Amici della Scienza

Mappatura di Saturno con il Deep Learning (Intelligenza Artificiale)

Secondo un ricercatore dell’UCL e dell’Università dell’Arizona, un approccio di “deep learning” per rilevare le tempeste su Saturno è destinato a trasformare la nostra comprensione delle atmosfere planetarie. La nuova tecnica , denominata PlanetNet, identifica e mappa i componenti e le funzionalità nelle regioni turbolente dell’atmosfera di Saturno, fornendo informazioni sui processi che li guidano.

Uno studio, pubblicato su Nature Astronomy , fornisce i risultati della prima dimostrazione dell’algoritmo PlanetNet, che mostra chiaramente le vaste regioni colpite dalle tempeste e che le nuvole oscure di Saturno contengono materiale spazzato via dalla bassa atmosfera dai forti venti verticali. Sviluppato dai ricercatori dell’UCL e dell’Università dell’Arizona, PlanetNet è stato applicato e testato utilizzando i dati a infrarossi dello strumento VIMS (Visible and Infrared Mapping Spectrometer) su Cassini, una missione congiunta tra la NASA, l’Agenzia spaziale europea e l’Agenzia spaziale italiana.

Distribuzione delle nubi su Saturno

Inizialmente, PlanetNet cerca i dati con segni comuni nella struttura delle nubi e nella composizione del gas del pianeta. Per ciascuna area di interesse, poi, rimuove le incertezze ai bordi dell’area ed esegue un’analisi sulle proprietà spettrali e spaziali. Infine, ricombinando i due flussi di dati – quelli spettrali e quelli spaziali, appunto – PlanetNet produce una mappa che rappresenta le principali componenti delle tempeste di Saturno con una precisione senza precedenti.

Risultati: La mappa ottenuta dai ricercatori mostra chiaramente le vaste regioni atmosferiche del gigante gassoso colpite dalle tempeste e le nubi scure tempestose contenti materiale spazzato via dagli strati inferiori dell’atmosfera dai forti venti verticali presenti sul pianeta. Ma non è tutto. Analisi precedenti del set di dati avevano rilevato nell’atmosfera tracce di ammoniaca, presente in nubi a forma di ‘S’. La mappa prodotta da PlanetNet mostra che, in effetti, questa caratteristica c’è (vedi la figura indicato con la freccia nell’immagine qui sotto). È la parte prominente di una nuvola di ghiaccio d’ammoniaca più grande, risalita attorno alla tempesta scura centrale. Una risalita simile che è stata identificata dall’algoritmo anche attorno a un’altra piccola tempesta, suggerendo che tale caratteristica sia abbastanza comune. La mappa mostra inoltre pronunciate differenze tra il centro della tempesta e le aree circostanti, segno di una visione chiara nell’atmosfera più calda e profonda.

Saturno
Queste immagini di una tempesta nell’atmosfera di Saturno sono state ottenute con la telecamera grandangolare Cassini sul 4 marzo 2008, ad una distanza di circa 1,3 milioni di chilometri (800.000 miglia) da Saturno. La scala dell’immagine è di 74 chilometri (46 miglia) per pixel. Credito: NASA / JPL / Space Science Institute.

Ma perché utilizzare metodi basati sull’intelligenza artificiale, come il deep learning, al posto delle tecniche di indagine tradizionali?

«Missioni come Cassini raccolgono grandi quantità di dati, e le tecniche classiche per l’analisi presentano svantaggi sia nell’accuratezza delle informazioni che possono essere estrapolate che nel tempo necessario per eseguirle. Il deep learning consente il riconoscimento di caratteristiche ricorrenti tra diversi insiemi di dati multipli», spiega Ingo Waldmann, primo autore dell’articolo. «In tal modo abbiamo la possibilità di analizzare i fenomeni atmosferici su grandi aree e da punti di vista diversi, e riusciamo a stabilire nuove associazioni tra la forma di queste nubi e le proprietà chimico-fisiche che le producono».

