Фреймворк глубокого обучения для обнаружения и идентификации кратеров на Луне и Марсе

Почему кратеры важны для освоения космоса

Когда мы смотрим на Луну или Марс в телескоп, их исчерченные ямами поверхности рассказывают историю миллиардов лет космических столкновений. Каждый кратер фиксирует удар, который сформировал рельеф и историю мира. Но кратеров слишком много, чтобы люди могли каталогизировать их вручную. Эта работа изучает, как современные методы искусственного интеллекта могут автоматически находить и классифицировать кратеры на спутниковых снимках, помогая учёным понять планетарную историю и даже планировать более безопасные посадки будущих миссий.

Чтение следов на поверхностях планет

Ударные кратеры — это не просто круглые ямы на поверхности. Их размер, форма и степень износа показывают, как часто метеориты сталкивались с планетой, как эволюционировала её кора и какие области могут быть геологически молодыми или древними. Традиционно учёные выявляли кратеры путём ручного просмотра изображений — медленной и утомительной работы, подверженной человеческим разногласиям. Ранние компьютерные методы пытались помогать, ищя границы или круглые шаблоны, но они давали сбои при изменениях освещения, рельефа или размеров кратеров. Современное глубокое обучение позволяет компьютерам учиться непосредственно на примерах, обнаруживая тонкие закономерности, которые трудно задать вручную.

Обучение компьютеров находить кратеры

Авторы предлагают двухэтапную систему, которая ищет кратеры на Луне и Марсе. Сначала быстрый модельный детектор сканирует большие спутниковые снимки и предлагает места с высокой вероятностью наличия кратеров. Затем более специализированные модели увеличивают внимание на этих областях, чтобы решить, является ли кратер маленьким, средним или большим. Для обучения систем команда объединила высококачественные снимки миссий НАСА с изображениями, предоставленными сообществом, и вручную аккуратно разметила сотни кратеров. Также кратеры разделили на три группы по диаметру и создали датасеты в разных форматах, чтобы каждый тип модели мог эффективно учиться.

Сравнение различных моделей ИИ

В исследовании рассмотрены три популярные модели глубокого обучения, каждая из которых сильна в своей области. Классическая сверточная нейронная сеть (CNN) анализировала небольшие вырезы изображений, центрированные на отдельных кратерах. Семейство моделей YOLO сканировало полные изображения и отмечало кратеры ограничивающими прямоугольниками за один проход, что делает их привлекательными для применения в реальном времени или при масштабной обработке. Более глубокая модель ResNet-50, заимствованная из задач общего распознавания изображений, использовалась для проверки, способны ли дополнительные слои улавливать более тонкие детали. Исследователи также испробовали два способа подачи изображений в YOLO: работу с целыми, очень большими изображениями и разбиение их на перекрывающиеся тайлы, чтобы не пропустить мелкие кратеры.

Что показало наилучшие результаты на Луне и Марсе

Каждая модель оказалась лучшей в разных аспектах задачи. CNN впечатляюще распознавала маленькие кратеры, особенно когда такие примеры были многочисленны в обучающей выборке, но испытывала трудности с большими и редкими объектами, что подчёркивает влияние дисбаланса классов. YOLO продемонстрировала наиболее сбалансированную работу по маленьким, средним и крупным кратерам, достаточно хорошо справляясь с задачей множественных масштабов на Луне и Марсе. ResNet-50 показывала высокую точность для крупных кратеров — когда она помечала кратер, это часто было верно — но при этом пропускала многие примеры, особенно в недостаточно представленных группах по размеру. В целом комбинация быстрого детектора и целевых классификаторов оказалась эффективнее любой отдельной модели.

Почему это важно для будущих миссий

Для неспециалиста главный вывод в том, что искусственный интеллект теперь способен надёжно просканировать огромные архивы планетарных изображений и составить карты размеров и расположения кратеров — то, что было бы невозможно выполнить вручную в таком масштабе. Этот автоматизированный фреймворк превращает необработанные снимки лунных и марсианских ландшафтов в структурированные отчёты, суммирующие, сколько кратеров каждого размера встречается в регионе. Такие карты помогают исследователям реконструировать историю ударов по этим мирам и выделять перспективные или опасные для посадки участки для посадочных аппаратов и роверов. Хотя текущее исследование использовало относительно небольшие области и всё ещё сталкивается с проблемой дисбаланса данных, оно закладывает основу для более умных и широкомасштабных обзоров, которые поддержат следующее поколение роботизированных и пилотируемых экспедиций.

Цитирование: Ma, Y., Guo, J., Yu, Z. et al. Deep learning framework for crater detection and identification on the Moon and Mars. npj Space Explor. 2, 19 (2026). https://doi.org/10.1038/s44453-026-00036-x

Ключевые слова: лунные кратеры, поверхность Марса, глубокое обучение, ударное кратерообразование, планетарная картография