Een maanscanmethode die automatisch belangrijke maankenmerken kan classificeren op basis van telescoopafbeeldingen, zou de efficiëntie van het selecteren van locaties voor verkenning aanzienlijk kunnen verbeteren.

Er komt meer kijken bij het kiezen van een landings- of verkenningsplaats op de maan. Het zichtbare gebied van het maanoppervlak is groter dan Rusland en is pokdalig door duizenden kraters en wordt doorkruist door canyon-achtige rillen. De keuze van toekomstige landings- en verkenningslocaties kan neerkomen op de meest veelbelovende potentiële locaties voor bouw, mineralen of potentiële energiebronnen. Echter, scannen met het oog over zo'n groot gebied, op zoek naar objecten van misschien een paar honderd meter breed, is omslachtig en vaak onnauwkeurig, wat het moeilijk maakt om optimale gebieden voor verkenning te kiezen.

Siyuan Chen, Xin Gao en Shuyu Zon, samen met collega's van de Chinese Universiteit van Hong Kong, hebben nu machine learning en kunstmatige intelligentie (AI) toegepast om de identificatie van toekomstige maanlandings- en verkenningsgebieden te automatiseren.

"We zijn op zoek naar maankenmerken zoals kraters en rillen, die worden beschouwd als hotspots voor energiebronnen zoals uranium en helium-3 - een veelbelovende bron voor kernfusie, "zegt Chen. "Beide zijn gevonden in maankraters en kunnen nuttige bronnen zijn voor het aanvullen van brandstof voor ruimtevaartuigen."

Machine learning is een zeer effectieve techniek om een ​​AI-model te trainen om zelfstandig naar bepaalde functies te zoeken. Het eerste probleem waarmee Chen en zijn collega's werden geconfronteerd, was dat er geen gelabelde dataset was voor rilles die konden worden gebruikt om hun model te trainen.

"We hebben deze uitdaging overwonnen door onze eigen trainingsdataset te construeren met annotaties voor zowel kraters als rilles, " zegt Chen. "Om dit te doen, we gebruikten een benadering genaamd transfer learning om ons rille-model voor te trainen op een dataset van oppervlaktescheuren met enige fijnafstemming met behulp van echte rille-maskers. Eerdere benaderingen vereisen handmatige annotatie voor ten minste een deel van de invoerafbeeldingen - onze aanpak vereist geen menselijke tussenkomst en stelde ons dus in staat een grote hoogwaardige dataset te construeren."

De volgende uitdaging was het ontwikkelen van een computationele benadering die kan worden gebruikt om zowel kraters als rilles tegelijkertijd te identificeren, iets wat nog niet eerder was gedaan.

"Dit is een probleem van pixel tot pixel waarvoor we de kraters en rillen in een maanbeeld nauwkeurig moeten maskeren, ", zegt Chen. "We hebben dit probleem opgelost door een diepgaand leerraamwerk te bouwen met de naam high-resolution-moon-net, die twee onafhankelijke netwerken heeft die dezelfde netwerkarchitectuur delen om tegelijkertijd kraters en rillen te identificeren."

De aanpak van het team bereikte een precisie van maar liefst 83,7 procent, hoger dan de bestaande state-of-the-art methoden voor kraterdetectie.