E se da un lato questo approccio permette un miglioramento della qualità delle informazioni e per di più con la possibilità di ottenerle in un minor tempo, dall’altro, aggiunge Caitlin Griffith, coautrice dell’articolo, «PlaneNet ci permette di analizzare volumi di dati molto più grandi, e questo ci dà informazioni su larga scala delle dinamiche di Saturno. I risultati rivelano caratteristiche atmosferiche precedentemente inosservate. PlanetNet potrebbe poi essere facilmente adattato ad altri set di dati e pianeti, rendendolo uno strumento potenzialmente prezioso per molte missioni future».

Dettagli su PlanetNet

Lo spettrometro di mappatura visiva e infrarossa (VIMS) su Cassini space-craft è uno spettrometro di mappatura a due canali che ottiene spettri spazialmente risolti su un array 64 × 64 pixel. In questo lavoro utilizziamo il canale del vicino infrarosso, che si estende su 256 passabanda campionati in modo contiguo che vanno da 0,85 μm a 5,1 μm con costante δλ  = 0,016 μm. Quindi ogni cubo di dati (o immagine iperspettrale) contiene 4096 spettri individuali. Le osservazioni della tempesta di Saturno del 2008 sono particolarmente adatte per questo lavoro poiché comprendono molteplici sottotitoli adiacenti, fornendo uno spazio di caratteristiche atmosferiche complesso che deve essere analizzato da PlanetNet.

In particolare, il cubo di dati V1581233933 contiene una caratteristica di ghiaccio ammoniaca rara, rilevata dal rierimento che proietta una caratteristica a forma di S sul disco di Saturno. Questo cubo di dati, insieme a due cubi spazialmente adiacenti, è stato precedentemente analizzato dal metodo di divisione della banda spettrale , consentendo di confrontare la nostra analisi con quella precedente. In questo studio analizziamo nuovamente i tre cubi originali insieme a tre cubi di dati adiacenti aggiuntivi, tutti ottenuti il ​​9 febbraio 2008.

PlanetNet è in grado di identificare in modo non parametrico le caratteristiche sbiadite nelle immagini iperspettrali e, una volta addestrato su una determinata funzione, è in grado di cercare quella caratteristica attraverso dataset altamente eterogenei. L’algoritmo consiste di due parti: (1) un algoritmo di clustering spettrale per identificare un set di caratteristiche iniziali; e (2) una rete neuronale convoluzionale a doppio flusso (CNN). Qui forniamo una breve panoramica dell’algoritmo (vedi Metodi per ulteriori dettagli). Il clustering spettrale è un algoritmo di clustering versatile adatto per spazi vettoriali ad alta dimensionalità. A differenza degli algoritmi di clustering più tradizionali come k -nearest neighbors o k-means, il clustering spettrale non dipende dalla convessità dei singoli set di cluster e può identificare cluster altamente non convessi.

Calcoliamo il numero di cluster nei dati e assegniamo un’etichetta cluster a ogni spettro, come discusso in maggior dettaglio nei metodi. Una volta ottenuti i nostri cluster iniziali, abbiamo tagliato tutti i dati entro un pixel di un bordo del cluster per evitare incertezze sui bordi e procedere all’addestramento della rete neurale utilizzando gli spettri rimanenti. La rete neurale contiene due rami, un canale spaziale e uno spettrale. Il ramo spettrale prende ogni spettro rimanente e forma un CNN a due strati utilizzando le funzioni di attivazione ReLU (unità lineare rettificata) e due livelli di pooling. Circondando ogni spettro, calcoliamo un’immagine spaziale 20 × 20 calcolando la media del cubo spettrale lungo l’asse spettrale.

Questo è l’input per il canale spaziale, che altrimenti segue la stessa architettura di rete neurale del canale spettrale. Analizzando le informazioni spettrali e spaziali, possiamo tenere conto delle firme morfologiche e spettrali delle caratteristiche atmosferiche su Saturno. In altre parole, una tempesta oscura, per esempio, avrà uno spettro e una morfologia spaziale distinti che sono correlati l’uno con l’altro. Includendo queste correlazioni spaziali-spettrali, la rete neurale prenderà in considerazione tutte le possibili informazioni disponibili. Infine, l’output di entrambi gli spettri e canali spaziali viene alimentato in uno strato completamente connesso che si collega alle etichette del cluster tramite uno strato di regressione logistica. figura possiamo prendere in considerazione le firme morfologiche e spettrali delle caratteristiche atmosferiche su Saturno.

