Planetforskare uppskattar att varje år, cirka 500 meteoriter överlever den brinnande resan genom jordens atmosfär och faller till vår planets yta. De flesta är ganska små, och mindre än 2 % av dem återvinns någonsin. Medan majoriteten av stenar från rymden kanske inte går att återvinna på grund av att de hamnar i hav eller avlägset, otillgängliga områden, andra meteoritfall är helt enkelt inte bevittnade eller kända.

Men ny teknik har ökat antalet kända fall under de senaste åren. Dopplerradar har upptäckt meteoritfall, samt all-sky kameranätverk specifikt på jakt efter meteorer. Dessutom, ökad användning av dashcams och säkerhetskameror har möjliggjort mer otroliga iakttagelser och data om eldklot och potentiella meteoritfall.

Ett team av forskare drar nu fördel av ytterligare tekniska framsteg genom att testa drönare och maskininlärning för automatiserade sökningar efter små meteoriter. Drönarna är programmerade att flyga ett rutnätssökmönster i ett projicerat "strödt fält" för ett nyligen inträffat meteoritfall, ta systematiska bilder av marken över ett stort undersökningsområde. Artificiell intelligens används sedan för att söka igenom bilderna för att identifiera potentiella meteoriter.

"Dessa bilder kan analyseras med en maskininlärningsklassificerare för att identifiera meteoriter i fältet bland många andra funktioner, " sa Robert Citron från University of California, Davis, i en nyligen publicerad tidning publicerad i Meteoritik och planetvetenskap .

Citron och hans kollegor har testat sin konceptuella drönaruppsättning flera gånger, mest nyligen i området för ett känt meteoritfall från 2019 nära Walker Lake, Nevada. Deras proof-of-concept meteoritklassificerare använder en kombination av "olika konvolutionsneurala nätverk för att känna igen meteoriter från bilder tagna av drönare i fält, " skriver laget.

Även om detta specifika test avslöjade ett antal falska positiva resultat för stenar som tidigare oidentifierats, programvaran kunde korrekt identifiera testmeteoriter placerade av forskarna på den torra sjöbottnen i Nevada. Citron och hans team är mycket optimistiska om potentialen i deras system, särskilt när det gäller att söka efter små meteoriter och hitta dem i avlägsna regioner.

Citron berättade för Universe Today att den största utmaningen för att ställa in systemet var att sätta ihop en träningsdatauppsättning för maskininlärningsklassificeraren.

"Eftersom ett framtida meteoritfall kan inträffa i vilken terräng som helst, " sa han via e-post, "systemet behövde en objektdetekteringsalgoritm tränad med exempel på många typer av meteoriter på olika terrängtyper. För att skapa ett korrekt tränat objektdetekteringsnätverk, tusentals exempelbilder krävs."

Citron och kollegor samlade ihop bilder av meteoriter från internet och lade till i "poserade" bilder av meteoriter från deras samling på olika terräng. Detta gjorde det möjligt för dem att träna maskininlärningsmodellen ordentligt för att minimera antalet vanliga stenar som flaggats som falska upptäckter.

De genomförde sedan tio testflygningar med en quadricopter drönare på två platser i det projicerade Nevada-strödda fältet, vilket är området för förväntade meteoritfall baserat på bandata från fyra stationer i NASA Meteorite Tracking and Recovery Network, del av Global Fireball Observatory.

"Lyckligtvis, varje fälttest får vi mer data som vi kan införliva i datasetet och använda för att träna om objektdetekteringsnätverket och förbättra noggrannheten, " sa Citron. "Så, vi kommer att fortsätta att försöka förbättra detekteringsnoggrannheten. För närvarande behöver vi en bättre drönare med en kamera med högre upplösning."

Att studera meteoriter och känna till deras ursprung hjälper forskare att fastställa sammansättningen av ett 40-tal asteroidfamiljer i asteroidbältet, och hjälper också till att förstå den tidiga utvecklingen av solsystemet. Forskarna sa att informationen om fjärrkameranätverket i kombination med att kunna hitta och studera nyfallna meteoriter är avgörande för att avgöra vilken asteroidfamilj som kan ha producerat meteoritskräpet, och om det var från en viss kollisionshändelse.

"Om meteoriten kan återvinnas, en eldklots ljuskurva och retardationsprofil ger också information om hur dess kinetiska energi deponeras i jordens atmosfär, " skrev teamet i sin tidning. "Den information kan användas för att förbättra förutsägelser på vilken höjd asteroider av denna materialtyp fragment som är tillräckligt stora för att orsaka skadliga luftsprängningar."

Dock, att hitta meteoriter från ett observerat fall kan vara mycket svårt, eftersom meteoriter kan spridas över ett brett område.

"Mindre fall är vanligare men ger färre meteoritfragment som därför är svårare att lokalisera, ", sa Citron. "Det tar ungefär 100 mantimmar att hitta ett meteoritfragment, så om vi kan förbättra det kan vi ta prov på fler av dessa små fall och få bättre insikt i banorna och därför källan till inkommande meteorer."

Citron sa att hans teams drönarsystem är avsett för mindre fall som inte skulle locka meteoritjägare. Men lagets arbete har väckt beundran hos en känd meteoritjägare, Geoffrey Notkin från Discovery Channels "Meteorite Men".

"Dr. Citrons nuvarande arbete inom detta område är fascinerande, speciellt hans djärva experiment med drönare i verkliga situationer, " Notkin sa via e-post. "Det mest spännande konceptet här är kopplingen av moderna drönare med maskininlärning som kan känna igen de visuella egenskaperna hos meteoriter på plats. Given tid, Denna metod skulle kunna eliminera en del av det tråkiga att leta efter nyfallna meteoriter till fots och även underlätta återhämtningar i områden som är svåra eller farliga för människor att söka personligen."

Notkin tillade att han länge har trott att drönare och obemannade flygfordon (UAV) kan spela en användbar roll i meteoritåterhämtning, och faktiskt, han utförde några tidiga experiment 2010 och 2011, men dåtidens drönare och UAV var antingen inte tillräckligt avancerade eller inte tillgängliga för icke-militär personal.

Men när tekniken fortsätter att förbättras, Citron sa, och "med en större utbildningsdatauppsättning, uppdaterat klassificeringsschema, och förbättrad bildbehandlingshårdvara, maskininlärning kopplat till en autonom drönarundersökning kan visa sig vara ett värdefullt verktyg för att öka antalet meteoritfragment som hittas från färska fall."