カロンのクレーターとカイパーベルトへの影響の機械生成カタログ

カロンのクレーターとカイパーベルトへの影響の機械生成カタログ
2022年6月16日
本稿では、深層学習モデルを用いてカロンのクレーターサイズ分布を調べる.これは、手動の目録作成を使用して、直径12 km未満のクレーターのサイズ分布の傾きの変化を発見し、小さなカイパーベルト天体の不足に変わったSinger et al. (2019)の最近の結果によって動機付けられています。これらの結果はRobbins and Singer(2021)によって裏付けられたが、Morbidelliら(2021)によって反対され、独立したレビューが必要となった。MaskRCNNベースのモデルのアンサンブルは、月、水星、火星のクレーターカタログと光学およびデジタル標高画像の両方でトレーニングされました。堅牢な画像拡張スキームを使用して、モデルを強制的に一般化し、氷の天体に転送学習します。カロンへの事前の偏りやばく露がないことから、我々のモデルでは、10 km未満のクレーターではq =-1.47±0.33、15 kmを超えるクレーターではq =-2.91±0.51の最適勾配が見つかりました。これらの値は、Singer et al. (2019)によって示唆されているように、約15 kmの傾きの明確な変化を示しており、したがって、それらの結論を独立して確認する。しかし、私たちの斜面は、Robbins and Singer(2021)によって最近発見されたものよりもわずかに平坦です。トレーニング済みのモデルと関連するコードは、この http URL でオンラインで入手できます。


図1：カロンのヴァルカン高原地域の地図。最終的なクレーターカタログがプロットされています。


図2：CharonのRプロット（D-3に正規化された差分サイズ-度数分布）、
Robbins and Singer（2021）と比較して。 両方の曲線は、10の間の傾きの変化を示しています
と15キロ。 Rプロットでは、水平線がq=-3に対応することに注意してください。

4.まとめと結論
この論文では、クレーターのサイズ-頻度分布を調査しました。
14モデルのMaskRCNN深層学習アンサンブルを使用したCharonのVulcanPlanitia領域。多数の岩の多いオブジェクトでモデルをトレーニングした後
画像とカタログ、およびランダムな回転、反転、遠近法の変更、ノイズの追加によってデータセットを拡張し、モデルを取得します
氷のようなオブジェクトに転送学習することができます。モデルをCharonに適用し、
Singerらの結果を独自に確認します。 （2019）とロビンズ
とシンガー（2021）は、10kmから15kmの間で傾斜の変化を発見しました
直径、約1.1km未満のKBOの不足を意味します。ゲレンデ
ただし、Robbins and Singer（2021）よりもわずかに浅いことがわかりました。
冥王星のクレーターはより複雑であることがわかったため、調査しません。
起伏の多い地形は、モデルに課題をもたらします。
将来の太陽系ミッションへの影響
太陽系の他の複数の主要な氷のオブジェクトは、キロメートルまたはサブキロの解像度で部分的またはほぼ完全にマッピングされています。
補足的な測定に加えて、これらの画像に存在する情報の量は圧倒的です。これはで悪化するだけです
より高解像度の画像を提供する今後のミッション。たとえば、Europa Clip per’s Instrument EISは、Europaの表面を最大でマッピングします
50 mの解像度、場合によっては0.5 mまで（Turtle et al。、2016）。ジュースの
一方、JANUSカメラは、ガニメデとカリストの一部をマッピングします
400 mの解像度で、おそらく2.4 mまで下がる（Palumbo et al。、2014）。
既存のデータ量を適切に分析することはすでに困難であるため、
クリッパーとジュースには、まったく新しい技術が必要であることがすぐにわかります。幸いなことに、
この作業で使用されたものは、惑星のための信じられないほど強力なツールであることが証明されました
サーフェスオブジェクトの識別。これらの技術を開発し、
今後のデータストリームに備えて、公開されたカタログを使用して木星と土星の衛星でテストされました。