16、土星风暴映射与行星漫游车的机器学习应用

土星风暴映射与行星漫游车的机器学习应用

1. 土星风暴映射

1.1 神经网络分类

使用神经网络对重新采样的训练立方体（RTC）进行聚类标签检测，同时使用光谱和空间信息，也分别仅使用光谱或空间信息。实验结果表明，在同时使用光谱和空间信息时，神经网络在测试数据上的分类准确率达到93%，与训练/验证数据的分类准确率一致。但当仅使用空间信息（设置 (x_{\theta,\lambda}=0)）或仅使用光谱信息（设置 (x_{\theta,\varphi}=0)）时，神经网络的聚类标签识别效果很差，准确率分别为48%和32%。这是因为模型是基于光谱和空间信息对进行训练的，抑制一半的网络信息会导致错误的预测。如果用户想仅使用光谱数据进行分类，应使用仅含光谱数据对神经网络进行重新训练。

1.2 土星特征图

将算法应用于训练立方体，识别出五个明显可区分的空间/光谱特征聚类，这些聚类与主成分分析（PCA）的方差分析大致一致。图8.7左侧展示了TC的空间范围和光谱特征图，右侧显示了识别出的五个光谱聚类的光谱特征。其中，蓝色（印刷版本中为中灰色）区域对应围绕中央暗风暴的大风暴区域（SR），标签1表示“S”特征的中心。

区域	颜色（印刷版本）	特征
风暴区域（SR）	蓝色（中灰色）	围绕暗风暴，在1 - 2 µm处较暗，可能是较低的云层或光谱较暗的云层