El Apolo 11 tomó esta foto del cráter Daedalus en la luna en 1969. Crédito: NASA, dominio público
La superficie de la luna cuenta la historia del sistema solar interior. Cada impacto de meteorito deja su huella y, juntos, estos cráteres contienen un registro de los eventos que han tenido lugar en la Luna y sus alrededores durante los últimos 4.000 millones de años.
Pero la escritura puede ser difícil de leer. La edad y la densidad espacial de los cráteres son indicadores clave para descifrar la historia de los impactos de la Luna, pero analizar estas propiedades puede llevar mucho tiempo y, a veces, requiere que se traigan muestras a la Tierra.
JH Fairweather y sus colegas muestran en un artículo publicado en Ciencias de la Tierra y del Espacioque el aprendizaje automático podría ser una forma rápida y fácil de comprender mejor los cráteres lunares. Al entrenar el algoritmo en más de 50,000 imágenes de cráteres previamente caracterizados, los investigadores pudieron estimar la edad y la densidad de muchas otras innumerables marcas lunares.
Inicialmente, las estimaciones del algoritmo de aprendizaje automático eran significativamente diferentes de las que otros investigadores obtenían manualmente. Pero con un poco de selección manual, Fairweather y sus colegas pudieron alinear sus estimaciones automáticas de la edad y la densidad del cráter con estimaciones anteriores.
Las condiciones de iluminación presentaban un problema. Si los cráteres estaban parcialmente ensombrecidos por rocas o estaban en pendientes iluminadas de manera desigual, el algoritmo tenía problemas para analizarlos con precisión. La exclusión de tales cráteres mejoró la precisión. La presencia de rocas o cráteres enterrados también llevó al algoritmo a sobrestimar la edad de los cráteres entre un 10% y un 45%, pero pudo determinar con mucha precisión las edades de las superficies lunares jóvenes y los cráteres de impacto después de eliminar rocas, cráteres enterrados y otros elementos indeseables. objetos de la Tierra. fotos.
Los científicos advierten que si bien el aprendizaje automático puede proporcionar una gran cantidad de información sobre la superficie lunar, los algoritmos aún necesitan una supervisión cuidadosa.
Esta historia se ha vuelto a publicar por cortesía de Eos, organizada por la Unión Geofísica Americana. Leer la historia original Aquí.