科學家在“深度學習”方法中標記了一個具有行星的里程碑，它以鮮豔的色彩進行了第一次演示，詳細介紹了土星風暴。
這是一種新方法，預計將大大提高科學家對行星氣氛。
“ Planetnet使我們能夠分析大量的數據，這可以深入了解土星的大規模動態，”解釋了亞利桑那大學的教授凱特琳·格里菲斯（Caitlin Griffith）在大學的新聞稿中。 “結果揭示了以前未被發現的大氣特徵。”
仔細看土星
研究，出版在日記中自然天文學，揭示了科學家團隊如何使用Planetnet來繪製土星大氣層的動盪地區。
Planetnet使用NASA的可見和紅外映射光譜儀儀器收集的紅外數據卡西尼航天器。在這項新研究中，研究人員使用深度學習算法仔細研究了2008年2月觀察到的風暴系統數據集。
對該數據集的先前分析確定了地球大氣中罕見的氨的存在，採用了S形雲的形式。
隨著Planetnet製作的地圖，該小組發現，這雲實際上是黑暗風暴周圍氨冰雲的更大上升流的一部分。再加上科學家在另一場較小的風暴周圍發現了類似的特徵，這意味著土星在土星中很普遍。
該地圖還表明，風暴中心及其周圍地區之間存在顯著差異。
Planetnet的工作原理
Planetnet由來自UA和倫敦大學學院的科學家開發，首先將數據掃描以在大氣的雲結構和氣體組成中進行聚類的跡象。然後，該算法消除了不確定性並分析光譜和空間特性。
將所有這些數據結合在一起，Planetnet能夠生成具有特色的地圖，該地圖具有主要組成部分土星的風暴具有前所未有且無與倫比的精度。
根據格里菲斯（Griffith）的說法，該算法可以輕鬆地應用於其他行星和數據集中，使其成為未來研究中無價的潛在工具。
UCL空間與系外行星數據中心的首席作者兼副主任Ingo Waldmann補充說，儘管Cassini和其他類似的任務能夠收集數據，但傳統分析技術具有局限性，從準確性到時間長度。
Waldmann解釋說：“深度學習可以跨多個數據集的模式識別。” “這使我們有可能從大面積和不同的視角分析大氣現象，並在特徵形狀與創造它們的化學和物理特性之間建立新的關聯。”
