行星科学的机器学习

第1章机器学习简介1 1.1机器学习方法概述1 1.2监督学习2 1.2.1分类2 1.2.2回归分析3 1.3无监督学习4 1.3.1聚类分析5 1.3.2降维5 1.4半监督学习6 1.4.1自我训练6 1.4.2期望*大化的自我训练7 1.4.3协同训练8 1.5主动学习8 1.5.1不确定度采样8 1.5.2委员会查询9 1.6流行的机器学习方法9 1.6.1主成分分析法9 1.6.2K均值聚类10 1.6.3支持向量机10 1.6.4决策树与随机森林法11 1.6.5神经网络12 1.7数据集准备14 参考文献16
第2章行星任务中独特的新挑战19 2.1跨越50年的水星探测19 2.2大型复杂数据返回面临的挑战23 2.3面对未知24 2.4行星科学中的机器学习25 参考文献26
第3章行星数据的查找与读取29 3.1数据采集29 3.1.1简介29 3.1.2数据处理级别29 3.1.3PDS30 3.1.4欧洲空间局行星科学档案35 3.1.5使用Python读取数据36 3.1.6要查看的空间39 第4章Python高光谱分析工具（PyHAT）简介40 4.1简介40 4.2 PyHAT库结构41 4.3PyHAT 轨道43 4.3.1紧凑型火星侦察成像分光计（CRISM）44 4.3.2月球矿物学制图仪（M3）46 4.3.3Kaguya光谱剖面仪48 4.4原位PyHAT52 4.4.1基线删除示例54 4.4.2回归分析示例56 4.4.3数据勘探示例56 4.4.4校准转移58 4.5结论61 参考文献64
第5章教程：如何访问、处理和标记用于机器学习的PDS图像数据69 5.1简介69 5.2访问PDS数据产品70 5.2.1PDS成像图集70 5.2.2PDS成像节点数据门户71 5.3对PDS数据产品进行标准图像格式预处理73 5.3.1PDS图像数据产品74 5.3.2PDS浏览图像74 5.3.3转换PDS图像数据产品75 5.4标记图像数据77 5.4.1公开可用的标记图像数据集77 5.4.2用于标记图像数据的工具79 5.5PDS图像分类器示例结果81 5.5.1训练集、验证集和测试集81 5.5.2模型微调81 5.5.3模型校准与性能81 5.5.4访问HiRISeNet分类结果82 5.6总结83 参考文献84
第6章通过学习特定模式回归模型进行行星图像补绘85 6.1简介85 6.2相关工作86 6.3实验数据87 6.4提出的方法87 6.4.1直方图聚类的无监督分离88 6.5网络架构90 6.5.1训练细节90 6.5.2基于反射的信息增强方法91 6.6实验结果91 6.6.1性能评估92 6.7结论97 参考文献98
第7章基于无监督学习的水星可见近红外反射率光谱自动表面制图与分类100 7.1简介100 7.2水星与MASCS仪器101 7.3数据准备102 7.4从多元数据中学习103 7.4.1降维:ICA103 7.4.2流形学习104 7.4.3聚类分析107 7.4.4结论109 参考文献112
第8章绘制土星上的风暴图116 8.1介绍116 8.1.1卡西尼惠更斯号和氨云116 8.2探索性主成分分析117 8.3深度学习方法118 8.3.1预处理和预标记120 8.3.2神经网络 121 8.3.3训练与超参数优化122 8.3.4分类验证123 8.4土星特征图124 参考文献127
第9章行星漫游车的机器学习130 9.1简介130 9.2风险和资源感知型AutoNav133 9.2.1概述133 9.2.2地形分类133 9.2.3岩石灾害探测136 9.2.4基于视觉的滑移和驱动能量预测137 9.3科学驾驶139 9.3.1概述139 9.3.2SCOTI:地形图像的科学说明139 9.3.3图像相似性搜索141 9.3.4DBS接口141 9.3.5科学家的DBS实验142 9.4测试漫游车演示143 9.5结论与未来工作144 参考文献146
第10章结合机器学习回归模型和贝叶斯推断来解释遥感数据149 10.1对精确快进功能的需求149 10.2反问题的贝叶斯方法149 10.3基于机器学习的代理模型150 10.4案例研究:用代理模型约束小行星的热特性150 10.4.1热物理模拟数据集151 10.4.2风化层与岩石混合物的红外代理模型152 10.4.3Itokawa热物理性质的贝叶斯推断153 10.5数据融合的未来展望154 10.5.1遥感数据融合154 10.5.2行星形成理论155 10.5.3航天器自主性155 参考文献157