In altre parole, una tempesta oscura, per esempio, avrà uno spettro e una morfologia spaziale distinti che sono correlati l’uno con l’altro. Includendo queste correlazioni spaziali-spettrali, la rete neurale prenderà in considerazione tutte le possibili informazioni disponibili. Infine, l’output di entrambi gli spettri e canali spaziali viene alimentato in uno strato completamente connesso che si collega alle etichette del cluster tramite uno strato di regressione logistica. figura possiamo prendere in considerazione le firme morfologiche e spettrali delle caratteristiche atmosferiche su Saturno. In altre parole, una tempesta oscura, per esempio, avrà uno spettro e una morfologia spaziale distinti che sono correlati l’uno con l’altro.

Includendo queste correlazioni spaziali-spettrali, la rete neurale prenderà in considerazione tutte le possibili informazioni disponibili. Infine, l’output di entrambi gli spettri e canali spaziali viene alimentato in uno strato completamente connesso che si collega alle etichette del cluster tramite uno strato di regressione logistica. figura l’output di entrambi gli spettri e canali spaziali è alimentato in uno strato completamente connesso che si collega alle etichette del cluster tramite uno strato di regressione logistica. figura l’output di entrambi gli spettri e canali spaziali è alimentato in uno strato completamente connesso che si collega alle etichette del cluster tramite uno strato di regressione logistica. figura1 mostra uno schema della rete completa. Simili progettazioni di reti sono state usate con successo nella classificazione di immagini aeree dell’uso del suolo commerciale (si vedano, per esempio, i riferimenti e per una recensione recente si veda il punto ).

Diagramma di flusso dell'algoritmo PlanetNet.
Fig. 1: Diagramma di flusso dell’algoritmo PlanetNet. I punti blu indicano il pixel centrale a cui viene estratto lo spettro dal cubo di dati Cassini / VIMS. I quadrati rossi indicano le corrispondenti patch spaziali centrate sui pixel spettrali centrali. I dati spaziali e spettrali sono alimentati rispettivamente in due CNN per le informazioni spaziali (rete superiore) e spettrali (rete inferiore). Entrambe le CNN sono collegate a uno strato completamente connesso che combina output convoluzionali spaziali e spettrali (strato profondo in figura). L’output del layer completamente connesso viene mappato alle etichette di classe (layer softmax in figura). Vedere i metodi per ulteriori informazioni.

Verifichiamo l’accuratezza della classificazione utilizzando due metodi. Durante l’allenamento, il 30% del cubo di addestramento è riservato come “dati di test”. I dati del test sono scelti a caso dal set di allenamento e vengono utilizzati per verificare l’accuratezza della classificazione sui dati non visibili durante l’allenamento. La classificazione sui dati di prova raggiunge una precisione di circa il 90%. Dopo l’allenamento, testiamo ulteriormente il PlanetNet addestrato su una versione ricampionata del cubo di addestramento ruotando i dati spaziali e interpolando i dati spettrali all’interno di ciascun cluster (vedere Metodi per ulteriori dettagli). Qui otteniamo una precisione del 93%, coerente con l’accuratezza ottenuta dai dati del test.

Applichiamo PlanetNet al data cube V1581233933 e in seguito ci riferiamo a questo set di dati come il cubo di addestramento in cui identifichiamo cinque cluster chiaramente distinguibili di caratteristiche spettrali / spaziali. Confermiamo l’esistenza di questi cluster eseguendo un’analisi delle componenti principali (PCA ). Mentre PlanetNet raggruppa i dati spaziali / spettrali in base alla loro somiglianza (bassa distanza statistica), la PCA decompone il cubo spettrale in base alla sua varianza. Se esistono regioni spettrali distinte, ci aspettiamo di vedere le firme di questi cluster anche nella varianza dei dati. I cluster PlanetNet sono chiaramente visibili nei componenti principali e rimandiamo il lettore ai Metodi per una discussione più approfondita.

