Planetaire wetenschappers schatten dat elk jaar, ongeveer 500 meteorieten overleven de vurige reis door de atmosfeer van de aarde en vallen naar het oppervlak van onze planeet. De meeste zijn vrij klein, en minder dan 2% van hen wordt ooit teruggevonden. Hoewel de meeste gesteenten uit de ruimte mogelijk niet kunnen worden teruggevonden omdat ze in oceanen of afgelegen gebieden terechtkomen, ontoegankelijke gebieden, andere meteorietvallen zijn gewoon niet gezien of bekend.

Maar nieuwe technologie heeft het aantal bekende valpartijen de afgelopen jaren verhoogd. Dopplerradar heeft meteorietinslagen gedetecteerd, evenals all-sky cameranetwerken die specifiek op zoek zijn naar meteoren. Aanvullend, het toegenomen gebruik van dashcams en beveiligingscamera's heeft geleid tot meer toevallige waarnemingen en gegevens over vuurballen en mogelijke meteorietenvallen.

Een team van onderzoekers profiteert nu van aanvullende technologische vooruitgang door drones en machine learning uit te testen voor geautomatiseerde zoekopdrachten naar kleine meteorieten. De drones zijn geprogrammeerd om een ​​rasterzoekpatroon te vliegen in een geprojecteerd "bezaaid veld" voor een recente meteorietval, het maken van systematische foto's van de grond over een groot onderzoeksgebied. Kunstmatige intelligentie wordt vervolgens gebruikt om door de afbeeldingen te zoeken om potentiële meteorieten te identificeren.

"Die beelden kunnen worden geanalyseerd met behulp van een machine-learning classifier om meteorieten in het veld te identificeren, naast vele andere functies, " zei Robert Citron van de Universiteit van Californië, Davis, in een recent artikel gepubliceerd in gepubliceerd in Meteoritica en planetaire wetenschap .

Citron en zijn collega's hebben hun conceptuele drone-opstelling meerdere keren getest, meestal recentelijk in het gebied van een bekende meteorietval in 2019 in de buurt van Walker Lake, Nevada. Hun proof-of-concept meteorietclassificator maakt gebruik van een combinatie van "verschillende convolutie neurale netwerken om meteorieten te herkennen van afbeeldingen die door drones in het veld zijn genomen, ’, schrijft het team.

Hoewel deze specifieke test een aantal valse positieven aan het licht bracht voor eerder niet-geïdentificeerde stenen, de software was in staat om testmeteorieten correct te identificeren die door de onderzoekers op de droge bodem van het meer in Nevada waren geplaatst. Citron en zijn team zijn erg optimistisch over het potentieel van hun systeem, vooral bij het zoeken naar kleine meteorieten en het vinden ervan in afgelegen gebieden.

Citron vertelde Universe Today dat de grootste uitdaging voor het opzetten van het systeem het samenstellen van een trainingsdataset voor de machine learning classifier was.

"Aangezien een toekomstige meteorietval op elk terrein kan plaatsvinden, "zei hij via e-mail, "het systeem had een objectdetectie-algoritme nodig dat getraind was met voorbeelden van vele soorten meteorieten op verschillende soorten terrein. Om een ​​goed getraind objectdetectienetwerk te creëren, duizenden voorbeeldafbeeldingen zijn vereist."

Citron en collega's verzamelden afbeeldingen van meteorieten van internet en voegden in "geposeerde" foto's van meteorieten uit hun verzameling op verschillende terreinen toe. Hierdoor konden ze het machine learning-model goed trainen om het aantal gewone stenen dat als valse detecties werd gemarkeerd, te minimaliseren.

Vervolgens voerden ze tien testvluchten uit met een quadricopter-drone op twee locaties van het geprojecteerde veld in Nevada, dat is het gebied van verwachte meteorietdalingen op basis van trajectgegevens van vier stations van het NASA Meteorite Tracking and Recovery Network, onderdeel van het Global Fireball Observatory.

"Gelukkig, elke veldtest krijgen we meer gegevens die we in de dataset kunnen opnemen en gebruiken om het objectdetectienetwerk opnieuw te trainen en de nauwkeurigheid te verbeteren, "Zei Citron. "Dus, we zullen blijven proberen de detectienauwkeurigheid te verbeteren. Momenteel hebben we een betere drone nodig met een camera met een hogere resolutie."

Door meteorieten te bestuderen en hun oorsprong te kennen, kunnen wetenschappers de samenstelling van zo'n 40 asteroïdefamilies in de asteroïdengordel bepalen. en helpt ook bij het begrijpen van de vroege evolutie van het zonnestelsel. De onderzoekers zeiden dat de informatie van het externe cameranetwerk in combinatie met het kunnen vinden en bestuderen van vers gevallen meteorieten cruciaal is om te bepalen welke asteroïdefamilie het meteorietafval zou kunnen hebben geproduceerd. en of het afkomstig was van een bepaalde botsingsgebeurtenis.

"Als de meteoriet kan worden teruggevonden, de lichtcurve en het vertragingsprofiel van een vuurbal geven ook informatie over hoe zijn kinetische energie wordt afgezet in de atmosfeer van de aarde, " schreef het team in hun paper. "Die informatie kan worden gebruikt om voorspellingen te verbeteren op welke hoogte asteroïden van dit materiaaltype fragmenteren die groot genoeg zijn om schadelijke luchtstoten te veroorzaken."

Echter, het vinden van meteorieten van een waargenomen val kan erg moeilijk zijn, aangezien meteorieten over een groot gebied kunnen worden verspreid.

"Kleinere valpartijen komen vaker voor, maar leveren minder meteorietfragmenten op die daarom moeilijker te lokaliseren zijn, Citron zei. "Het duurt ongeveer 100 manuren om één meteorietfragment te vinden, dus als we dat kunnen verbeteren, kunnen we meer van deze kleine watervallen bemonsteren en een beter inzicht krijgen in de banen en dus de brongebieden van inkomende meteoren."

Citron zei dat het dronesysteem van zijn team bedoeld is voor kleinere valpartijen die geen meteorietjagers zouden aantrekken. Maar het werk van het team heeft de bewondering gewekt van een bekende meteorietjager, Geoffrey Notkin van Discovery Channel's "Meteorite Men."

"Het huidige werk van Dr. Citron op dit gebied is fascinerend, vooral zijn gedurfde experimenten met drones in echte situaties, "Zei Notkin via e-mail. "Het meest opwindende concept hier is de koppeling van moderne drones met machine learning die de visuele kenmerken van meteorieten in situ kan herkennen. Gegeven tijd, deze methode zou een deel van de verveling van het te voet zoeken naar pas gevallen meteorieten kunnen wegnemen en ook het herstel mogelijk maken in gebieden die voor mensen moeilijk of gevaarlijk zijn om persoonlijk te zoeken."

Notkin voegde eraan toe dat hij lang heeft gedacht dat drones en onbemande luchtvaartuigen (UAV's) een nuttige rol zouden kunnen spelen bij het herstel van meteorieten, En in feite, hij voerde enkele vroege experimenten uit in 2010 en 2011, maar de drones en UAV's van die tijd waren ofwel niet geavanceerd genoeg of niet beschikbaar voor niet-militair personeel.

Maar naarmate de technologie steeds beter wordt, Citroen zei, en "met een grotere trainingsdataset, bijgewerkt classificatieschema, en verbeterde beeldhardware, machine learning in combinatie met een autonoom drone-onderzoek zou een waardevol hulpmiddel kunnen zijn om het aantal meteorietfragmenten dat wordt gevonden bij verse watervallen te vergroten."