Mapeo del cráter Jezero en Marte

Los preparativos para un aterrizaje seguro en la Tierra, como encontrar el terreno más nivelado y equipar el tren de aterrizaje adecuado, también son cruciales para las misiones a Marte.

Por lo tanto, aterrizar un rover en Marte requiere un mapeo y una planificación cuidadosos mucho antes de que comience el descenso del rover. Los científicos están trabajando para crear mapas de superficie 3D precisos, conocidos como modelos digitales del terreno, del planeta mediante la recopilación de mosaicos de imágenes de misiones pasadas.

Los avances en las tecnologías de procesamiento de imágenes durante las últimas dos décadas han hecho avanzar las resoluciones de los mapas desde escalas de cientos de metros a submétricas. Aunque se trata de una mejora extraordinaria, incluso resoluciones de 1 metro por píxel no pueden capturar completamente características a escala fina como texturas de dunas, pequeños cráteres y rocas grandes.

Para mapear mejor estas características geológicas alrededor del sitio de aterrizaje del Perseverance 2020 en el cráter Jezero, Yu Tao y sus colegas utilizan un modelo de aprendizaje profundo llamado U-Net Adversarial Generativo Multiescala (MADNet), que diseñaron en trabajos anteriores. La nueva investigación se publica en la revista Earth and Space Science.

MADNet, entrenado utilizando una combinación de modelos de terreno digitales posprocesados existentes con resoluciones que varían de 4 a 36 metros por píxel, refinó el mosaico de modelos de terreno digital del Experimento científico de imágenes de alta resolución (HiRISE) de navegación relativa al terreno Mars 2020 disponible públicamente. Los investigadores también verificaron y refinaron múltiples iteraciones para eliminar artefactos y brechas en los resultados.

El resultado es el mosaico del modelo de terreno digital MADNet HiRISE Jezero de 50 centímetros por píxel. En comparación con los mosaicos originales, los mapas de MADNet tienen una diferencia de altura promedio de sólo 0,009 metros, con una desviación estándar de 0,63 metros, lo que indica que los resultados del enfoque de aprendizaje profundo se alinean con el enfoque fotogramétrico tradicional.

Los investigadores señalan que su producto muestra mejoras significativas con respecto a los mapas existentes, que incluyen (1) mayores resoluciones efectivas que muestran características de la superficie a escala fina, como dunas, cráteres y rocas; (2) artefactos de rayado reducidos; (3) la eliminación de regiones con bajas cualidades de coincidencia; y (4) la eliminación de artefactos de interpolación. Sus resultados están disponibles públicamente.

Con información de Earth and Space Science