Semantisk segmentering av ljustonade ådror i multimodala ChemCam-data

Dolda ledtrådar i marsianska stenar

Tänk om vi kunde läsa Mars vattenrika förflutna direkt från pyttesmå sprickor i dess stenar? Denna studie visar hur forskare lär datorer att upptäcka ljusa, mineralfyllda ådror i bilder tagna av NASA:s Curiosity-robot. Dessa ljusa strimmor är tecken på att vatten en gång rört sig genom berggrunden. Genom att automatisera upptäckten kan forskarna genomsöka tusentals roverbilder mycket snabbare än något mänskligt team och därigenom förfina vår bild av när och var Mars kan ha varit beboelig.

Varför ljusa ådror är viktiga för liv på Mars

Curiosity har färdats över Gale-kratern sedan 2012 och använder ett instrument kallat ChemCam för att både fotografera berg på nära håll och beskjuta dem med en laser för kemiska mätningar. Många stenar längs roverns väg visar bleka ådror—brottfogar fyllda med mineraler som troligen bildats av vattenrika vätskor som cirkulerat i skorpan. ChemCams spektra visar att dessa ådror ofta är rika på kalciumsulfater, mineral som vanligtvis bildas när vatten avdunstar. Eftersom flytande vatten är en nyckelingrediens för liv hjälper detaljerad kartläggning av dessa ådror forskare att rekonstruera var bestående vatten en gång flutit och samlats på Mars.

Att förvandla bilder och laserblixtar till data

ChemCam ger två slags information om varje målställe. För det första tar dess kamera, Remote Micro Imager, skarpa gråskalebilder med submillimeterupplösning som visar texturer och fina sprickor. För det andra skjuter dess laserinducerade plasma-spektroskopi (LIBS) laser på flera punkter i stenen och skapar ett litet lysande plasma vars färger avslöjar vilka grundämnen som finns där. Från dessa LIBS-mätningar beräknar forskarna hur mycket kalciumoxid som finns i varje punkt. Höga kalciumnivåer, över cirka 10 viktsprocent, sammanfaller ofta—men inte alltid—med ljusa ådror i bilderna och ger en kemisk ledtråd om var dessa strukturer kan dölja sig.

Att lära en algoritm att följa sprickorna

Att manuellt spåra varje ådra, pixel för pixel, i tusentals bilder är tidsödande och inkonsekvent, så teamet byggde en specialiserad träningsuppsättning. De utgick från tidigare arbete som grupperat ChemCam-bilder i texturklasser och plockade ut cirka 480 tänkbara ådrscener. Av dessa valde experter 55 tydliga exempel och ritade noggrant binära masker som markerade vilka pixlar som tillhörde ådror. De omvandlade också LIBS-kalciumdata till enkla bilder: ljusa rutor där lasern mätte högt kalcium, mörka rutor där den inte gjorde det, och grå där inga mätningar fanns. Genom att dela upp varje stor bild i mindre kakor och tillämpa speglingar, rotationer och zoomar utökade de denna lilla märkta mängd till hundratals träningsprov.

Hur den smarta ådrupptäckaren fungerar

Kärnan i tillvägagångssättet är en familj djupinlärningsmodeller baserade på U-Net, en bildsegmenteringsarkitektur ursprungligen utvecklad för medicinska skanningar. Modellen tar ChemCam-stenbilder som indata och förutsäger, för varje pixel, om den tillhör en ådra. Forskarna testade flera variationer: rena U-Net tränade enbart på bilder, versioner som startade från nätverk förtränade på stora jordbaserade bilddatamängder, och modeller som integrerade LIBS-information antingen som extra bildkanaler eller via förlustfunktionen som styr inlärningen. Deras bästa modell var ett förtränat U-Net vars förlustfunktion försiktigt straffade förutsägelser som inte stämde överens med kalciumbaserade LIBS-bilder vid laserpunkterna, vilket styrde nätverket mot kemiskt trovärdiga ådrkartor. Denna modell uppnådde runt 80 % medel intersection-over-union och nästan 89 % i F1-poäng—starka prestationer för en så finfördelad uppgift.

Att bygga tillförlitliga kartor för roverforskning

Där dessa förutsägelser kommer att styra vetenskaplig tolkning tog teamet också itu med en subtil fråga: hur mycket kan vi lita på varje karta? De använde en statistisk metod kallad Learn-Then-Test för att justera modellens utgångströsklar efter träning, utan att ändra dess vikter. Genom att stämma av dessa trösklar på en kalibreringsmängd garanterade de att den övergripande falska upptäcktsfrekvensen—sannolikheten att en predicerad ådrpixel faktiskt är fel—hölls under cirka 10 %. Denna efterbearbetning minskade spuriösa detektioner på bekostnad av att vissa verkliga ådror missades, vilket bytte bort återkallning till förmån för högre tilltro i vad som märks som ådra.

Vad detta betyder för utforskningen av Mars

Enkelt uttryckt levererar studien en automatiserad, kemimedveten "ådrspårare" för Curiositys bildarkiv, komplett med reglage för att styra hur försiktig den är med att kalla något en ådra. Med den kan forskare snabbt granska hela roverns färdväg, följa hur ådrornas förekomst och tjocklek förändras från plats till plats, och koppla dessa mönster till bergens kemiska sammansättning. De mönstren förfinar i sin tur vår berättelse om när vatten rörde sig genom Gale-kraterns stenar och hur länge beboeliga förhållanden kan ha varat på Mars. Samma metod kan så småningom utvidgas till andra bergartsfenomen och instrument, och hjälpa framtida rovers att förvandla stora bildsamlingar till tillförlitliga, kartklara ledtrådar om planetens historia.

Citering: 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

Nyckelord: Mars beboelighet, Curiosity-roboten, ChemCam-avbildning, djupt lärande-segmentering, kalciumsulfatådror