Gli scienziati stanno lavorando per creare accurate mappe 3D della superficie di Marte, note come digital terrain models, costruendo mosaici composti da immagini provenienti dalle missioni del passato. Queste mappe, infatti, saranno molto utili per il futuro atterraggio di altre missioni, grazie alla possibilità di stimare con maggiore precisione le elevazioni del suolo sul Pianeta Rosso.

Di recente, a partire dal modello Mars 2020 Terrain Relative Navigation TRN HiRISE (High-Resolution Imaging Science Experiment) già disponibile al pubblico, i ricercatori hanno utilizzato tecniche di deep learning per migliorare la mappatura del cratere Jezero, sito di atterraggio del rover Mars 2020 Perseverance due anni fa.

Hanno così prodotto un mosaico di modelli digitali del terreno con una risoluzione di 50 cm/pixel. Il risultato mostra miglioramenti significativi nella risoluzione effettiva e nell’eliminazione degli artefatti, rispetto al modello precedente.

La mappatura del terreno marziano

Per mappare la superficie marziana in 3D, le missioni spaziali utilizzano varie tecnologie. Satelliti in orbita, come il Mars Reconnaissance Orbiter, catturano immagini ad alta risoluzione dall’alto, consentendo di creare mappe topografiche dettagliate. Alcuni dei loro strumenti, come gli altimetri laser, possono anche misurare l’altezza dei terreni per costruire modelli altimetrici.

I rover invece, come Curiosity e Perseverance, scattano foto stereoscopiche, permettendo la ricostruzione tridimensionale del terreno. Con l’aiuto di software avanzati, queste immagini e dati vengono elaborati per creare mappe 3D che aiutano a comprendere la geologia, l’altitudine e la morfologia di Marte.

I progressi nelle tecnologie di elaborazione delle immagini negli ultimi due decenni hanno fatto avanzare le risoluzioni delle mappe da scale di centinaia di metri a scale submetriche. Tuttavia, nonostante si tratti di un miglioramento straordinario, anche le risoluzioni di 1 metro per pixel non sono in grado di catturare completamente caratteristiche su scala fine come texture di dune, piccoli crateri e grandi rocce.

L’aiuto dell’IA con MADNet

Per mappare meglio le caratteristiche geologiche attorno al sito di atterraggio di Perseverance del 2020 nel cratere Jezero, un team di ricerca ha utilizzato un modello di deep learning chiamato Multi-scale Generative Adversarial U-Net (MADNet), che aveva progettato per un lavoro precedente.

MADNet, addestrato utilizzando un mix di modelli di terreno digitali esistenti e postelaborati con risoluzioni che vanno da 4 a 36 metri per pixel, ha perfezionato il mosaico del digital terrain model Mars 2020 Terrain Relative Navigation HiRISE. I ricercatori hanno inoltre controllato e perfezionato molteplici iterazioni per eliminare artefatti e lacune negli output.

Il risultato è un mosaico nettamente migliorato, un digital terrain model digitale detto Mars 2020 Terrain Relative Navigation HiRISE MADNet Jezero.

I miglioramenti rispetto ai mosaici originali

La risoluzione effettiva nel modello digitale è migliorata su varie caratteristiche superficiali, e su scala molto fine. Nella figura seguente ne vediamo alcuni esempi. a) mostra un esempio di dune e increspature su scala fine. b) mostra due piccoli crateri con diametro inferiore a 5 metri. c) mostra alcuni dettagli su scala fine all’interno di un cratere poco profondo. d) evidenzia piccole rocce con lunghezze inferiori a 3 metri.

Si noti come il mosaico del digital terrain model originale di HiRISE manchi delle caratteristiche su scala fine, mentre il modello risultante da MADNet ne offre una ricostruzione qualitativamente buona.

L’approccio fotogrammetrico utilizzato per generare il modello originale, oltretutto, comporta anche lacune occasionali, in particolare per le aree che vengono interpolate in base alla topografia vicina. Tali artefatti di interpolazione sono stati corretti nel modello digitale risultante con MADNet.

Rispetto ai mosaici originali, infine, le mappe MADNet hanno una differenza di altezza media di soli 0.009 metri. Ciò indica che i risultati dell’approccio di deep learning sono comunque in linea con l’approccio fotogrammetrico tradizionale.

Lo studio completo, pubblicato su Earth and Space Science, è reperibile qui.