这项名为PlanetNet的新技术可以识别和绘制土星大气湍流区域的成分和特征，从而深入了解驱动它们的过程。

一项研究今天发表在自然天文学爱博网站，提供了PlanetNet算法首次演示的结果。结果清楚地显示了受风暴影响的广大地区，黑色的风暴云包含了由强烈的垂直风从低层大气中刮来的物质。

PlanetNet由美国宇航局和伦敦大学学院的研究人员开发，使用美国宇航局、欧洲航天局和意大利航天局的联合任务卡西尼号上的可见光和红外测绘光谱仪的红外数据进行了训练和测试。

一个包含2008年2月在土星观测到的多个相邻风暴的数据集被选中，以提供一系列复杂的大气特征，以挑战行星网的能力。

“PlanetNet使我们能够分析更大量的数据，这使我们能够深入了解土星的大规模动态，”UA教授凯特琳格里菲斯(Caitlin Griffith)说，她是该论文的合著者。“结果揭示了以前未被发现的大气特征。PlanetNet可以很容易地适应其他数据集和行星，使其成为许多未来任务的宝贵潜在工具。”

先前对数据集的分析表明，在土星的大气中发现了罕见的氨，以s形云的形式存在。

通过PlanetNet绘制的地图显示，这一特征是中心暗风暴周围更大的氨冰云上涌的突出部分。PlanetNet在另一场小风暴周围发现了类似的上升流，表明这种特征相当普遍。

这张地图还显示了风暴中心和周围地区之间的明显差异，表明风暴眼可以清晰地看到更温暖的深层大气。

“像卡西尼号这样的任务收集了大量的数据，但传统的分析技术存在缺陷，要么是可以提取的信息的准确性，要么是执行所需的时间。“深度学习可以在不同的多个数据集上进行模式识别，”伦敦大学学院空间和系外行星数据中心的第一作者兼副主任Ingo Waldmann说。

他说:“这使我们有可能从不同的视角分析大面积的大气现象，并在特征的形状和形成它们的化学和物理特性之间建立新的联系。”

最初，PlanetNet搜索数据，寻找云结构和气体成分中聚集的迹象。对于感兴趣的区域，它会对数据进行修剪以消除边缘的不确定性，并对光谱和空间特性进行并行分析。PlanetNet重新组合了这两种数据流，创建了一张地图，以前所未有的精度快速准确地呈现了土星风暴的主要组成部分。

PlanetNet的准确性已经在卡西尼号数据上得到了验证，这些数据没有包括在训练阶段。整个数据集也被旋转和重新采样，以创建进一步测试的合成数据。PlanetNet在两个测试用例中都实现了超过90%的分类准确率。

该项目获得了欧洲研究委员会和科学技术资助委员会的资助。