En månskanningsmetod som automatiskt kan klassificera viktiga måndrag från teleskopbilder kan avsevärt förbättra effektiviteten i valet av platser för utforskning.

Det finns mer än vad som är möjligt att välja en landnings- eller utforskningsplats på månen. Det synliga området på månens yta är större än Ryssland och är täckt av tusentals kratrar och genomkorsas av kanjonliknande rillor. Valet av framtida landnings- och prospekteringsplatser kan komma till de mest lovande potentiella platserna för konstruktion, mineraler eller potentiella energiresurser. Dock, skanna med ögat över ett så stort område, letar efter funktioner kanske några hundra meter tvärs över, är mödosam och ofta felaktig, vilket gör det svårt att välja optimala områden för prospektering.

Siyuan Chen, Xin Gao och Shuyu Sun, tillsammans med kollegor från The Chinese University of Hong Kong, har nu tillämpat maskininlärning och artificiell intelligens (AI) för att automatisera identifieringen av potentiella månlandnings- och utforskningsområden.

"Vi letar efter månens egenskaper som kratrar och rillar, som tros vara hotspots för energiresurser som uran och helium-3 – en lovande resurs för kärnfusion, " säger Chen. "Båda har upptäckts i månkratrar och kan vara användbara resurser för att fylla på bränsle för rymdfarkoster."

Maskininlärning är en mycket effektiv teknik för att träna en AI-modell för att leta efter vissa funktioner på egen hand. Det första problemet som Chen och hans kollegor stod inför var att det inte fanns någon märkt datauppsättning för rillar som kunde användas för att träna deras modell.

"Vi övervann denna utmaning genom att konstruera vår egen träningsdatauppsättning med kommentarer för både kratrar och riller, " säger Chen. "För att göra detta, vi använde ett tillvägagångssätt som heter transfer learning för att förträna vår rillemodell på en ytsprickdatauppsättning med lite finjustering med hjälp av faktiska rillemasker. Tidigare tillvägagångssätt kräver manuell anteckning för åtminstone en del av ingångsbilderna – vår metod kräver inte mänskligt ingripande och gjorde det möjligt för oss att konstruera en stor datauppsättning av hög kvalitet."

Nästa utmaning var att utveckla en beräkningsmetod som kunde användas för att identifiera både kratrar och riller samtidigt, något som inte hade gjorts tidigare.

"Det här är ett pixel-till-pixel-problem för vilket vi behöver maskera kratrarna och rillarna exakt i en månbild, " säger Chen. "Vi löste det här problemet genom att konstruera ett ramverk för djupinlärning som kallas högupplöst-måne-nät, som har två oberoende nätverk som delar samma nätverksarkitektur för att identifiera kratrar och riller samtidigt."

Teamets tillvägagångssätt uppnådde precision så hög som 83,7 procent, högre än befintliga toppmoderna metoder för kraterdetektering.