目前，我们有两种选择：一是派遣探测车前往特定地点进行勘察，二是进行轨道监测。
由于探测车造价昂贵，而且我们最终需要勘察的地点数量庞大，因此轨道检测似乎是更佳的选择。
然而，温度监测—我们能够进行的最重要的轨道扫描之一却一直存在分辨率低的问题，部分原因是用于收集温度数据的主要仪器大多已有数十年历史。
如今，澳大利亚科廷大学运用了一种先进的人工智能算法来提高热分辨率，从而绘制出一张更清晰的地图，标示出一些我们未来需要寻找的重要资源。
100 米分辨率的 THEMIS 数据与 12 米分辨率的 CRISM 数据的比较
喜欢就关注我们吧
内容
这些数据研究的是一种被称为热惯性（TI）的物理特性。简单来说，它指的是材料抵抗外部温度变化的能力。例如，火星日落后，细小的尘埃和松散的沙粒会迅速散失热量，在红外图像上显示为暗斑。而基岩和巨石则能更长时间地保持太阳的热量，在红外图像上长时间发出明亮的光芒。
通过绘制这些冷热区域的地图，科学家可以了解地表的许多物理特性，尤其是颗粒大小和岩石丰度。此外，如果图像足够清晰，还可以从中获取其他信息，例如是否存在水冰，或者探测车或大型岩土工程设备着陆点的安全性。
问题在于，直到最近，情况并非如此。我们目前测量火星表面温度的主要仪器是 THEMIS，它是安装在火星奥德赛号探测器上的红外成像仪，于 2001 年发射升空。它的分辨率远不及现代系统，平均分辨率约为每像素 100 米。这显然不足以区分布满巨石的沙坑和裸露的基岩峭壁。
火星勘测轨道飞行器上的 CRISM 仪器是另一种可用的红外测量工具。它于 2005 年稍晚发射，分辨率高达每像素 12 米。然而，它是高光谱仪器，因此无法像 THEMIS 那样测量温度或热惯性。
将两组数据结合起来是最佳方案，而这正是本文所做的。他们采用了一种名为“数据融合”的技术，该技术在地球观测卫星领域已得到广泛应用。首先，他们提取了清晰的 CRISM 数据，并将其平均化，使其分辨率与 THEMIS 的 100 米相匹配。然后，他们训练了一个“额外树回归器”（一种机器学习模型），以发现某个区域的视觉数据与其热数据之间的潜在关联。
模型经过训练，能够识别光谱特征与 TI 值之间的相关性后，研究人员便允许模型访问完整的 12 米分辨率 CRISM 数据。经过初步处理后，研究人员再次平滑了所有数学残差，并强制地图与原始 THEMIS 数据对齐。这种自动化与人工相结合的方法取得了令人瞩目的成果，降尺度热地图的精度极高，从而突破了 THEMIS 传感器的物理限制。
不过，他们用来训练模型的数据并非随机选择的火星表面区域，而是“好奇
号”火星车多年来一直在巡视的盖尔陨石坑，这使得未来可以进行地面实况验证，尽管该论文的验证是基于原始的 THEMIS 数据进行的。
但利用这样一个已被充分探索的区域也确实存在一些改进空间。论文指出，该模型需要进行局部重新训练才能应用于火星的其他区域。
其他区域可能缺乏探测车和盖尔陨石坑提供的地面实况验证，但至少就目前而言，在另一个星球上使用这种数据融合技术的概念验证，是朝着利用几十年前的设备寻找有趣的探索地点迈出的一步。
#火星 #数据融合火星 #火星温度图 #火星检测 #空天论道
热门跟贴