13、基于无监督学习和分类的水星可见 - 近红外反射光谱自动表面映射

基于无监督学习和分类的水星可见 - 近红外反射光谱自动表面映射

1 引言

近年来，探索太阳系和观测系外行星的科学任务返回了海量数据，传统方法已难以从中挖掘目标天体的重要科学信息。例如，水手 10 号传回的水星数据不足 100MB，而信使号（MESSENGER）则达到约 23TB，未来任务的数据量预计还会增加。同时，数据复杂度也在不断提升，如从水手 10 号的数据到贝皮科伦坡号（BepiColombo）预计的高光谱数据集。因此，自动化分析方法显得尤为必要，前提是在节省时间的同时不损失数据的信息含量。

在高光谱遥感数据的分析中，常见方法是用正向辐射模型（如 Hapke 模型）对观测辐射进行建模，或在实验室中结合化学和地貌信息重现观测辐射。但复杂的正向模型计算量大，难以用于探索高光谱数据覆盖的庞大参数空间。实验室研究更是如此，物理模拟需要实际制造目标样本，参数越多，实验和时间成本就越高。而且，模型计算可通过多台机器分布式处理来提高效率，但实验室实验受限于特殊环境要求（如高真空、高温、高辐射等），难以广泛开展。若不能高效快速地探索大量复杂数据，高光谱数据集中的宝贵信息很可能被遗漏。

地质图是行星表面研究的重要依据，但制作过程耗时且易受主观因素影响，通常仅使用少量数据点（如三通道图像）描述不同地质单元。例如，Denevi 等人利用信使号的水星双成像系统（MDIS）相机观测绘制水星主要地形类型的分布和范围，相机虽有 11 个光谱波段，但常用的地形区分图是 RGB 图，仅将 3 个代表性光谱波段映射到三个图像颜色通道。地貌图会考虑表面粗糙度和陨石坑密度等特征来推断年龄，年龄与陨石坑密度的关系基于模型得出。

自动化技术在行星科学中的应用日益广泛，本文将介绍如何将无监督学习技术