利用机器学习约束行星表面热性质:对无大气天体的应用

我们提出一种新方法,通过测量发射的红外通量来确定无大气天体的表面性质。我们的方法使用机器学习技术,在给定的形状模型、光照条件以及遥感传感器的观测几何下,训练、验证并测试一个表征无大气天体热物理行为的神经网络表示。这些网络在一组针对不同表面岩石丰度、粗糙度以及风化层与岩石组分热惯量值的发射红外通量热模拟数据集上训练。随后,这些替代模型通过马尔可夫链蒙特卡洛贝叶斯反演观测红外通量来反演表面热性质。我们将该方法应用于小行星 (101195) Bennu 的模拟红外通量反演——依据与 NASA 的 OSIRIS-REx 任务计划类似的观测几何——以及小行星 (25143) Itokawa 的红外观测。在这两种情况下,均反演出小行星的表面性质,如表面粗糙度、风化层与岩石组分的热惯量以及相对岩石丰度;风化层与岩石组分的贡献被很好地区分。对于 Itokawa,我们反演出大于日皮肤深度(约 2 cm)的卵石岩石丰度约为 85%。发现岩石的热惯量低于 LL 球粒陨石的预期值,表明 Itokawa 上的岩石可能已碎裂。表面平均热惯量约为 750 $J s^{-1/2} K^{-1} m^{-2}$,且风化层热惯量的测量对应于约 10 mm 的平均风化层颗粒直径,这与原位测量以及先前研究结果一致。