根据伦敦大学学院和亚利桑那大学的研究人员的说法，用于探测土星风暴的“深度学习”方法将改变我们对行星大气的理解。
这项名为PlanetNet的新技术可以识别和绘制土星大气湍流区域的组成部分和特征，从而深入了解驱动它们的过程。
今天发表在Nature Astronomy上的一项研究提供了PlanetNet算法首次演示的结果。结果清楚地显示了受风暴影响的广大地区，黑暗的暴风云含有强大的垂直风从低层大气中扫过的物质。
由UA和UCL研究人员开发的PlanetNet使用来自Cassini的可见光和红外成像光谱仪仪器的红外数据进行了培训和测试，这是NASA，欧洲航天局和意大利航天局的联合任务。
2008年2月在土星观测到的包含多个相邻风暴的数据集被选中，以提供一系列复杂的大气特征来挑战PlanetNet的能力。
“PlanetNet使我们能够分析更大量的数据，这可以深入了解土星的大规模动态，”UA教授凯特琳格里菲斯说，他是该论文的共同作者。“这些结果揭示了以前未被发现的大气特征.TraceNet可以很容易地适应其他数据集和行星，使其成为许多未来任务的宝贵潜在工具。”
先前对该数据集的分析表明，在土星大气中以S形云的形式罕见地检测到氨。
通过PlanetNet生成的地图显示，这个特征是中央黑暗风暴周围氨气冰云上升得更大的一个重要部分。PlanetNet确定了另一场小风暴的类似上升流，表明这些特征非常普遍。
该地图还显示了风暴中心与周围区域之间明显的差异，表明眼睛可以清楚地看到更温暖，更深的大气层。
“像卡西尼这样的使命收集了大量的数据，但是经典的分析技术在提取信息的准确性或执行时间方面都存在缺陷。深度学习可以跨多种多样化的数据集进行模式识别，”英国广播公司太空与系外行星数据中心的主要作者兼副主任英戈·沃尔德曼说。
“这使我们有可能分析大面积和不同视角的大气现象，并在特征的形状和产生它们的化学和物理特性之间建立新的联系，”他说。
最初，PlanetNet在数据中搜索云结构和气体成分中的聚类迹象。对于感兴趣的区域，它会修剪数据以消除边缘的不确定性，并对光谱和空间属性进行并行分析。PlanetNet重新组合了两个数据流，创建了一张地图，能够以前所未有的精确度快速准确地呈现土星风暴的主要组成部分。
PlanetNet的准确性已经在培训阶段未包含的Cassini数据中得到验证。整个数据集也已旋转并重新采样，以创建合成数据以供进一步测试。PlanetNet在两个测试案例中都实现了超过90%的分类准确率。