19、机器学习在行星科学中的应用：从近地小行星到未来探索

机器学习在行星科学中的应用：从近地小行星到未来探索

在行星科学领域，随着大量热红外数据的出现，小行星热物理建模取得了显著进展。本文将介绍如何运用机器学习设计小行星的替代热物理模型，并利用该模型获取小行星表面的粗糙度、岩石和风化层的热惯性以及它们的相对丰度。

1. 热物理模拟数据集构建

为了研究近地小行星 25143 Itokawa 的热物理性质，我们首先需要构建一个热物理模拟数据集。具体步骤如下：
- 确定模型参数 ：选择由 [19] 提出的小行星风化层热物理模型作为父模型 (y = f (x,p))。其中，自由参数 (x) 包括表面材料的热惯性 (\Gamma) 和表面粗糙度 (\theta)；已知参数 (p) 包括 Itokawa 的形状模型、小行星相对于观察者的空间位置和方向、每次观测时的光照条件以及观测波长。输出 (y) 是对应于给定 (p) 和 (x = (\Gamma, \theta)) 的表面红外通量。
- 设定参数范围 ：
- 热惯性 (\Gamma) 的取值范围为 ([25,2500]) (Js^{-1/2} m^{-2} K^{-1})，步长为 25 (Js^{-1/2} m^{-2} K^{-1})。
- 表面粗糙度 (\theta) 的取值范围为 ([0,60]) 度，步长为 10 度。
- 进行模拟 ：针对 [12] 中分析的 30 次红外观测，每次观测运行 700 次模拟。最终，热物理模拟数据集包含 21,000 次模拟（即 700 次模拟 × 30 次观测）。在单处理器上构建该数据集总共需要 5 天的运行时间