Астрономия + Марс

"Одиссей" — это не просто еще один космический аппарат. Он стал самой продолжительной миссией на орбите другой планеты, и его новая панорама — это результат работы, начатой в 2023 году. Чтобы сделать эти потрясающие снимки, "Одиссей" поворачивается на орбите на 90 градусов, чтобы его камера могла запечатлеть марсианский горизонт. Это как если бы вы сделали поворот на 90 градусов, чтобы поймать идеальный кадр на своей камере — только в космосе!

Планетолог Майкл Д. Смит из Центра космических полетов имени Годдарда НАСА отмечает, что они наблюдают значительные сезонные изменения на этих изображениях горизонта. Это как если бы мы смотрели на Марс через окно, меняющееся в зависимости от времени года. И это, друзья мои, дает нам новые ключи к пониманию того, как меняется атмосфера Красной планеты!

Изучение марсианских облаков — это не просто увлекательное занятие. Это важно для понимания погоды на планете и таких явлений, как пыльные бури. Эта информация может оказаться полезной для будущих миссий, особенно когда речь идет о посадке и взлете. Так что, если вы когда-нибудь мечтали стать марсианским астронавтом, то знайте: эти данные могут спасти вам жизнь!

Теперь давайте поговорим о вулканах! Гора Арсия возвышается на целых 20 километров. Для сравнения, крупнейший вулкан Земли, Мауна-Лоа, поднимается всего на 9 километров над морским дном. Так что, когда вы думаете о вулканах, не забывайте, что на Марсе они могут быть вдвое выше!

Облака на горе Арсия образуются, когда воздух поднимается по ее склонам и быстро охлаждается. Эти облака особенно густые, когда Марс находится дальше всего от Солнца. Так что, если вы хотите увидеть их во всей красе, лучше всего отправляться на Марс в этот период.

Джонатон Хилл из Университета штата Аризона, руководитель работы с камерой THEMIS, говорит, что они выбрали гору Арсия в надежде увидеть ее вершину, возвышающуюся над утренними облаками. И, похоже, они не разочаровались!

Камера THEMIS — это настоящая находка для ученых. Она позволяет наблюдать Марс как в видимом, так и в инфракрасном свете. Это значит, что мы можем идентифицировать участки поверхности, содержащие водяной лед, которые могут пригодиться первым астронавтам на Марсе. Более того, камера может снимать спутники Марса, Фобос и Деймос, что дает возможность анализировать их состав.

Итак, друзья, мир космоса полон удивительных открытий! Гора Арсия и ее облака — это лишь малая часть того, что ждет нас на Красной планете. Кто знает, какие еще тайны скрывает Марс? Возможно, однажды мы все сможем увидеть это своими глазами!

Как можно использовать искусственный интеллект (ИИ) для совершенствования методов картографирования и получения изображений на других планетах? Именно на это направлено исследование, представленное на 56-й конференции по лунным и планетарным наукам, в ходе которого одинокий исследователь изучил применение моделей машинного обучения для расширения возможностей картографирования и визуализации на основе орбитальных снимков, полученных с помощью контекстной камеры Mars Reconnaissance Orbiter (MRO), находящейся на орбите Марса.

Это исследование может оказать значительное влияние на ученых, инженеров и широкую общественность, способствуя более глубокому пониманию преимуществ искусственного интеллекта в проведении продвинутых научных исследований, особенно в контексте глобальных изображений Земли и других небесных тел.

Сегодня Universe обсуждает это увлекательное исследование с доктором Эндрю Эннексом, старшим инженером по научным системам в Институте SETI, о мотивации исследования, следующих шагах в разработке моделей машинного обучения и важности их применения для улучшения существующих методов. Какова же была мотивация данного исследования?

"Основной целью моей работы было стремление ускорить научные открытия и исследования, а также повысить научную отдачу от имеющихся наборов данных о Марсе", — делится доктор Эннекс в интервью Universe Today.

"Многие исследования Марса начинаются с простого определения объектов на поверхности и их локализации. Обычно это достигается тем, что ученый вручную просматривает сотни, а иногда и тысячи изображений. Однако этот процесс может быть крайне медленным и утомительным, особенно при анализе поверхности с высоким разрешением, поскольку требует обработки огромного объема информации."

