Segmentação semântica de veios de tonalidade clara em dados multimodais do ChemCam

Pistas ocultas nas rochas marcianas

E se pudéssemos ler o passado aquoso de Marte diretamente a partir de pequenas fissuras em suas rochas? Este estudo mostra como cientistas estão ensinando computadores a identificar veios brilhantes preenchidos por minerais em imagens obtidas pelo rover Curiosity da NASA. Essas faixas claras são indícios de que água já circulou pelas rochas. Ao automatizar sua detecção, os pesquisadores podem vasculhar milhares de imagens do rover muito mais rápido do que qualquer equipe humana, refinando nosso quadro sobre quando e onde Marte pode ter sido habitável.

Por que veios claros importam para a vida em Marte

O Curiosity percorre a cratera Gale desde 2012, usando um instrumento chamado ChemCam para fotografar rochas de perto e ao mesmo tempo vaporizá-las com um laser para medir sua química. Muitas rochas ao longo da rota do rover exibem veios esbranquiçados — fraturas preenchidas por minerais que provavelmente se formaram a partir de fluidos ricos em água que circularam pela crosta. Os espectros do ChemCam revelam que esses veios frequentemente são ricos em sulfatos de cálcio, minerais que tipicamente se formam quando a água evapora. Como água líquida é um ingrediente chave para a vida, mapear esses veios em detalhe ajuda os cientistas a reconstruir onde água duradoura já fluiu e se acumulou em Marte.

Transformando imagens e flashes de laser em dados

O ChemCam fornece dois tipos de informação sobre cada rocha-alvo. Primeiro, sua câmera, a Remote Micro Imager, faz imagens nítidas em escala de submilímetro, mostrando texturas e fissuras finas. Segundo, seu sistema de espectroscopia por plasma induzido por laser (LIBS) dispara um laser em vários pontos da rocha, criando um pequeno plasma luminoso cujas cores revelam os elementos presentes. A partir dessas medições LIBS, os cientistas calculam quanto óxido de cálcio há em cada ponto. Níveis altos de cálcio, acima de cerca de 10% em massa, muitas vezes — mas nem sempre — coincidem com veios de tonalidade clara nas imagens, oferecendo uma pista química de onde essas feições podem estar escondidas.

Ensinando um algoritmo a traçar as fissuras

Traçar manualmente cada veio, pixel por pixel, em milhares de imagens é trabalhoso e inconsistente, então a equipe construiu um conjunto de treinamento especializado. Eles partiram de trabalhos anteriores que agruparam imagens do ChemCam em classes de textura e selecionaram cerca de 480 cenas prováveis de conter veios. Dessas, especialistas escolheram 55 exemplos claros e desenharam minuciosamente máscaras binárias marcando quais pixels pertenciam a veios. Também converteram os dados de cálcio do LIBS em imagens simples: quadrados brilhantes onde o laser mediu cálcio alto, quadrados escuros onde não mediu, e cinza onde não havia medições. Ao cortar cada imagem grande em blocos menores e aplicar flips, rotações e zooms, expandiram esse pequeno conjunto rotulado para centenas de amostras de treinamento.

Como o localizador inteligente de veios funciona

O núcleo da abordagem é uma família de modelos de aprendizado profundo baseada na U-Net, uma arquitetura de segmentação de imagens originalmente desenvolvida para exames médicos. O modelo recebe imagens das rochas do ChemCam como entrada e prevê, para cada pixel, se ele pertence a um veio. Os pesquisadores testaram várias variações: U-Nets simples treinadas apenas com imagens, versões que partiram de redes pré-treinadas em grandes conjuntos de imagens terrestre, e modelos que incorporaram informação do LIBS seja como canais de imagem extras ou por meio da função de perda que orienta o aprendizado. O melhor desempenho veio de uma U-Net pré-treinada cuja função de perda penalizava suavemente previsões que divergiam das imagens de LIBS baseadas em cálcio nos pontos do laser, direcionando a rede para mapas de veios quimicamente plausíveis. Esse modelo atingiu cerca de 80% de média de interseção sobre união (mIoU) e quase 89% de F1 — desempenho forte para uma tarefa tão de alta resolução.

Construindo mapas confiáveis para a ciência do rover

Como essas previsões irão orientar interpretações científicas, a equipe também abordou uma questão sutil: quanto podemos confiar em cada mapa? Eles adotaram um método estatístico chamado Learn-Then-Test para ajustar os limiares de saída do modelo após o treinamento, sem alterar seus pesos. Ao ajustar esses limiares em um conjunto de calibração, garantiram que a taxa global de descobertas falsas — a probabilidade de que um pixel previsto como veio esteja realmente errado — se mantivesse abaixo de cerca de 10%. Esse pós-processamento reduziu detecções espúrias à custa de perder alguns veios reais, trocando revocação por maior confiança no que é rotulado como veio.

O que isso significa para a exploração de Marte

Em termos simples, o estudo entrega um "rastreador de veios" automatizado e sensível à química para o arquivo de imagens do Curiosity, completo com controles para ajustar o quão cauteloso ele é ao classificar algo como veio. Com ele, pesquisadores podem rapidamente vasculhar toda a travessia do rover, monitorar como a abundância e a espessura dos veios variam de um lugar para outro e correlacionar esses padrões com a composição química das rochas. Esses padrões, por sua vez, refinam nossa narrativa sobre quando a água percorreu as rochas da cratera Gale e por quanto tempo condições habitáveis podem ter persistido em Marte. A mesma abordagem pode, eventualmente, ser estendida a outras feições rochosas e instrumentos, ajudando futuros rovers a transformar vastas coleções de imagens em pistas confiáveis e prontas para mapeamento sobre a história planetária.

Citação: 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

Palavras-chave: Habitabilidade de Marte, Rover Curiosity, Imagens ChemCam, segmentação por aprendizado profundo, veios de sulfato de cálcio