Il pannello di sinistra di Fig. 2 presenta l’estensione spaziale del cubo di addestramento e una mappa delle caratteristiche degli spettri, mentre i pannelli di destra mostrano le caratteristiche spettrali dei cinque cluster spettrali identificati. Qui, la regione blu corrisponde a una grande regione burrascosa (SR) che circonda la centrale tempesta oscura (viola / verde) e l’etichetta 1 indica il centro della caratteristica a forma di “S”. Ogni cluster si distingue per le sue caratteristiche di assorbimento e dispersione, indicativo della struttura della nube e della composizione del gas.

Più salienti sono le differenze spettrali tra la SR blu, che circonda le caratteristiche della tempesta oscura, in contrasto con le regioni imperturbate (rosso / arancione) e le uniche firme delle tempeste nere (viola / verde). Spettri 1 e 4 in Fig. 2 sono esempi di spettri appartenenti alla SR. Troviamo che le regioni non interessate dalla tempesta (ad esempio, spettri 2 e 3) visualizzano l’albedo più brillante a 1-2 μm (Figura 2 ). A queste lunghezze d’onda, le bande delle CH ben miscelati sono modulate da nuvole, la luminosità delle quali indica alte concentrazioni di aerosol.

Al contrario, la regione che circonda le caratteristiche della tempesta (blu) è dimmerata a 1-2 μm, suggerendo o nubi inferiori, o, più probabilmente, data la grande estensione della SR, queste sono nubi spettralmente più scure, come postulato da ref  5. Questa interpretazione indica che le regioni blu incapsulano le correnti e le tempeste precedenti oscurate dal materiale upwelling dell’albedo inferiore.

Caratteristiche spaziali e spettrali delle caratteristiche identificate da PlanetNet.
Fig. 2: Caratteristiche spaziali e spettrali delle caratteristiche identificate da PlanetNet. a , Mappa del cubo Cassini / VIMS V1581233933, colorato in base ai cinque diversi cluster descritti nel testo principale: SR (blu), 2 (arancione), 3 (rosso), 4 (verde) e 5 (viola). b , Spettri atmosferici nelle posizioni segnate sulla mappa ( a ), dove lo spettro 1 corrisponde alla caratteristica a forma di S delle nuvole di ghiaccio NH 3 . Lo spettro SR e l’etichetta corrispondono allo spettro medio dell’area designata blu sulla mappa. c , d , come per b ma con lo spettro medio della mappa sottratto.

Queste caratteristiche SR, basate sui loro spettri di 1-2 μm e basso flusso di 5 μm, contengono particelle relativamente grandi. La più brillante di queste caratteristiche (spettro 1 in Fig. 2 ), forma una caratteristica a forma di “S”, che coincide con la posizione delle scariche elettriche misurate il 9 febbraio 2008 dallo strumento Cassini Radio e Plasma Wave Science. Riteniamo che la caratteristica a forma di “S” sia la proverbiale “punta dell’iceberg” di una regione molto più ampia di upwelling. In figure supplementari. 1 e 2, mappiamo la distanza 2 (cioè la differenza spettrale, in Methods) tra l’emissione di picco della caratteristica a forma di S e la SR rimanente. Troviamo che attraverso la SR, la caratteristica a forma di S contiene il più alto flusso di 1-2 μm ma il flusso più basso di 5 μm, suggerendo che la dimensione delle particelle è più alta nella SR.

Baines et al. ipotizzano che le particelle presenti nel ‘caratteristica forma S’consistono condensato NH 3 , come indicato dalle mappe di colore del continuo (0,93 micron), metano (0,90 um) e NH 3 funzione ghiaccio (2,73 micron). La nostra analisi definisce lo spettro relativo della caratteristica a forma di “S” e scopre che lo spettro “S” mostra una caratteristica di assorbimento a circa 2,74-2,85 μm. Questo fa parte di un continuum più ampio che assomiglia alla caratteristica dello spettro del ghiaccio NH 3 di quella osservata nelle tempeste di Giove. Allo stesso modo, lo spettro medio dello SR completo indica una caratteristica di ghiaccio dell’ammoniaca simile, sebbene debole.

