利用深度学习绘制土星图谱
地球与行星天体物理
2019-05-01 v1
摘要
云层和气溶胶为理解气态巨行星的化学与物理过程提供了独特视角。绘制并表征指示云层结构与成分的光谱特征，有助于理解行星的能量收支、化学过程与大气动力学。当前对太阳系行星的空间探测任务产生了高质量数据集，但海量数据往往阻碍了细致的“人工”分析。现有技术主要依赖两种方法：通过划分两个或多个光谱通道的辐射通量来识别光谱特征的存在，以及对单个光谱进行完整的辐射传输计算。第一种方法不够精确，第二种方法难以扩展到整个行星表面。本文开发了一种深度学习算法 PlanetNet，能够快速准确地绘制行星上大范围异质区域的时空与光谱特征。我们利用 PlanetNet 勾勒出 2008 年土星风暴的主要组成部分，拓展了先前研究的范围，并指示出可用辐射传输模型更深入探测的区域。我们的光谱成分图显示了受风暴影响广阔区域的成分与云层变化，展现出垂直上升区域以及致密次风暴中心云层减薄的区域。
引用
@article{arxiv.1904.12925,
title = {Mapping Saturn using deep learning},
author = {Ingo P. Waldmann and Caitlin A. Griffith},
journal= {arXiv preprint arXiv:1904.12925},
year = {2019}
}
备注
Nature Astronomy, 28 pages 18 figures