Molndistribution som kartlagt av PlanetNet över sex överlappande datamängder. Det stormiga området (blått) förekommer i närheten av mörka stormar (lila/grönt) i motsats till de ostörda områdena (röd/orange). Det område som täcks av systemet med flera stormar motsvarar cirka 70 % av jordens yta. Kredit:Dr. Ingo Waldmann, University College London
En "djupinlärningsmetod" för att upptäcka stormar på Saturnus kommer att förändra vår förståelse av planetariska atmosfärer, enligt UCL och University of Arizona forskare.
Den nya tekniken, kallas PlanetNet, identifierar och kartlägger komponenterna och funktionerna i turbulenta områden i Saturnus atmosfär, ge insikter i de processer som driver dem.
En studie, publiceras idag i Natur astronomi , ger resultat från den första demonstrationen av PlanetNet-algoritmen, som tydligt visar de stora regioner som drabbats av stormar, och att Saturnus mörka stormmoln innehåller material som svepts upp från den lägre atmosfären av starka vertikala vindar.
Utvecklad av UCL och University of Arizona forskare, PlanetNet tränades och testades med hjälp av infraröda data från instrumentet Visible and Infrared Mapping Spectrometer (VIMS) på Cassini, ett gemensamt uppdrag mellan NASA, Europeiska rymdorganisationen, och den italienska rymdorganisationen.
En datauppsättning som innehåller flera, angränsande stormar som observerades vid Saturnus i februari 2008 valdes för att tillhandahålla en rad komplexa atmosfäriska egenskaper för att utmana PlanetNets kapacitet.
Tidigare analys av datamängden indikerade en sällsynt upptäckt av ammoniak i Saturnus atmosfär, i form av ett S-format moln.
Dessa bilder av en storm i Saturnus atmosfär togs med rymdfarkosten Cassini vidvinkelkamera den 4 mars, 2008, på ett avstånd av cirka 1,3 miljoner kilometer (800, 000 miles) från Saturnus. Bildskalan är 74 kilometer (46 miles) per pixel. Kredit:NASA/JPL/Space Science Institute.
Kartan som produceras genom PlanetNet visar att denna funktion är en framträdande del av en mycket större uppströmning av ammoniak-ismoln runt en central mörk storm. PlanetNet identifierar liknande uppvallningar runt en annan liten storm, vilket tyder på att sådana egenskaper är ganska vanliga.
Kartan visar också uttalade skillnader mellan stormarnas centrum och de omgivande områdena, indikerar att ögat ger en klar sikt in i det varmare, djup atmosfär.
"Uppdrag som Cassini samlar in enorma mängder data men klassiska tekniker för analys har nackdelar, antingen i noggrannheten av information som kan extraheras eller i den tid de tar att utföra. Deep learning möjliggör mönsterigenkänning över olika, flera datamängder, " sa Dr. Ingo Waldmann (UCL Physics &Astronomy), huvudförfattare och biträdande direktör för UCL Center for Space and Exoplanet Data.
"Detta ger oss potential att analysera atmosfäriska fenomen över stora ytor och från olika betraktningsvinklar, och att skapa nya associationer mellan egenskapernas form och de kemiska och fysikaliska egenskaper som skapar dem."
Initialt, PlanetNet söker i data efter tecken på klustring i molnstrukturen och gassammansättningen. För intresseområden, den trimmar data för att ta bort osäkerheter vid kanterna och kör en parallell analys av de spektrala och rumsliga egenskaperna. Återkombination av de två dataströmmarna, PlanetNet skapar en karta som snabbt och exakt presenterar huvudkomponenterna i Saturnus stormar med oöverträffad precision.
PlanetNets noggrannhet har validerats på Cassini-data som inte ingår i utbildningsfasen. Hela datamängden har också roterats och omsamplats för att skapa "syntetisk" data för ytterligare testning. PlanetNet har uppnått över 90 % klassificeringsnoggrannhet i båda testfallen.
"PlanetNet gör det möjligt för oss att analysera mycket större mängder data, och detta ger insikter i Saturnus storskaliga dynamik, " sa professor Caitlin Griffith (University of Arizona), som var medförfattare till denna artikel. "Resultaten avslöjar atmosfäriska egenskaper som tidigare var oupptäckta. PlanetNet kan enkelt anpassas till andra datamängder och planeter, vilket gör det till ett ovärderligt potentiellt verktyg för många framtida uppdrag."
