利用机器学习分析高分辨率火星数字图像

在火星上寻找短暂液态水是一项持续进行的活动。火星季节极冠消退后，由于火星表面和大气的热导率较低， shady 处可能残留小块水冰。在晚春和初夏，这些冰块可能暴露于直射阳光下并迅速升温，足以出现液相。为观测此类冰块的空间与时间分布，应搜索并核查光学图像。此前，对火星侦察轨道器空间任务所载高分辨率成像科学实验（HiRISE）相机拍摄的南半球 110 幅图像进行了人工图像分析。其中 37 幅图像被识别出较小冰块，它们可通过亮度、颜色以及与局部地形阴影的强关联来辨别。本研究应用卷积神经网络（CNN）在 -40° 至 -60° 纬度带（季节极冠消退发生处）寻找带有潜在水冰块的更多图像。此前分析的 HiRISE 图像用于训练模型，每幅图像被分割为数百块（chunks），将训练数据集扩充至 6240 幅图像。对 38 幅新 HiRISE 图像进行的测试运行表明，该程序通常可识别小而明亮的斑块，但可能需要进一步训练以实现更精确识别。目前已结合先前测试运行结果进行了该进一步训练。为重新训练模型，分析了 18646 个 chunks 并运行了 48 个额外 epoch。最终模型在识别冰方面达到 94% 准确率，其中 58% 的图像显示足够小的冰块。其余图像被过多冰覆盖或在某些地方显示 CO2 冰升华。