В ходе своего исследования доктор Эннекс оценил, как существующие методы анализа изображений могут быть улучшены с помощью моделей и инструментов машинного обучения, включая поиск изображений на основе контента (CBIR), OpenAI CLIP (предварительное обучение контрастному языку и изображениям) и архитектуру облачных вычислений. Цель CBIR заключается в том, чтобы взять исходное изображение и просканировать базу данных в поисках схожих изображений, анализируя их содержимое.

OpenAI зарекомендовала себя как ведущая исследовательская компания, стремящаяся усовершенствовать искусственный интеллект на благо человечества в повседневной жизни, а ChatGPT, вероятно, является ее наиболее известной и широко используемой моделью. OpenAI CLIP — это модель машинного обучения, предназначенная для изучения взаимосвязи между изображениями и текстом при работе с обширными наборами данных.

Облачные вычисления предполагают использование сети удаленных серверов для управления большими объемами данных, включая мобильные технологии, базы данных, хранилища, приложения и многое другое.

В результате доктор Эннекс успешно применил модели машинного обучения для анализа глобальных мозаичных изображений CTX на Марсе, включая идентификацию и сопоставление конкретных сходств изображений на Красной планете. Подчеркнув, что это исследование открывает возможности для дальнейших улучшений, включая специфические поисковые запросы, доктор Эннекс отметил, что модели машинного обучения могут быть использованы для изучения планет по всей Солнечной системе.

"В конечном итоге я создал базовую систему визуального поиска, которая позволяет исследовать поверхность Марса с разрешением CTX в пикселях", — рассказывает доктор Эннекс в интервью Universe Today.

"Эта работа не представляет собой единую модель, отвечающую на конкретный вопрос, как это обычно бывает в других исследованиях в области машинного обучения [ML] в планетологии. Это применение программного обеспечения (и машинного обучения) для быстрого поиска множества различных объектов в данных."

Первое изображение с марсианского орбитального аппарата было получено 15 июля 1965 года космическим аппаратом НАСА "Маринер-4", который передал полоски кода, которые ученые и инженеры раскрасили в соответствии с номером кода. 16 июля было получено первое черно-белое орбитальное изображение.

Эта историческая миссия продемонстрировала, что Марс — это не тот водный и тропический ландшафт, о котором мечтали ученые с тех пор, как Персиваль Лоуэлл в начале 20-го века объявил о существовании живых существ на этой планете.

С тех пор марсианские орбитальные аппараты из различных стран прислали невероятные снимки Красной планеты, открывающие мир, в котором, возможно, миллиарды лет назад существовали океаны и реки с жидкой водой.

Благодаря неустанной работе этих роботов-исследователей вся поверхность Марса была запечатлена, и некоторые из изображений отличаются невероятной детализацией, полученной с помощью контекстной камеры НАСА и камеры научного эксперимента с высоким разрешением (HiRISE). Так в чем же заключается важность использования моделей машинного обучения для улучшения существующих методов анализа изображений Марса?

Доктор Эннекс говорит в интервью Universe Today: "Я считаю, что важность заключается в том, что за последние 25 лет, несмотря на увеличение вычислительной мощности, объем данных, которые нам необходимо анализировать для ответа на наши научные вопросы, также возрос, но скорость использования этих данных не увеличилась. Существующие методы не успевают за развитием событий, поскольку они не основаны на вычислениях, а на обычном и критическом анализе изображений на глаз и геологической интерпретации.

"Многие революционные научные открытия, касающиеся Марса, были сделаны благодаря наблюдениям поверхности с более высоким разрешением, чем было доступно ранее. Но сейчас, имея полную картину поверхности, которую предоставляет глобальная мозаика CTX, можно задавать другие важные вопросы о Марсе.

"Однако увидеть всю поверхность с разрешением 5 метров на пиксель одному человеку не под силу. Это просто огромная площадь, которую необходимо анализировать и запомнить. Машинное обучение важно не только с точки зрения скорости, но, возможно, еще более значимо с точки зрения гибкости в автоматизации задач, которые обычный компьютерный анализ изображений не может выполнить эффективно из-за объема данных и ограниченного времени.

