Een 'deep learning'-benadering voor het detecteren van stormen op Saturnus zal ons begrip van planetaire atmosferen veranderen, volgens onderzoekers van de UCL en de Universiteit van Arizona.

De nieuwe techniek, genaamd PlanetNet, identificeert en brengt de componenten en kenmerken in turbulente gebieden van de atmosfeer van Saturnus in kaart, inzicht geven in de processen die hen drijven.

Een onderzoek, vandaag gepubliceerd in Natuurastronomie , levert resultaten van de eerste demonstratie van het PlanetNet-algoritme, die duidelijk de uitgestrekte gebieden laat zien die door stormen zijn getroffen, en dat de donkere onweerswolken van Saturnus materiaal bevatten dat door sterke verticale winden uit de lagere atmosfeer is opgeveegd.

Ontwikkeld door UCL en de onderzoekers van de Universiteit van Arizona, PlanetNet is getraind en getest met behulp van infraroodgegevens van het Visible and Infrared Mapping Spectrometer (VIMS)-instrument op Cassini, een gezamenlijke missie van NASA, het Europees Ruimteagentschap, en het Italiaanse ruimteagentschap.

Een dataset met meerdere, aangrenzende stormen die in februari 2008 bij Saturnus werden waargenomen, werden gekozen om een ​​reeks complexe atmosferische kenmerken te bieden om de mogelijkheden van PlanetNet op de proef te stellen.

Eerdere analyse van de dataset wees op een zeldzame detectie van ammoniak in de atmosfeer van Saturnus, in de vorm van een S-vormige wolk.

De kaart die door PlanetNet is geproduceerd, laat zien dat dit kenmerk een prominent onderdeel is van een veel grotere opwelling van ammoniakijswolken rond een centrale donkere storm. PlanetNet identificeert soortgelijke opwelling rond een andere kleine storm, wat suggereert dat dergelijke functies heel gewoon zijn.

De kaart toont ook uitgesproken verschillen tussen het centrum van de stormen en de omliggende gebieden, wat aangeeft dat het oog een duidelijk zicht geeft in de warmere, diepe atmosfeer.

"Missies zoals Cassini verzamelen enorme hoeveelheden gegevens, maar klassieke analysetechnieken hebben nadelen, hetzij in de nauwkeurigheid van de informatie die kan worden geëxtraheerd of in de tijd die ze nodig hebben om uit te voeren. Deep learning maakt patroonherkenning mogelijk in verschillende, meerdere datasets, " zei Dr. Ingo Waldmann (UCL Natuur- en Sterrenkunde), hoofdauteur en adjunct-directeur van het UCL Center for Space and Exoplanet Data.

"Dit geeft ons het potentieel om atmosferische verschijnselen over grote gebieden en vanuit verschillende kijkhoeken te analyseren, en om nieuwe associaties te maken tussen de vorm van kenmerken en de chemische en fysische eigenschappen die ze creëren."

aanvankelijk, PlanetNet zoekt in de data naar tekenen van clustering in de wolkenstructuur en gassamenstelling. Voor interessegebieden, het trimt de gegevens om onzekerheden aan de randen te verwijderen en voert een parallelle analyse uit van de spectrale en ruimtelijke eigenschappen. Door de twee datastromen opnieuw te combineren, PlanetNet maakt een kaart die snel en nauwkeurig de belangrijkste componenten van de stormen van Saturnus met ongekende precisie weergeeft.

De nauwkeurigheid van PlanetNet is gevalideerd op Cassini-gegevens die niet in de trainingsfase zijn opgenomen. De hele dataset is ook geroteerd en opnieuw bemonsterd om 'synthetische' gegevens te creëren voor verder testen. PlanetNet heeft in beide testgevallen een classificatienauwkeurigheid van meer dan 90% behaald.

"PlanetNet stelt ons in staat om veel grotere hoeveelheden gegevens te analyseren, en dit geeft inzicht in de grootschalige dynamiek van Saturnus, " zei professor Caitlin Griffith (Universiteit van Arizona), die mede-auteur was van dit artikel. "De resultaten onthullen atmosferische kenmerken die voorheen onopgemerkt waren. PlanetNet kan eenvoudig worden aangepast aan andere datasets en planeten, waardoor het een potentieel hulpmiddel van onschatbare waarde is voor veel toekomstige missies."