利用机器学习减少火星新撞击坑探测中的观测偏差
机器学习
2022-07-13 v1
摘要
当前火星近期（新鲜）撞击坑的编目显示出对低热惯量区域的强烈偏差。这些区域通常视觉上较亮，而撞击会产生暗色擦痕和射线，使其更易被探测到。预计在高热惯量区域撞击发生频率相似，但那些撞击被探测不足。本研究探讨了使用训练好的机器学习分类器，基于CTX数据增加火星新鲜撞击坑的探测。该方法发现了69个新的新鲜撞击坑，并已通过后续的HiRISE图像确认。我们发现，按热惯量（TI）值对候选体进行划分检查（这仅因机器学习候选体数量庞大才得以实现）有助于减少观测偏差并增加已知高TI撞击坑的数量。
引用
@article{arxiv.2207.05679,
title = {Using Machine Learning to Reduce Observational Biases When Detecting New Impacts on Mars},
author = {Kiri L. Wagstaff and Ingrid J. Daubar and Gary Doran and Michael J. Munje and Valentin T. Bickel and Annabelle Gao and Joe Pate and Daniel Wexler},
journal= {arXiv preprint arXiv:2207.05679},
year = {2022}
}
备注
17 pages, 10 figures, 2 tables (Author's preprint, accepted version)