近地小行星的巡天项目不断涌现,得到了海量的观测数据.而巡天观测方式使获得的数据弧段过短,传统方法在定轨和识别上存在极大困难,加之短弧定轨问题本身的病态性,如何有效利用这些短弧数据对于发现、监测和评估小行星的威胁具有重要意义...近地小行星的巡天项目不断涌现,得到了海量的观测数据.而巡天观测方式使获得的数据弧段过短,传统方法在定轨和识别上存在极大困难,加之短弧定轨问题本身的病态性,如何有效利用这些短弧数据对于发现、监测和评估小行星的威胁具有重要意义.在进化算法下构建极短弧定轨的计算框架,选用三变量的(a, e, M)优选法,保持维数较低的同时,使优化结果不再依赖观测量.采用参数较少、操作简便的差分进化算法,利用不同偏心率小行星的轨道模拟数据进行试验,对获得的最优解及其分布聚集区域进行分析,大偏心率轨道由于其本身的复杂性,会对算法搜索的灵敏度产生影响,需缩小搜索空间以提高搜索能力.结果表明算法在小偏心率问题中表现较好,可以得到有效结果为后续工作提供参考信息,大偏心率问题在传统方法失效的情况下,虽然最优解在整体分布中并不明显,但分布仍包含真实解,可结合分布密度和适值大小进行分析.未来需要对大偏心率问题作进一步研究,考虑其观测位置和观测时刻对算法产生的影响,分类计算.展开更多
月球南极-艾特肯盆地是太阳系最大的撞击盆地之一,也是月球上最大、最古老的撞击盆地.南极-艾特肯盆地是研究早期大型撞击事件的重要窗口,而小型撞击坑的识别与计数定年是研究南极-艾特肯盆地演化史的基础.由于撞击坑直径和数量符合幂...月球南极-艾特肯盆地是太阳系最大的撞击盆地之一,也是月球上最大、最古老的撞击盆地.南极-艾特肯盆地是研究早期大型撞击事件的重要窗口,而小型撞击坑的识别与计数定年是研究南极-艾特肯盆地演化史的基础.由于撞击坑直径和数量符合幂次定律,数量众多的小型撞击坑难以单纯依靠人力进行识别.近年来,计算机算力的提升使得训练复杂的卷积神经网络成为可能.采用已有的专家标注训练神经网络,进而实现图像特征的自动提取,能够在保证准确率的同时极大地提高识别效率.采用基于卷积神经网络算法的You Only Look Once Version5(YOLO V5)目标探测系统来自动识别月球南极-艾特肯盆地直径为2~15 km的小型撞击坑.在训练神经网络时,使用融合了SELENE和LRO数据的数字高程模型SLDEM2015和最新的专家标记撞击坑数据库.训练好的网络在测试集上的结果与专家标记的撞击坑数据库相比,识别结果的准确率(Precision)为0.96,召回率(Recall)为0.95,F1值为0.95.通过对与专家标注不符的识别结果进行可视化,识别出至少十个专家误标记的撞击坑,证明撞击坑自动识别方法可以用于检验专家标注的可靠性.基于南极-艾特肯盆地的撞击坑自动识别结果,确定了南极-艾特肯盆地四个典型中型撞击坑的绝对模式年龄,并与已有的定年结果对比,进一步验证了自动识别结果的可靠性,也显示了提出的方法在利用自动识别的撞击坑进行中型撞击坑定年方面的潜力.提出的撞击坑自动识别方法有望进一步拓展到更小撞击坑的识别,并迁移到月球其他地质单元乃至其他行星的研究中.展开更多
文摘近地小行星的巡天项目不断涌现,得到了海量的观测数据.而巡天观测方式使获得的数据弧段过短,传统方法在定轨和识别上存在极大困难,加之短弧定轨问题本身的病态性,如何有效利用这些短弧数据对于发现、监测和评估小行星的威胁具有重要意义.在进化算法下构建极短弧定轨的计算框架,选用三变量的(a, e, M)优选法,保持维数较低的同时,使优化结果不再依赖观测量.采用参数较少、操作简便的差分进化算法,利用不同偏心率小行星的轨道模拟数据进行试验,对获得的最优解及其分布聚集区域进行分析,大偏心率轨道由于其本身的复杂性,会对算法搜索的灵敏度产生影响,需缩小搜索空间以提高搜索能力.结果表明算法在小偏心率问题中表现较好,可以得到有效结果为后续工作提供参考信息,大偏心率问题在传统方法失效的情况下,虽然最优解在整体分布中并不明显,但分布仍包含真实解,可结合分布密度和适值大小进行分析.未来需要对大偏心率问题作进一步研究,考虑其观测位置和观测时刻对算法产生的影响,分类计算.
文摘月球南极-艾特肯盆地是太阳系最大的撞击盆地之一,也是月球上最大、最古老的撞击盆地.南极-艾特肯盆地是研究早期大型撞击事件的重要窗口,而小型撞击坑的识别与计数定年是研究南极-艾特肯盆地演化史的基础.由于撞击坑直径和数量符合幂次定律,数量众多的小型撞击坑难以单纯依靠人力进行识别.近年来,计算机算力的提升使得训练复杂的卷积神经网络成为可能.采用已有的专家标注训练神经网络,进而实现图像特征的自动提取,能够在保证准确率的同时极大地提高识别效率.采用基于卷积神经网络算法的You Only Look Once Version5(YOLO V5)目标探测系统来自动识别月球南极-艾特肯盆地直径为2~15 km的小型撞击坑.在训练神经网络时,使用融合了SELENE和LRO数据的数字高程模型SLDEM2015和最新的专家标记撞击坑数据库.训练好的网络在测试集上的结果与专家标记的撞击坑数据库相比,识别结果的准确率(Precision)为0.96,召回率(Recall)为0.95,F1值为0.95.通过对与专家标注不符的识别结果进行可视化,识别出至少十个专家误标记的撞击坑,证明撞击坑自动识别方法可以用于检验专家标注的可靠性.基于南极-艾特肯盆地的撞击坑自动识别结果,确定了南极-艾特肯盆地四个典型中型撞击坑的绝对模式年龄,并与已有的定年结果对比,进一步验证了自动识别结果的可靠性,也显示了提出的方法在利用自动识别的撞击坑进行中型撞击坑定年方面的潜力.提出的撞击坑自动识别方法有望进一步拓展到更小撞击坑的识别,并迁移到月球其他地质单元乃至其他行星的研究中.
