机器学习可以帮助未来的人类探险家找到火星洞穴

火星表面充满敌意且无情。但是在你和火星天空之间放置几米的风化层，这个地方就会变得更适合居住。塌陷熔岩管的洞穴入口可能是火星上最有趣的探索地点之一，因为它们不仅可以为未来的人类探险家提供庇护所，而且还可能成为寻找火星上微生物生命生物特征的好地方。

但洞穴入口很难被发现，尤其是从轨道上看，因为它们与尘土飞扬的背景融为一体。一种新的机器学习算法已经被开发出来，可以快速扫描火星表面的图像，寻找潜在的洞穴入口。

英国达勒姆大学的研究人员托马斯·沃森和詹姆斯·巴尔迪尼使用了卷积神经网络(CNN)，该网络经过训练，可以从火星表面的图像中识别潜在的洞穴入口(PCE)，从而找到新的潜在洞穴。它能够从火星四个不同区域的图像中识别出61个新的洞穴入口。

此前，大多数火星PCE的探测都来自对可见卫星图像的手动审查，图像由火星勘测轨道飞行器(MRO)的背景相机(CTX)和高分辨率成像科学实验(HiRISE)相机拍摄。该手动审查的数据库名为火星全球候选洞穴目录(MGC3)，包含火星上1,000多个已识别PCE的坐标和简要描述。

沃森和巴尔迪尼在《伊卡洛斯》杂志上发表的论文中写道：“在全球范围内，对用于火星洞穴探测的卫星图像进行手动审查远非高效，因为审查如此大的数据集存在时间限制。机器学习为这个问题提供了一个有趣的解决方案，将数据集减少到仅包含经计算确定包含PCE的图像。”

火星上的洞穴是由熔岩管形成的，这些熔岩管是由古代火星上流动的熔岩形成的。当流动的熔岩外部冷却并凝固成天花板和墙壁时，内部保持熔融状态并继续流动。最终，熔岩沿下坡方向流出管道，使管道完好无损并保持开放状态。

有时，这些熔岩管从地表的线性坑链中可以明显看出，其中许多可能在地下线性连接。但更常见的是，它们是通过在轨道图像中定位“天窗”或倒塌的熔岩管天花板来发现的。那个天窗提供了通往地下洞穴的入口。

熔岩管可以在地球、月球和火星上找到。尽管地球比火星大，但在火星上发现了一些令人难以置信的巨大熔岩管，比地球上发现的熔岩管还要大。在地球上，熔岩管通常只有14-15米(46-49英尺)宽，而且通常要窄得多。2020年，美国宇航局火星勘测轨道飞行器(MRO)上的HiRISE(高分辨率成像科学实验)相机拍摄了一张倒塌熔岩管顶部的照片，该火山口直径为50m(150英尺)。地下熔岩管洞穴可能比这个更大。

常规神经网络通常用于自然语言处理和语音识别。但CNN或ConvNet更常用于分类和计算机视觉任务。CNN可以识别图像中的模式，并为大大小小的项目提供图像分类和对象识别。例如，在之前的一项研究中，CNN被训练来识别火星表面特征，例如陨石坑，并达到了90%以上的准确率。

Watson和Baldini创建并训练了名为CaveFinder的CNN模型，让其查看来自火星上塔尔西斯和极乐世界(火山最集中的地区)的MGC3目录中的图像。

训练期结束后，CaveFinder的测试准确率达到了77%。沃森和巴尔迪尼强调了四种PCE的特殊品质，使它们对进一步研究感兴趣，其中包括一种绰号为Marvin的PCE，这是已识别的最大的PCE，以及​​另一种他们称为Emily的PCE，其低海拔可以通过无人机进行测量。

此外，CaveFinder还确定了12个似乎拥有多个PCE的区域，作者表示，由于PCE的邻近性和丰富性，这些区域是未来任务探索多个洞穴的好地方。

但研究人员表示，CaveFinder在用于大型全球数据库之前还需要做更多的工作。它有大量误报，而且识别“孤独的小洞穴类型，例如天窗和针孔”的能力似乎有限。

沃森和巴尔迪尼写道：“由于需要人工评估的大量误报输出，CaveFinder仍然不适合在全球范围内进行检测。”“然而，它可能在已知含有PCE的较小地区有效。”

对于未来的测试，他们计划增加所使用的训练数据集的大小。提高CaveFinder准确性的其他想法是结合使用热图像和可见数据。来自未来火星轨道飞行器的更高分辨率图像也将有利于CaveFinder提高探测能力和准确性。

研究人员总结道：“总的来说，这项调查的结果表明，通过这些补充，机器学习在推进远程洞穴探测方面具有巨大潜力，这是未来火星探索的关键。”