Semantische Segmentierung helltoniger Adern in multimodalen ChemCam-Daten

Versteckte Hinweise in marsianischen Gesteinen

Was wäre, wenn wir Mars’ wasserreiche Vergangenheit direkt aus winzigen Rissen in seinen Gesteinen ablesen könnten? Diese Studie zeigt, wie Wissenschaftler Rechner darin trainieren, helle, mineralgefüllte Adern auf Bildern zu erkennen, die der NASA-Rover Curiosity aufgenommen hat. Diese hellen Streifen sind Indikatoren dafür, dass einst Wasser durch die Gesteine geflossen ist. Durch die Automatisierung ihrer Erkennung können Forschende Tausende von Rover-Bildern weit schneller durchsehen als jedes menschliche Team und so unser Bild davon schärfen, wann und wo der Mars möglicherweise bewohnbar war.

Warum helle Adern für Leben auf dem Mars wichtig sind

Curiosity fährt seit 2012 durch den Gale-Krater und benutzt ein Instrument namens ChemCam, um Gesteine aus nächster Nähe zu fotografieren und sie mit einem Laser zu beschießen, um ihre Chemie zu messen. Viele Gesteine entlang der Fahrspur zeigen blasse Adern—Frakturen, die mit Mineralien gefüllt sind und wahrscheinlich durch wasserreiche Fluide in der Kruste gebildet wurden. ChemCam-Spektren zeigen, dass diese Adern häufig reich an Calciumsulfaten sind, Mineralien, die typischerweise bei der Verdunstung von Wasser entstehen. Da flüssiges Wasser eine Schlüsselvoraussetzung für Leben ist, hilft die detaillierte Kartierung dieser Adern den Wissenschaftlern, zu rekonstruieren, wo dauerhaftes Wasser einst geflossen und sich angesammelt hat.

Wie Bilder und Laserblitze zu Daten werden

ChemCam liefert zwei Arten von Informationen für jedes Zielgestein. Erstens nimmt seine Kamera, der Remote Micro Imager, scharfe Graustufenbilder mit Submillimeterauflösung auf, die Texturen und feine Risse zeigen. Zweitens feuert sein Laser-Induced-Breakdown-Spektroskopie-(LIBS)-System an mehreren Punkten auf das Gestein, wodurch ein winziges leuchtendes Plasma entsteht, dessen Farben die vorhandenen Elemente verraten. Aus diesen LIBS-Messungen berechnen die Forschenden, wie viel Calciumoxid an jedem Punkt enthalten ist. Hohe Calciumwerte, oberhalb von etwa 10 Gewichtsprozent, stimmen oft—aber nicht immer—mit helltonigen Adern in den Bildern überein und liefern so einen chemischen Hinweis darauf, wo sich diese Strukturen verbergen könnten.

Einem Algorithmus beibringen, die Risse nachzufahren

Jede Ader pixelweise von Hand in Tausenden von Bildern nachzuzeichnen ist mühsam und inkonsistent, daher erstellte das Team einen spezialisierten Trainingssatz. Sie bauten auf früheren Arbeiten auf, die ChemCam-Bilder in Texturklassen gruppiert hatten, und selektierten etwa 480 wahrscheinliche Ader-Szenen. Daraus wählten Expertinnen und Experten 55 klare Beispiele aus und zeichneten mühsam binäre Masken, die angeben, welche Pixel zu Adern gehören. Sie wandelten außerdem die LIBS-Calciumdaten in einfache Bilder um: helle Quadrate dort, wo der Laser hohe Calciumwerte maß, dunkle Quadrate, wo dies nicht der Fall war, und graue Bereiche, wo keine Messungen vorlagen. Indem sie jedes große Bild in kleinere Kacheln schnitten und Flip-, Rotations- und Zoom-Transformationen anwendeten, erweiterten sie diesen kleinen gelabelten Satz zu Hunderten von Trainingsbeispielen.

Wie der intelligente Aderfinder funktioniert

Kern der Methode ist eine Familie von Tiefenlernmodellen auf Basis von U-Net, einer Bildsegmentierungsarchitektur, die ursprünglich für medizinische Aufnahmen entwickelt wurde. Das Modell nimmt ChemCam-Gesteinsbilder als Eingabe und sagt für jedes Pixel voraus, ob es zu einer Ader gehört. Die Forschenden testeten mehrere Varianten: einfache U-Nets, die nur auf Bildern trainiert wurden, Versionen, die von Netzen mit Vortraining auf großen Erddatensätzen starteten, und Modelle, die LIBS-Informationen entweder als zusätzliche Bildkanäle einklinkten oder über die Verlustfunktion einarbeiteten, die das Lernen steuert. Am besten schneidet ein vortrainiertes U-Net ab, dessen Verlustfunktion Vorhersagen, die mit den calcium-basierten LIBS-Bildern an den Laserstellen nicht übereinstimmten, sanft bestraft und so das Netzwerk zu chemisch plausiblen Aderkarten lenkt. Dieses Modell erreichte rund 80 % mittlere Intersection-over-Union und fast 89 % F1-Score—starke Leistungen für eine so feinkörnige Aufgabe.

Vertrauenswürdige Karten für Rover-Wissenschaft

Weil diese Vorhersagen wissenschaftliche Interpretationen leiten sollen, behandelte das Team auch eine subtile Frage: Wie sehr kann man jeder Karte vertrauen? Sie übernahmen eine statistische Methode namens Learn-Then-Test, um die Ausgabeschwellen des Modells nach dem Training anzupassen, ohne dessen Gewichte zu verändern. Durch das Abstimmen dieser Schwellen auf einem Kalibriersatz garantierten sie, dass die Gesamt-Fehlentdeckungsrate—die Wahrscheinlichkeit, dass ein als Ader vorhergesagtes Pixel tatsächlich falsch ist—unter etwa 10 % bleibt. Diese Nachverarbeitung reduzierte falsche Treffer auf Kosten des Verpassens einiger echter Adern und tauschte damit Recall gegen höhere Zuverlässigkeit bei der Kennzeichnung als Ader.

Was das für die Erforschung des Mars bedeutet

Einfach ausgedrückt liefert die Studie einen automatisierten, chemie-bewussten „Aderverfolger“ für das Bildarchiv von Curiosity, komplett mit Reglern, um die Vorsicht bei der Adernklassifizierung zu steuern. Damit können Forschende schnell die gesamte Rover-Route überblicken, verfolgen, wie Häufigkeit und Dicke der Adern von Ort zu Ort variieren, und diese Muster mit der chemischen Zusammensetzung der Gesteine verknüpfen. Diese Muster verfeinern wiederum unsere Darstellung dessen, wann Wasser durch die Gesteine des Gale-Kraters strömte und wie lange möglicherweise bewohnbare Bedingungen auf dem Mars bestanden. Der gleiche Ansatz könnte schließlich auch auf andere Gesteinsmerkmale und Instrumente ausgeweitet werden und zukünftigen Rovern helfen, umfangreiche Bildsammlungen in verlässliche, kartenfähige Hinweise zur planetaren Geschichte zu verwandeln.

Zitation: Lomashvili, A., Rammelkamp, K., Bhattacharjee, P. et al. Semantic segmentation of light-toned veins in multimodal ChemCam data. Sci Rep 16, 12052 (2026). https://doi.org/10.1038/s41598-026-47207-0

Schlüsselwörter: Bewohnbarkeit des Mars, Curiosity-Rover, ChemCam-Bildgebung, Tiefenlernsegmentierung, Calciumsulfat-Adern