Depósitos escuros visíveis da órbita aparecem na região polar sul de Marte durante a primavera.
Acredita-se que eles se formem a partir de jatos explosivos de dióxido de carbono que rompem a calota de gelo sazonal de degelo, carregando poeira e sujeira que são então depositadas no gelo como “manchas” escuras, ou sopradas pelos ventos da superfície em faixas ou “leques”.
Investigamos métodos de machine learning (ML) para identificar automaticamente esses recursos sazonais em imagens de satélite do High Resolution Imaging Science Experiment (HiRISE). Projetamos redes neurais convolucionais (CNNs) profundas que foram treinadas e testadas usando o catálogo gerado pelo Planet Four, um projeto online de ciência cidadã que mapeia os depósitos sazonais do polo sul.
Validamos as CNNs comparando seus resultados com os do agrupamento ISODATA (Iterative Self-Organizing Data Analysis Technique) e, como esperado, as CNNs foram significativamente melhores em prever os resultados encontrados pelo Planeta Quatro, tanto na área de depósitos sazonais previstos quanto em delimitando seus limites. Descobrimos que nem as CNNs nem a ISODATA eram adequadas para prever o ponto de origem e as direções dos fãs sazonais, o que é um ponto forte da abordagem da ciência cidadã.
As CNNs mostraram boa concordância com o Planet Four nas métricas de validação cruzada e detectaram alguns depósitos sazonais nas imagens HiRISE perdidas no catálogo do Planet Four; a área total de depósitos sazonais prevista pelas CNNs foi 27% maior do que a do catálogo Planet Four, mas esse aspecto variou consideravelmente por imagem.
Publicado em 21/10/2022 21h04
Artigo original:
Estudo original: