Dyb læring tager Saturn med storm

En 'deep learning' tilgang til at opdage storme på Saturn skal transformere vores forståelse af planetariske atmosfærer, ifølge forskere fra UCL og University of Arizona.

Den nye teknik, kaldet PlanetNet, identificerer og kortlægger komponenterne og funktionerne i turbulente områder af Saturns atmosfære, giver indsigt i de processer, der driver dem.

Et studie, offentliggjort i dag i Natur astronomi , giver resultater fra den første demonstration af PlanetNet-algoritmen, som tydeligt viser de store områder, der er ramt af storme, og at Saturns mørke stormskyer indeholder materiale, der er fejet op fra den lavere atmosfære af stærke lodrette vinde.

Udviklet af UCL og University of Arizona forskere, PlanetNet blev trænet og testet ved hjælp af infrarøde data fra Visible and Infrared Mapping Spectrometer (VIMS) instrumentet på Cassini, en fælles mission mellem NASA, Den Europæiske Rumorganisation, og den italienske rumfartsorganisation.

Et datasæt, der indeholder flere, tilstødende storme observeret ved Saturn i februar 2008 blev valgt til at give en række komplekse atmosfæriske funktioner til at udfordre PlanetNets muligheder.

Tidligere analyse af datasættet indikerede en sjælden påvisning af ammoniak i Saturns atmosfære, i form af en S-formet sky.

Kortet produceret gennem PlanetNet viser, at denne funktion er en fremtrædende del af en meget større opstrømning af ammoniak-isskyer omkring en central mørk storm. PlanetNet identificerer lignende opstrømning omkring en anden lille storm, tyder på, at sådanne funktioner er ret almindelige.

Kortet viser også udtalte forskelle mellem stormens centrum og de omkringliggende områder, hvilket indikerer, at øjet giver et klart udsyn ind i den varmere, dyb atmosfære.

"Misioner som Cassini samler enorme mængder data, men klassiske analyseteknikker har ulemper, enten i nøjagtigheden af ​​oplysninger, der kan udtrækkes, eller i den tid, de tager at udføre. Dyb læring muliggør mønstergenkendelse på tværs af forskellige, flere datasæt, " sagde Dr. Ingo Waldmann (UCL Fysik &Astronomi), hovedforfatter og vicedirektør for UCL Center for Space and Exoplanet Data.

"Dette giver os potentialet til at analysere atmosfæriske fænomener over store områder og fra forskellige betragtningsvinkler, og at skabe nye associationer mellem funktionernes form og de kemiske og fysiske egenskaber, der skaber dem."

I første omgang, PlanetNet søger i dataene efter tegn på klyngning i skystrukturen og gassammensætningen. For interesseområder, den trimmer dataene for at fjerne usikkerheder ved kanterne og kører en parallel analyse af de spektrale og rumlige egenskaber. Ved at kombinere de to datastrømme, PlanetNet skaber et kort, der hurtigt og præcist præsenterer hovedkomponenterne i Saturns storme med hidtil uset præcision.

PlanetNets nøjagtighed er blevet valideret på Cassini-data, der ikke er inkluderet i træningsfasen. Hele datasættet er også blevet roteret og resamplet for at skabe 'syntetiske' data til yderligere test. PlanetNet har opnået over 90 % klassificeringsnøjagtighed i begge testcases.

"PlanetNet sætter os i stand til at analysere meget større mængder data, og dette giver indsigt i Saturns dynamik i stor skala, " sagde professor Caitlin Griffith (University of Arizona), som var medforfatter til denne artikel. "Resultaterne afslører atmosfæriske træk, der tidligere var uopdaget. PlanetNet kan nemt tilpasses til andre datasæt og planeter, gør det til et uvurderligt potentielt værktøj til mange fremtidige missioner."