في مختبر الدفع النفاث ، معهد علوم الفضاء في ناسا، تم وضع نهج “التعلم العميق” : planetNet ، لاكتشاف العواصف على كوكب زحل لتحويل فهمنا للأجواء الكوكبية ، وفقًا لجامعة كوليدج في لندن وجامعة أريزونا.
تقوم التقنية الجديدة ، التي تسمى بلانيت نت (PlanetNet) ، بتحديد المكونات والميزات في المناطق المضطربة بجو زحل وتحديدها ، مع إعطاء نظرة ثاقبة على العمليات التي تدفعها.
تقدم دراسة ، نشرت اليوم في مجلة أسترو نومي نايتر (Nature Astronomy) ، نتائج من العرض الأول لخوارزمية PlanetNet. توضح النتائج بوضوح المناطق الشاسعة التي تأثرت بالعواصف وأن غيوم العاصفة المظلمة تحتوي على مواد جرفتها الرياح السفلية القوية من الجو السفلي.
تم تطوير PlanetNet وتطويره بواسطة باحثين من UA و UCL ، وتم تدريبهم واختبارهم باستخدام بيانات الأشعة تحت الحمراء من جهاز مطياف رسم الخرائط المرئي والأشعة تحت الحمراء في كاسيني ، وهي مهمة مشتركة بين ناسا ووكالة الفضاء الأوروبية ووكالة الفضاء الإيطالية.
تم اختيار مجموعة بيانات تحتوي على عدة عواصف متجاورة تمت ملاحظتها في زحل في فبراير 2008 لتوفير مجموعة من الميزات الجوية المعقدة لتحدي قدرات PlanetNet.
وقالت كيتلين غريفيث ، أستاذة جامعة كاليفورنيا ، التي شاركت في تأليف الصحيفة: “تمكننا بلانيت نت من تحليل أحجام أكبر بكثير من البيانات ، وهذا يعطي نظرة ثاقبة على الديناميات واسعة النطاق لزحل”. “تكشف النتائج عن ميزات الغلاف الجوي التي لم يتم اكتشافها من قبل. يمكن بسهولة تكييف PlanetNet مع مجموعات البيانات والكواكب الأخرى ، مما يجعلها أداة محتملة لا تقدر بثمن للعديد من المهام المستقبلية.”
أشار التحليل السابق لمجموعة البيانات إلى اكتشاف نادر للأمونيا في جو زحل ، في شكل سحابة على شكل حرف S.
تُظهر الخريطة التي تم إنتاجها من خلال PlanetNet أن هذه الميزة جزء بارز من السحب الكبيرة من غيوم الأمونيا الجليدية حول عاصفة مظلمة مركزية. تحدد PlanetNet وجود تضخم متشابه حول عاصفة صغيرة أخرى ، مما يشير إلى أن هذه الميزات شائعة جدًا.
تُظهر الخريطة أيضًا اختلافات واضحة بين مركز العواصف والمناطق المحيطة بها ، مما يشير إلى أن العين تعطي رؤية واضحة للجو الدافئ والعميق.
“تقوم بعثات مثل Cassini بجمع كميات هائلة من البيانات ، ولكن التقنيات الكلاسيكية للتحليل لها عيوب ، إما في دقة المعلومات التي يمكن استخراجها أو في الوقت الذي تستغرقه في أدائها. التعلم العميق يتيح التعرف على الأنماط عبر مجموعات بيانات متعددة ومتنوعة” قال إنجو فالدمان ، المؤلف الرئيسي ونائب مدير مركز UCL للفضاء وبيانات الكواكب الخارجية.
وقال “هذا يعطينا القدرة على تحليل الظواهر الجوية على مساحات شاسعة ومن زوايا رؤية مختلفة ، وجعل روابط جديدة بين شكل السمات والخصائص الكيميائية والفيزيائية التي تخلقها”.
في البداية ، يبحث PlanetNet في البيانات عن علامات التجميع في بنية السحابة وتكوين الغاز. بالنسبة للمجالات المهمة ، يقوم بتقليل البيانات لإزالة الشكوك عند الحواف ويقوم بإجراء تحليل مواز للخواص الطيفية والمكانية. عند تجميع دفق البيانات ، يقوم PlanetNet بإنشاء خريطة تقدم بسرعة وبدقة المكونات الرئيسية لعواصف زحل بدقة غير مسبوقة.
تم التحقق من دقة PlanetNet على بيانات Cassini غير المدرجة في مرحلة التدريب. تم تدوير مجموعة البيانات بالكامل وإعادة تشكيلها لإنشاء بيانات تركيبية لإجراء مزيد من الاختبارات. حققت PlanetNet دقة تصنيف أكثر من 90 في المئة في كلتا الحالتين الاختبار.
تلقى المشروع تمويلًا من مجلس البحوث الأوروبي ومجلس تمويل العلوم والتكنولوجيا.
المصدر :
المواد المقدمة من جامعة أريزونا.
نشر في لايف ساينس : livescience
في 29 أبريل 2019.
