Semantische segmentatie van lichtgekleurde aders in multimodale ChemCam-gegevens

Verborgen aanwijzingen in Marsstenen

Stel dat we het waterrijke verleden van Mars rechtstreeks konden aflezen uit kleine scheurtjes in de stenen? Deze studie toont hoe wetenschappers computers trainen om heldere, met mineralen gevulde aders te herkennen in beelden die zijn gemaakt door NASA’s Curiosity-rover. Deze lichtgekleurde strepen wijzen erop dat er ooit water door de gesteenten heeft gepaard. Door hun detectie te automatiseren kunnen onderzoekers duizenden roverbeelden veel sneller doorzoeken dan een menselijk team, waardoor ons beeld van wanneer en waar Mars mogelijk bewoonbaar was, scherper wordt.

Waarom lichte aders belangrijk zijn voor leven op Mars

Curiosity rijdt sinds 2012 door de Gale-krater en gebruikt een instrument genaamd ChemCam om zowel close-up foto’s van gesteenten te maken als ze met een laser te beschieten om de chemie te meten. Veel gesteenten langs het pad van de rover tonen bleke aders—breuken gevuld met mineralen die waarschijnlijk zijn ontstaan door waterige vloeistoffen die door de korst circuleerden. De spectra van ChemCam laten zien dat deze aders vaak rijk zijn aan calciumsulfaten, mineralen die typisch ontstaan wanneer water verdampt. Omdat vloeibaar water een belangrijke vereiste voor leven is, helpt het gedetailleerd in kaart brengen van deze aders wetenschappers te reconstrueren waar langdurig water ooit door en in plassen op Mars heeft gestroomd.

Beelden en laserflitsen omzetten in data

ChemCam levert twee soorten informatie over elk doelgesteente. Ten eerste maakt de camera, de Remote Micro Imager, scherpe grijswaardenfoto’s met submillimeterresolutie die texturen en fijne scheurtjes tonen. Ten tweede vuurt het systeem voor laserinduced breakdown spectroscopy (LIBS) een laser op meerdere punten van het gesteente, waardoor een klein gloeiend plasma ontstaat waarvan de kleuren de aanwezige elementen onthullen. Uit deze LIBS-metingen berekenen onderzoekers hoeveel calciumoxide er op elke plek aanwezig is. Hoge calciumniveaus, boven ongeveer 10 gewichtsprocent, komen vaak—maar niet altijd—overeen met lichtgekleurde aders in de beelden en bieden zo een chemische aanwijzing waar deze structuren kunnen zitten.

Een algoritme leren de scheuren te volgen

Elke ader handmatig pixel voor pixel traceren in duizenden beelden is saai en inconsistent, dus het team bouwde een gespecialiseerd trainingsset. Ze bouwden voort op eerder werk dat ChemCam-beelden in textuurklassen indeelde en zo’n 480 waarschijnlijke aderscènes selecteerde. Vanuit deze set kozen experts 55 duidelijke voorbeelden en tekenden zorgvuldig binaire maskers die aangaven welke pixels bij aders hoorden. Ze zetten ook de LIBS-calciumgegevens om in eenvoudige afbeeldingen: heldere vakjes waar de laser veel calcium mat, donkere vakjes waar dat niet het geval was, en grijze vakken waar geen metingen bestonden. Door elke grote afbeelding in kleinere tegels te knippen en flips, rotaties en zooms toe te passen, breidden ze deze kleine gelabelde set uit tot honderden trainingsvoorbeelden.

Hoe de slimme aderzoeker werkt

De kern van de aanpak is een familie deep learning-modellen gebaseerd op U-Net, een image-segmentatiearchitectuur die oorspronkelijk voor medische scans is ontwikkeld. Het model krijgt ChemCam-gesteentenfoto’s als input en voorspelt voor elke pixel of deze tot een ader behoort. De onderzoekers testten verschillende varianten: eenvoudige U-Nets getraind alleen op beelden, versies die startten van netwerken voorgetraind op grote aardse afbeeldingsdatasets, en modellen die LIBS-informatie incorporeerden als extra afbeeldingskanalen of via de verliesfunctie die het leren stuurt. De beste presteerder was een voorgetrainde U-Net waarvan de verliesfunctie zachtjes voorspellingen strafte die niet overeenkwamen met de calciumgebaseerde LIBS-afbeeldingen op de laservlekken, waardoor het netwerk naar chemisch plausibele aderlijnen werd gestuurd. Dit model behaalde ongeveer 80% gemiddelde intersection-over-union en vrijwel 89% F1-score—sterke prestaties voor zo’n fijnmazige taak.

Betrouwbare kaarten bouwen voor roverwetenschap

Aangezien deze voorspellingen de wetenschappelijke interpretatie zullen sturen, pakte het team ook een subtiele vraag aan: hoeveel vertrouwen kunnen we in elke kaart stellen? Ze adopteerden een statistische methode genaamd Learn-Then-Test om de outputdrempels van het model na training aan te passen, zonder de gewichten te veranderen. Door deze drempels af te stemmen op een kalibratieset, garandeerden ze dat de algehele false discovery rate—de kans dat een voorspelde aderpixel in werkelijkheid onjuist is—onder ongeveer 10% bleef. Deze nabehandeling verminderde valse detecties ten koste van het missen van enkele echte aders, een afweging van recall voor grotere zekerheid in wat als ader wordt gelabeld.

Wat dit betekent voor het verkennen van Mars

Simpel gezegd levert de studie een geautomatiseerde, chemie-bewuste "adertracer" voor Curiosity’s afbeeldingsarchief, compleet met knoppen om te regelen hoe voorzichtig het systeem is bij het benoemen van iets als ader. Hiermee kunnen onderzoekers snel het hele rovertraject onderzoeken, bijhouden hoe de aanwezigheid en dikte van aders van plek naar plek veranderen, en deze patronen koppelen aan de chemische samenstelling van de gesteenten. Die patronen verfijnen op hun beurt ons verhaal over wanneer water door de gesteenten van de Gale-krater stroomde en hoe lang er mogelijk bewoonbare omstandigheden op Mars bestonden. Dezelfde aanpak kan uiteindelijk worden uitgebreid naar andere gesteentefuncties en instrumenten, zodat toekomstige rovers enorme beeldverzamelingen kunnen omzetten in betrouwbare, kaartklare aanwijzingen over planetaire geschiedenis.

Bronvermelding: 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

Trefwoorden: Bewoonbaarheid van Mars, Curiosity-rover, ChemCam-beeldvorming, deep learning-segmentatie, calciumsulfaat-aders