基于反射光谱的 (433) 爱神星与 (25143) 糸川小行星表面性质研究

背景。即将到来的空间任务将为我们提供表面分辨的近地小行星（NEA）反射光谱。神经网络是分析反射光谱并以高精度和低处理时间确定物质组成的有用工具。目的。我们将神经网络模型应用于由 NEAR Shoemaker 和 Hayabusa 航天器观测到的爱神星和糸川小行星的盘分辨光谱。通过这种方法，可以绘制矿物变化或空间风化强度的分布图。方法。我们测试了两类卷积神经网络。第一类使用具有已知分类学类别的小行星反射光谱进行训练。另一类使用具有指定矿物丰度和组成的硅酸盐反射光谱。结果。分类模型的可靠性取决于反射光谱的分辨率。典型的 F1 分数和 Cohen 的 ${\kappa}_C$ 值从高分辨率光谱的约 0.90 下降到低分辨率光谱的约 0.70。预测的硅酸盐组成并不强烈依赖于光谱分辨率和辉石 2${\mu}$m 波段的覆盖情况。典型的均方根误差在 6 到 10 个百分点之间。对于爱神星和糸川小行星，预测的分类学类别倾向于 S 型，预测的表面组成是均匀的，分别对应于 L/LL 和 LL 普通球粒陨石的组成。在糸川表面，模型识别出了与陨石坑或粗粒区域相连的新鲜斑点。结论。用小行星和硅酸盐样品的测量光谱训练的神经网络模型适用于以合理精度推导表面硅酸盐矿物学。预测的表面矿物学与实验室测量的返回样品的矿物学相当。此外，分类学预测可以指出较新鲜区域的位置。