"Я не думаю, что машинное обучение заменит весь анализ изображений, но рассматриваю его как еще один инструмент в арсенале, который можно использовать для дополнения и совершенствования существующих методов и анализа."

Миллиарды лет назад вода текла по поверхности Марса. Однако у ученых до сих пор остается неполное представление о том, как функционировал водный цикл на красной планете.

Ситуация может измениться: два аспиранта Университета Техаса в Остине заполнили значительный пробел в знаниях о водном цикле Марса — в частности, о связи между поверхностной водой и подземными водами.

Студенты Мохаммад Афзал Шадаб и Эрик Хиатт разработали компьютерную модель, которая рассчитывает, сколько времени потребовалось воде на раннем Марсе, чтобы просочиться с поверхности до водоносного слоя, находящегося примерно на милю в глубину. Они установили, что этот процесс занял от 50 до 200 лет. На Земле, где уровень грунтовых вод в большинстве мест значительно ближе к поверхности, аналогичный процесс обычно занимает всего несколько дней.

Результаты были опубликованы в журнале Geophysical Research Letters.

Исследователи также определили, что количество воды, просачивающейся между поверхностью и водоносным слоем, могло быть достаточным для того, чтобы покрыть Марс как минимум 300 футами воды. Это, вероятно, составляло значительную часть общего объема доступной воды на планете.

Это исследование помогает завершить понимание ученых о водном цикле на раннем Марсе, отметил Шадаб, который получил степень доктора в UT Austin и сейчас является доктором исследователем в Принстонском университете. Это новое понимание будет полезно для определения того, сколько воды было доступно для испарения и заполнения озер и океанов дождем, а в конечном итоге — для выяснения, куда эта вода делась.

"Мы хотим внедрить это в [интегрированную модель] того, как вода и земля эволюционировали вместе на протяжении миллионов лет до нынешнего состояния," — сказал Шадаб, являвшийся ведущим автором исследования. "Это приблизит нас к ответу на вопрос о том, что произошло с водой на Марсе."

Сегодня Марс в основном сухой, по крайней мере, на поверхности. Но 3-4 миллиарда лет назад — примерно в то время, когда жизнь начинала зарождаться на Земле — океаны, озера и реки вырезали долины в горах и кратерах Марса, оставляя следы береговой линии на его скалистой поверхности.

В конечном итоге вода на Марсе пошла другим путем, чем на Земле. Большая ее часть теперь либо заперта в коре, либо утеряна в космос вместе с атмосферой Марса. Понимание того, сколько воды было доступно близко к поверхности, может помочь ученым определить, находилась ли она в нужных местах достаточно долго, чтобы создать химические ингредиенты, необходимые для жизни.

Новые открытия дополняют альтернативную картину раннего Марса, на котором было мало воды, возвращающейся в атмосферу через испарение и осадки, чтобы снова наполнять океаны, озера и реки, как это происходило на Земле, отметил соавтор Хиатт, который недавно защитил докторскую диссертацию в Школе геонаук имени Джексона при UT.

"Я представляю себе ранний Марс как место, где любая поверхность воды — любые океаны или большие стоящие озера — были очень эфемерными," — сказал он. "Как только вода попадала в грунт на Марсе, она считалась потерянной. Эта вода никогда не вернется обратно."

Исследователи отметили, что результаты не являются исключительно плохими новостями для потенциальной жизни на Марсе. По крайней мере, вода, просачивавшаяся в кору, не терялась в космос, добавил Хиатт. Это знание в будущем может оказаться важным для исследователей, ищущих скрытые водные ресурсы для поддержания жизни на красной планете.

Работа проводилась, пока Шадаб получал докторскую степень в Институте вычислительной инженерии и наук Одена при UT Austin. Другими соавторами являются Рикбир Бахия и Элени Бохачек из Европейского космического агентства (в настоящее время в Космическом агентстве Великобритании), Вилмош Штайнманн из Университета Этвеша Лоранда в Венгрии и профессор Марк Хессе из кафедры наук о Земле и планетах Школы Джексона при UT Austin.