Il flusso termico di Saturno, misurato verso il basso di circa 4,5 μm, differenzia anche l’ambiente dalle atmosfere burrascose. Il flusso SR a 5 μm mostra una luminosità relativamente bassa indicativa di una maggiore opacità atmosferica alla lunghezza d’onda di 5 μm causata da particelle di dimensioni non inferiori a 5 μm e maggiori. In particolare, l’algoritmo di PlanetNet identifica i cluster relativi alla tempesta oscura di Saturno. Gli spettri associati (5 e 6) indicano strutture spettrali degne di nota. Entrambi gli spettri hanno albedos 1-2 μm più scuri rispetto a quelli delle altre regioni.

Rispetto alla media SR, gli spettri delle tempeste scure visualizzano l’assorbimento a 4,5-4,9 μm, caratteristica di PH 3 e coerente con la visibilità di questa caratteristica come indicato nei modelli di trasferimento radiativo (RT). PH 3è una specie condensabile, la cui abbondanza aumenta per risalita verticale ai livelli osservabili. Il miglioramento di questa specie indica che la tempesta subisce forti correnti ascensionali verticali. L’emissione di Saturno, lunga 4,5 μm, differenzia il centro della tempesta (spettro 5) dai suoi immediati dintorni (spettro 6). Il centro della tempesta mostra un flusso forte, che indica la visione più chiara nell’atmosfera più calda e profonda, la cui chiarezza suggerisce l’occhio di una tempesta. Al contrario, il flusso di 5-μm che circonda la tempesta è commisurato a quello degli altri cluster.

La figura 1 supplementare mostra l’SR identificato in maggiore dettaglio e mappa la distanza statistica in Methods) tra l’emissione di picco della caratteristica a forma di S (contrassegnata come 1) e tutti gli altri spettri nell’etichetta SR regioni. Simile alla Fig. 2 , tracciamo spettri singoli sparsi sulla SR e le differenze spettrali con la caratteristica a forma di S. Mentre la maggior parte delle bande spettrali sono invarianti, per tutti gli spettri troviamo che l’albedo da 1-2 μm è soppresso e che l’emissione termica è aumentata rispetto alla caratteristica a forma di S. Ciò corrobora inoltre la conclusione che la caratteristica a forma di “S” è davvero il picco di un upwelling più ampio. In figura supplementare 3 mostriamo la stessa mappa di distanza statistica come nella Figura 1 supplementare, ma prendendo come punto di riferimento il centro della tempesta oscura (punto 5 in Fig. 2 ). La SR si distingue per essere distinta dalle firme della tempesta oscura, una caratteristica che è ulteriormente confermata dal PCA in Fichi supplementari. 4 – 6 e discusso nei metodi.

Una volta addestrato su un cubo iperspettrale, PlanetNet ci consente di mappare rapidamente e con precisione le regioni spettrali salienti su più dataset eterogenei, che coprono un’ampia area del pianeta. Finora, la nostra analisi si è concentrata sul cubo di addestramento, ma ora utilizziamo PlanetNet per mappare una regione molto più ampia includendo cinque cubi di dati aggiuntivi che racchiudono la tempesta originale, nonché due sottotempeste più piccole verso est. Come mostrato in Figg. 3 e 4, rileviamo la presenza della caratteristica SR che si estende sostanzialmente oltre la copertura spaziale inizialmente riportata da ref. 5. Inoltre, troviamo simili segni spaziali / spettrali della SR attorno ad una sottotempesta oscura più piccola ad est (42 ° W), a indicare che le aree di risalita sono comuni attorno alle tempeste oscure su Saturno. Forniamo mappe individuali di ciascun componente mappato in Fichi supplementari. 7 – 10 e la mappa della distanza statistica della SR tra tutti e cinque i set di dati in Figura 2 supplementare .

