Нейросети навели резкость: ИИ превратил данные 20-летней давности в сверхточную карту марсианских ресурсов
Группа учёных из Университета Кертин (Curtin University, Австралия) разработала метод обработки спутниковых данных, который позволяет находить полезные ископаемые и безопасные площадки для посадки на Марсе с беспрецедентной точностью.
Используя алгоритмы машинного обучения, исследователи смогли обойти физические ограничения приборов, запущенных более двадцати лет назад. Результаты работы, представленные на Международном астронавтическом конгрессе, открывают новые возможности для реализации концепции использования ресурсов на месте (ISRU) — стратегии «жизни за счёт местности, для создания будущих обитаемых баз».
Ключевым показателем для поиска ресурсов на других планетах является тепловая инерция. Это физическое свойство материала сопротивляться изменению температуры. Например, после захода Солнца мелкая пыль и песок на Марсе быстро остывают и на инфракрасных снимках выглядят тёмными пятнами. Напротив, коренные породы и крупные валуны удерживают тепло гораздо дольше, продолжая «светиться» в тепловом спектре. Составление карт тепловой инерции позволяет учёным определять размер зёрен грунта, обилие скал и, что наиболее важно, наличие водяного льда под поверхностью.
Сравнение данных THEMIS с разрешением 100 м и данных CRISM с разрешением 12 м.Источник: arXiv (2026). DOI: 10.48550/arxiv. 2604.17859
До недавнего времени основной проблемой была низкая детализация таких карт. Главный инструмент для измерения этого показателя — тепловая система формирования изображений (THEMIS), установленная на борту аппарата Mars Odyssey, запущенного NASA еще в 2001 году. Разрешение этого прибора составляет около 100 метров на пиксель, чего недостаточно для того, чтобы отличить ровную песчаную площадку от опасного нагромождения камней. В то же время другой прибор — компактный разведывательный спектрометр для Марса (CRISM) на борту более современного аппарата Mars Reconnaissance Orbiter (MRO) — делает снимки с разрешением 12 метров на пиксель, но не способен напрямую измерять температуру.
Чтобы решить эту проблему, авторы работы применили метод «слияния данных». Они использовали алгоритм машинного обучения, «регрессор на основе экстремально случайных деревьев» (Extra Tree Regressor). Сначала модель обучали на данных из кратера Гейла (Gale Crater), где уже работает марсоход Curiosity, что позволило сопоставить спектральные характеристики поверхности с реальными температурными показателями. Затем нейросеть проанализировала высокодетализированные изображения CRISM и «достроила» на их основе тепловую карту, увеличив её разрешение со 100 до 12 метров на пиксель.
Итоговая карта продемонстрировала высокую точность, фактически преодолев аппаратный предел сенсора THEMIS. Хотя на данном этапе модель требует локального переобучения для работы в новых регионах Марса, сама проверка концепции доказала свою эффективность. Этот метод позволяет извлекать максимум информации из уже существующих архивов данных, не дожидаясь запуска новых дорогостоящих миссий. В будущем такие сверхточные карты станут фундаментом для выбора мест посадки тяжёлых грузовых кораблей и проектирования геотехнического оборудования для строительства первых марсианских поселений.
© iXBT
