A superfície de Marte é hostil e implacável. Mas coloque alguns metros de regolito entre você e o céu marciano e o local se tornará um pouco mais habitável. As entradas de cavernas provenientes de tubos de lava colapsados podem ser alguns dos locais mais interessantes para explorar em Marte, uma vez que não só forneceriam abrigo para futuros exploradores humanos, mas também poderiam ser um óptimo local para encontrar bioassinaturas de vida microbiana em Marte.
Mas as entradas das cavernas são difíceis de detectar, especialmente em órbita, pois se misturam com o fundo empoeirado. Um novo algoritmo de aprendizado de máquina foi desenvolvido para escanear rapidamente imagens da superfície marciana, em busca de possíveis entradas em cavernas.
Os pesquisadores Thomas Watson e James Baldini, da Universidade de Durham, no Reino Unido, usaram uma rede neural convolucional (CNN), treinada para identificar potenciais entradas de cavernas (PCEs) a partir de imagens da superfície marciana para localizar novas cavernas potenciais. Foi capaz de identificar 61 novas entradas de cavernas a partir de imagens em quatro regiões diferentes de Marte.
Anteriormente, a maioria das detecções de PCEs marcianos vinha de uma revisão manual de imagens visíveis de satélite, com imagens tiradas pelas câmeras Context Camera (CTX) e High-Resolution Imaging Science Experiment (HiRISE) da Mars Reconnaissance Orbiter (MRO). Um banco de dados dessa revisão manual chamado Catálogo Global de Cavernas Candidatas da Mars (MGC3) contém as coordenadas e breves descrições de mais de mil PCEs identificados em Marte.
“A revisão manual de imagens de satélite para detecção de cavernas marcianas está longe de ser eficiente em escala planetária,” escreveram Watson e Baldini em seu artigo, publicado na revista Icarus, “devido às limitações de tempo associadas à revisão de um conjunto de dados tão grande. O aprendizado de máquina apresenta uma solução intrigante para esse problema, reduzindo o conjunto de dados para incluir apenas imagens determinadas computacionalmente como contendo um PCE.”
As cavernas em Marte são criadas por tubos de lava, que foram formados pelo fluxo de lava no antigo Marte. À medida que a parte externa da lava que fluía esfriava e solidificava em teto e paredes, o interior permanecia derretido e continuava fluindo. Eventualmente, a lava fluiu para fora do tubo em direção descendente, deixando o tubo intacto e aberto. Às vezes, esses tubos de lava são aparentes em cadeias de poços lineares na superfície – muitos dos quais provavelmente estão conectados linearmente no subsolo. Porém, mais comumente, eles são encontrados localizando uma “clarabóia” ou um teto de tubo de lava colapsado em uma imagem orbital. Essa clarabóia fornece uma entrada para a caverna subterrânea.
Tubos de lava podem ser encontrados na Terra, na Lua e em Marte. Embora a Terra seja maior que Marte, alguns tubos de lava incrivelmente grandes foram encontrados em Marte, maiores do que os encontrados na Terra. Na Terra, os tubos de lava geralmente têm apenas 14 a 15 metros (46 a 49 pés) de largura – e normalmente são muito mais estreitos. Em 2020, a câmera HiRISE (High-Resolution Imaging Science Experiment) do Mars Reconnaissance Orbiter (MRO) da NASA tirou uma foto de um teto de tubo de lava desabado que é uma cratera com 50 m (150 pés) de diâmetro. A caverna subterrânea do tubo de lava é provavelmente maior do que isso.
Redes neurais regulares são comumente usadas para processamento de linguagem natural e reconhecimento de fala. Mas CNNs ou ConvNets são mais frequentemente utilizados para tarefas de classificação e visão computacional. As CNNs podem reconhecer padrões em imagens e fornecer classificação de imagens e reconhecimento de objetos para projetos grandes e pequenos. Por exemplo, num estudo anterior, as CNNs foram treinadas para reconhecer características da superfície marciana, como crateras, e alcançaram precisões de mais de 90%.
Watson e Baldini criaram e treinaram seu modelo CNN, chamado CaveFinder, fazendo com que ele analisasse imagens do catálogo MGC3 das regiões Tharsis e Elysium em Marte, que possuem as maiores concentrações de vulcões.
Após o período de treinamento, o CaveFinder alcançou uma precisão de teste de 77%. Foram encontrados quatro PCEs que Watson e Baldini destacaram por terem qualidades específicas que os tornam interessantes para pesquisas futuras, incluindo um PCE apelidado de Marvin, que foi o maior PCE identificado, bem como outro que eles chamaram de Emily, cuja baixa altitude poderia permitir o levantamento por drone. . Além disso, o CaveFinder identificou doze regiões que parecem ter múltiplos PCEs, que os autores dizem ser um ótimo lugar para explorar múltiplas cavernas com uma missão futura, devido à proximidade e abundância de PCEs.
Mas os pesquisadores dizem que o CaveFinder precisa de mais trabalho antes de ser usado em um grande banco de dados de todo o planeta. Ele tinha um grande número de falsos positivos e parece ter uma capacidade limitada de identificar “pequenos tipos de cavernas isoladas, como claraboias e furos”.
“O CaveFinder ainda não é considerado apropriado para detecção em escala planetária, devido ao elevado número de resultados falsos positivos que exigem avaliação manual”, escreveram Watson e Baldini. “No entanto, poderia ser eficaz em regiões menores, talvez já conhecidas por conter PCEs.”
Para testes futuros, eles planejam aumentar o tamanho do conjunto de dados de treinamento utilizado. Outras ideias para melhorar a precisão do CaveFinder é usar imagens térmicas juntamente com os dados visíveis. Imagens de maior resolução de um futuro orbitador de Marte também seriam benéficas para o aumento da detecção e precisão do CaveFinder.
“No geral, as descobertas desta pesquisa indicam que, com essas adições, o aprendizado de máquina tem um grande potencial para avançar na detecção remota de cavernas, o que é fundamental para a futura exploração marciana”, concluíram os pesquisadores.
Fonte: InfoMoney
