15、利用机器学习绘制土星风暴图

利用机器学习绘制土星风暴图

1. 研究背景与数据来源

近年来，对航空图像进行商业土地用途分类分析已成为常见做法。本次研究聚焦于卡西尼 - 惠更斯号任务中 VIMS 仪器获取的高光谱图像。卡西尼 - 惠更斯号是美国国家航空航天局（NASA）和欧洲航天局（ESA）合作的航天器，在 2017 年 9 月之前的 13 年里对土星系统进行探测。VIMS 仪器是一个 2 通道的测绘光谱仪，能在 64×64 像素阵列上获取空间分辨光谱。

土星的一个普遍谜团是几乎完全没有氨云。云和气溶胶能让我们深入了解气态巨行星的化学和物理过程。绘制和表征指示云结构和成分的光谱特征，有助于理解行星的能量收支、化学组成和大气动力学。Baines 等人曾报告在土星南半球的一个暗风暴附近罕见地检测到一片新鲜的氨凝结云，呈倒 S 形，这一特征主要通过对数据的目视检查发现。但问题是，这一特征是孤立案例，还是在其他数据中存在未被检测到的类似特征。

研究重新审视了 Baines 等人提供的数据，并使用 VIMS 近红外通道进行分析，该通道涵盖 256 个连续采样的波段，范围从 0.85 到 5.1 µm，波长间隔恒定为 δλ = 0.016 µm。每个数据立方体（或高光谱图像）的尺寸为 64×64×256，包含 4096 个单独的光谱。数据于 2008 年 2 月 9 日获取，可通过行星数据系统获取，其中数据立方体 V1581233933 包含“S”形氨冰特征，此后称为训练立方体（TC）。

2. 探索性主成分分析

在进行更复杂的数据分析之前，对高光谱数据中的特征空间进行初步探索通常很有用。主要目标是识别并准确绘制出土星高光谱图像数据中不同类别的光谱簇。如果数据中存在不同的光谱类别，