用于从反射光谱确定小行星矿物组成的神经网络

小行星的化学和矿物组成反映了太阳系的形成与历史。该知识对行星防御和太空资源利用也很重要。我们旨在开发一种快速且鲁棒的基于神经网络的方法，用于从硅酸盐材料的可见和近红外光谱推导其矿物模态和化学组成。该方法应能在无需显著预处理的情况下处理原始光谱。我们设计了一个具有两个隐藏层的卷积神经网络用于光谱分析，并使用带标签的反射光谱对其进行训练。在训练中，我们使用的数据集由存储在 RELAB 和 C-Tape 数据库中的真实硅酸盐样品的反射光谱组成，即橄榄石、斜方辉石、单斜辉石、它们的混合物，以及富橄榄石-辉石陨石。我们在两个数据集上使用了该模型。首先，我们在测试数据集上评估了模型的可靠性，将模型分类与已知的组成参考值进行比较。单个分类结果大多落在正确值周围 10 个百分点区间内。其次，我们对具有已知 Bus-DeMeo 分类类型的 S-复合体（Q-型和 V-型，也包括 A-型）小行星的反射光谱进行了分类。S-型和 Q-型小行星的预测矿物化学组成与普通球粒陨石的化学组成一致。V-型和 A-型小行星的模态丰度分别显示出斜方辉石和橄榄石的主导贡献。此外，我们对 S-型和 Q-型小行星矿物模态组成的预测显示出与空间风化下其诊断吸收衰减相关的橄榄石明显耗竭。该趋势与先前关于辉石相对于橄榄石对空间风化响应更慢的结果一致。