5、基于数据驱动机器学习模型的小行星光谱分类

基于数据驱动机器学习模型的小行星光谱分类

1. 引言

深空探测是全球太空活动的焦点，旨在探索宇宙奥秘、寻找外星生命并获取新知识。行星科学在深空探测的高质量和可持续发展中发挥着越来越重要的作用。小行星作为绕太阳旋转的特殊天体，因其数量众多、个体特征不同和特殊轨道，对人类探索宇宙起源和演化、寻找新的生存空间以及保护地球安全具有重要科学意义。

小行星的热辐射主要取决于其大小、形状、反照率、热惯性和表面粗糙度。不同类型（如S型、V型等）和不同区域（如木星特洛伊群、匈牙利群等）的小行星表现出不同的光谱特征，这为通过远程光谱观测识别不同类型的小行星奠定了基础。例如，近红外数据由于存在1和2μm波段的特征（主要归因于橄榄石和辉石的存在），揭示了诊断性的成分信息。天文学家已经开发了许多小行星的远程观测方法，如光谱和多色光度法、红外和射电辐射方法。随着太空和地基望远镜观测技术的发展，已经收集了大量的小行星可见光和红外数据，这些数据通过光谱特征在小行星分类学领域取得了很大进展。

1.1 小行星光谱调查

• 八色小行星调查（ECAS） ：始于1979年，是最著名的地基小行星观测调查，收集了约600颗大型小行星的分光光度观测数据。该调查旨在使用从0.34到1.04μm波长的八个滤光片通带，在光度系统中为小行星和天然卫星提供高质量的反射光谱。大部分工作使用全套八个滤光片完成，但一些最暗的天体仅用五种颜色进行观测。由于小主带小行星太暗，观测到的数量很少，而对它们的观测可能有助于解决小行星科学中的一些基本问题。
  | 滤光片 | 有效波长 (μm) | 半高全宽 (μm) |
  | ---- | ---- | --