科学家在“深度学习”方法中标记了一个具有行星的里程碑，它以鲜艳的色彩进行了第一次演示，详细介绍了土星风暴。
这是一种新方法，预计将大大提高科学家对行星气氛。
“ Planetnet使我们能够分析大量的数据，这可以深入了解土星的大规模动态，”解释了亚利桑那大学的教授凯特琳·格里菲斯（Caitlin Griffith）在大学的新闻稿中。 “结果揭示了以前未被发现的大气特征。”
仔细看土星
研究，出版在日记中自然天文学，揭示了科学家团队如何使用Planetnet来绘制土星大气层的动荡地区。
Planetnet使用NASA的可见和红外映射光谱仪仪器收集的红外数据卡西尼航天器。在这项新研究中，研究人员使用深度学习算法仔细研究了2008年2月观察到的风暴系统数据集。
对该数据集的先前分析确定了地球大气中罕见的氨的存在，采用了S形云的形式。
随着Planetnet制作的地图，该小组发现，这云实际上是黑暗风暴周围氨冰云的更大上升流的一部分。再加上科学家在另一场较小的风暴周围发现了类似的特征，这意味着土星在土星中很普遍。
该地图还表明，风暴中心及其周围地区之间存在显着差异。
Planetnet的工作原理
Planetnet由来自UA和伦敦大学学院的科学家开发，首先将数据扫描以在大气的云结构和气体组成中进行聚类的迹象。然后，该算法消除了不确定性并分析光谱和空间特性。
将所有这些数据结合在一起，Planetnet能够生成具有特色的地图，该地图具有主要组成部分土星的风暴具有前所未有且无与伦比的精度。
根据格里菲斯（Griffith）的说法，该算法可以轻松地应用于其他行星和数据集中，使其成为未来研究中无价的潜在工具。
UCL空间与系外行星数据中心的首席作者兼副主任Ingo Waldmann补充说，尽管Cassini和其他类似的任务能够收集数据，但传统分析技术具有局限性，从准确性到时间长度。
Waldmann解释说：“深度学习可以跨多个数据集的模式识别。” “这使我们有可能从大面积和不同的视角分析大气现象，并在特征形状与创造它们的化学和物理特性之间建立新的关联。”
