求。作者开发了超有效去噪U-net软件(HORUS),能够去除上述图像中的高水平噪声,解密月球侦察轨道器窄角照相机(LRO NAC)图像档案,用于PSR相关科学探索。

HORUS是一种基于深度学习的算法,通过物理噪声模型、真实噪声样本以及3D光线跟踪场景选择,在图像捕获时根据相机的环境元数据调整模型,生成有效训练数据(Moseley et al., 2021)。作者利用环境信息(如CCD温度和轨道数)和NAC的物理噪声模型,从阴影区域的低光全分辨率LRO NAC规则模式和求和模式图像中去除了CCD相关噪声和光子噪声。该项工作首次研究了月球PSR的小尺度地貌和通行能力,在探月计划中具有重要科学价值。

该研究结果表明:

(1) HORUS史无前例地窥视了月球阴影区。研究区域PSR的地理分布如图1所示,HORUS能够显著提高图像的信噪比,首次构建了月球PSR的高分辨率(~1.5m/像素)图像;与月球现有长曝光光学图像相比,HORUS能够恢复PSR内3-5m宽的图像特征,空间分辨率提高了510倍。由于HORUS不依赖于长曝光图像,能够分辨出特别重要的日光-阴影过渡区(图2)。鉴于小型PSR数量明显多于大型PSR,代表着前所未有的大量科学探索资源。

(2) HORUS指导规划探测器和人类穿越月球阴影区。通过分析HORUS图像,PSR内有一个高反照率和潜在的新撞击坑,能作为未来可能的科学探测目标。HORUS图像和坡度信息表明,从西部进入可能在地形和障碍物方面最为安全:穿越的坡度不会超过~10°,穿越的规划方式可以帮助探测器避开所有可见的物理障碍物。在对潜在的新陨石坑及其喷出物覆盖层进行检查后,通过横向移动引导探测车深入PSR核心,遵循平缓的局部地形坡度,同时避免一系列散布在PSR上的撞击陨石坑。

(3) (近)地下冰丰度的潜在指示。作者观察到斜率正交叶状特征,在视觉上与陆地和火星的融冻泥流地貌相似,从主要日照区域延伸到TSR(主要阴影区域)(图4),但在PSR中似乎不存在。在TSR内,叶状特征似乎仅位于~10到~20°的坡度角上。

图1 研究区域概览(Bickel et al., 2021)

图2 HORUS-史无前例的月球阴影区视图(Bickel et al., 2021)

图3 HORUS将探测路线规划到一个小的永久阴影区(Bickel et al., 2021)

图4 地球、火星和月球上与冰有关的地貌特征(Bickel et al., 2021)

主要参考文献

Bickel V T, Moseley B, Lopez-Francos I, et al.Peering into lunar permanently shadowed regions with deep learning[J]. Nature Communications, 2021,12: 5607.

Moseley, B, Bickel, V T, Lopez-Francos, et al. Extreme low-light environment-driven image denoising over permanently shadowed lunar regions with a physical noise model[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2021: 6317-6327.

编辑: 万鹏

美编:傅士旭

校对:周星星 刘淇郡

赞助本站

人工智能实验室
AiLab云推荐
展开

热门栏目HotCates

Copyright © 2010-2024 AiLab Team. 人工智能实验室 版权所有    关于我们 | 联系我们 | 广告服务 | 公司动态 | 免责声明 | 隐私条款 | 工作机会 | 展会港