Un nuovo studio ha applicato un approccio di deep learning per analizzare le tempeste su Saturno. La tecnica, denominata PlanetNet, ha rilevato e mappato le componenti principali delle turbolenze sul pianeta con una precisione senza precedenti fornendo informazioni chiave sui processi che portano alla loro formazione.
Sviluppato dai ricercatori della London’s Global University (Ucl) e dell’Università dell’Arizona, PlanetNet è stato testato utilizzando i dello strumento Vims (Visible and Infrared Mapping Spectrometer) della sonda Cassini – una missione congiunta Nasa-Esa-Asi.
I dati acquisiti dalla sonda nel 2008 indicavano la presenza di ammoniaca nell’atmosfera di Saturno, sotto forma di nubi a forma di S. La mappatura prodotta da PlanetNet, basata sullo stesso set di dati, ha combinato le informazioni sulla composizione dei gas con un’analisi delle proprietà spettrali e spaziali dell’area interessata, riuscendo a rilevare caratteristiche atmosferiche mai osservate in precedenza. Con questo approccio è stato possibile rilevare nelle nubi tracce di materiale spazzato dalla bassa atmosfera a causa di forti venti verticali.
Missioni come Cassini raccolgono enormi quantità di dati, ma le tecniche classiche utilizzate per la loro analisi mostrano delle discrepanze sia nella precisione delle informazioni sia nel tempo che viene impiegato estrapolarle. “L’apprendimento profondo, o deep learning,”, ha spiegato Ingo Waldemann, autore principale dello studio, “consente il riconoscimento di pattern su diversi set di dati multipli. “Questo ci dà il potenziale per analizzare i fenomeni atmosferici su vaste aree e da diverse angolature, per creare nuove associazioni tra le caratteristiche e le proprietà chimiche e fisiche che le generano. PlanetNet può essere facilmente adattato a set di dati su altri pianeti, rendendolo uno strumento chiave per molte missioni future. “. I risultati sono stati pubblicati su Nature Astronomy.