Distribuzione del cloud mappata da PlanetNet su sei set di dati sovrapposti.
Fig. 3: Distribuzione del cloud mappata da PlanetNet su sei set di dati sovrapposti. I colori sono come in Fig. 2 . È evidente che la caratteristica SR (blu) si verifica in prossimità di tempeste oscure.
SR mappato da PlanetNet su sei set di dati sovrapposti.
Fig. 4: SR mappato da PlanetNet su sei set di dati sovrapposti.
Come per la Fig. 3, ma solo mostrando la SR, a cui si fa riferimento nel testo principale e nella Fig. 2

Le missioni planetarie passate e attuali producono una ricchezza di dati, troppo abbondanti per essere analizzati “a mano”. Tecniche di analisi dei dati più tradizionali ci costringono a considerare solo piccoli volumi di dati e una comprensione globale delle distribuzioni spaziali di caratteristiche spettroscopiche (ad esempio, nubi su giganti gassosi) è spesso persa. Le mappe prodotte da PlanetNet possono darci un’idea delle dinamiche su larga scala di un pianeta, identificando allo stesso tempo le regioni di interesse per i più tradizionali calcoli di trasferimento radiativo.

Questa tecnica è significativamente più sensibile e robusta della semplice sottrazione o divisione della banda spettrale e può rivelare dinamiche precedentemente invisibili nelle atmosfere dei pianeti giganti. La capacità di identificare le caratteristiche in set di dati marcatamente diversi dai dati di addestramento (sia in scala di pixel che in angoli osservati) consente a questa tecnica di essere facilmente ridimensionata su una vasta mappatura di caratteristiche spettrali su tutto il pianeta. PlanetNet può essere facilmente adattato ad altri set di dati e missioni, rendendolo uno strumento potenzialmente inestimabile nell’analisi globale dei dati delle missioni planetarie.

 

Riferimenti e approfondimenti

  1. Fouchet, T. et al. Conseguenze stratosferiche della tempesta del 2010 su Saturno osservata dallo strumento TEXES. I. Struttura della temperatura. Icarus 277 , 196-214 (2016).

  2. Fletcher, LN et al. Struttura termica e dinamica del disturbo primaverile nord di Saturno. Science 332 , 1413 (2011).

  3. Barstow, JK, Irwin, PGJ, Fletcher, LN, Giles, RS & Merlet, C. Sondaggio sulla nuvola troposferica di Saturno con Cassini / VIMS. Icarus 271 , 400-417 (2016).

  4. Sánchez-Lavega, A. et al. Una duratura tempesta in rapido movimento come guida alla complessa struttura del jet equatoriale di Saturno. Natura Comun. 7 , 13262 (2016).

  5. Baines, KH et al. Nuvole temporalesche su Saturno: chimica indotta dai fulmini e materiali associati coerenti con gli spettri di Cassini / VIMS. Pianeta. Space Sci. 57 , 1650-1658 (2009).

  6. Brown, RH et al. L’indagine dello spettrometro di mappatura visiva e all’infrarosso (VIMS) di Cassini. Space Sci. Rev. 115 , 111-168 (2004).

  7. Yu, SX e Shi, J. in Proc. Nono IEEE Int. Conf. su Computer VisionVol. 1, 313-319 (IEEE, 2003).

  8. Wu, H. e Prasad, S. reti nervose ricorrenti recidive per la classificazione dei dati iperspettrali. Remote Sens. 9 , 298 (2017).

  9. Yang, J., Zhao, Y., Chan, JCW e Yi, C. nel 2016 IEEE Int. Geosci.Remote Sensing Symp. 5079-5082 (IEEE, 2016).

  10. Zhu, XX et al. Apprendimento profondo nel telerilevamento: una revisione completa e un elenco di risorse. IEEE Geosci. Remote Sens. Mag. 5 , 8-36 (2017).

  11. Nature Astronomy https://www.nature.com/articles/s41550-019-0753-8 Pubblicato:

 

0 0 vote
Article Rating
Subscribe
Notificami
guest
0 Commenti
Inline Feedbacks
View all comments
Translate »
0
Would love your thoughts, please comment.x
()
x