論文の概要: Connecting Meteorite Spectra to Lunar Surface Composition Using Hyperspectral Imaging and Machine Learning

• arxiv url: http://arxiv.org/abs/2603.24323v1
• Date: Wed, 25 Mar 2026 14:01:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.319543
• Title: Connecting Meteorite Spectra to Lunar Surface Composition Using Hyperspectral Imaging and Machine Learning
• Title（参考訳）: ハイパースペクトルイメージングと機械学習による隕石スペクトルと月面組成の結合
• Authors: Fatemeh Fazel Hesar, Mojtaba Raouf, Amirmohammad Chegeni, Peyman Soltani, Bernard Foing, Elias Chatzitheodoridis, Michiel J. A. de Dood, Fons J. Verbeek,
• Abstract要約: 本研究では,Bechar010ルナー隕石のハイパースペクトルイメージング(HSI)と地上の月HSIを統合した,革新的な,費用対効果の枠組みを提案する。 望遠鏡を用いた新しいプッシュ・ブルーム HSI アプローチは、月面分光のための0.8 arcsec 分解能を達成し、フルスキーマルチオブジェクトスペクトルマッピングを誘発する。
• 参考スコア（独自算出の注目度）: 1.3437468851169132
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present an innovative, cost-effective framework integrating laboratory Hyperspectral Imaging (HSI) of the Bechar010 Lunar meteorite with ground-based lunar HSI and supervised Machine Learning(ML) to generate high-fidelity mineralogical maps. A 3mm thin section of Bechar010 was imaged under a microscope with a 30mm focal length lens at 150mm working distance, using 6x binning to increase the signal-to-noise ratio, producing a data cube (X $\times$ Y $\times$ $λ$ = $791 \times 1024 \times 224$, 0.24mm $\times$ 0.2mm resolution) across 400-1000}nm (224 bands, 2.7nm spectral sampling, 5.5nm full width at half maximum spectral resolution) using a Specim FX10 camera. Ground-based lunar HSI was captured with a Celestron 8SE telescope (3km/pixel), yielded a data cube ($371 \times 1024 \times 224$). Solar calibration was performed using a Spectralon reference ({99}\% reflectance {<2}\% error) ensured accurate reflectance spectra. A Support Vector Machine (SVM) with a radial basis function kernel, trained on expert-labeled spectra, achieved {93.7}\% classification accuracy(5-fold cross-validation) for olivine ({92}\% precision, {90}\% recall) and pyroxene ({88}\% precision, {86}{\%} recall) in Bechar 010. LIME analysis identified key wavelengths (e.g., 485nm, {22.4}\% for M3; 715nm, {20.6}\% for M6) across 10 pre-selected regions (M1 to M10), indicating olivine-rich (Highland-like) and pyroxene-rich (Mare-like) compositions. SAM analysis revealed angles from 0.26 radian to 0.66 radian, linking M3 and M9 to Highlands and M6 and M10 to Mares. K-means clustering of Lunar data identified 10 mineralogical clusters ({88}\% accuracy), validated against Chandrayaan-1 Moon mineralogy Mapper ($\rm M^3$) data (140m/pixel, 10nm spectral resolution).A novel push-broom HSI approach with a telescope achieves 0.8 arcsec resolution for lunar spectroscopy, inspiring full-sky multi-object spectral mapping.
• Abstract（参考訳）: 本研究では,Bechar010ルナー隕石のハイパースペクトルイメージング(HSI)と地上の月HSIを統合し,機械学習(ML)を監督し,高忠実度鉱物学図を生成する,革新的な,費用対効果の高いフレームワークを提案する。 Bechar010の3mmの細い部分は、150mmの作業距離で30mm焦点長レンズで顕微鏡の下で撮影され、6xビンニングを使用して信号と雑音の比を増大させ、データキューブ(X $\times$ Y $\times$ $λ$ = 791 \times 1024 \times 224$, 0.24mm $\times$ 0.2mm resolution)を400-1000}nm(224バンド、2.7nmスペクトルサンプリング、5.5nmの広さを半分のスペクトル解像度で撮影した。 地上の月HSIはケレストロン8SE望遠鏡(3km/ピクセル)で撮影され、データキューブ(371 \times 1024 \times 224$)が得られた。 太陽キャリブレーションはスペクトル基準({99}\%リフレクタンス {<2}\%エラー)を用いて、正確なリフレクタンススペクトルを保証した。 A Support Vector Machine (SVM) with a radial basis function kernel, trained on expert-labeled spectra, achieve {93.7}\% classification accuracy(5-fold cross-validation) for olivine ({92}\% precision, {90}\% recall) and pyroxene ({88}\% precision, {86}{\% recall) in Bechar 010。 LIME分析では、選択された10領域(M1からM10)にわたる鍵波長(eg, 485nm, {22.4}\% for M3; 715nm, {20.6}\% for M6)を同定し、オリビンリッチ(ハイランド様)とピロキセンリッチ(メア様)の組成を示した。 SAM分析により、M3とM9をハイランズに、M6とM10をマレスに繋ぐ、0.26ラディアンから0.66ラディアンまでの角度が明らかになった。 ルナーデータのK平均クラスタリングにより10個の鉱物学的クラスター({88}\%の精度)が同定され、チャンドラヤーン1号月の鉱物学マップ(140m/ピクセル、10nmの分光分解能)に対して検証された。 望遠鏡を用いた新しいプッシュ・ブルーム HSI アプローチは、月面分光のための0.8 arcsec 分解能を達成し、フルスキーマルチオブジェクトスペクトルマッピングを誘発する。

関連論文リスト

• Spectral Edge Dynamics of Training Trajectories: Signal--Noise Geometry Across Scales [0.0]
  コンヒーレントな方向のみにおいてトランスフォーマー訓練軌道が発展することを示す。 共同作業では、同じスペクトル幾何学がグラッキングの早期警戒信号を提供する。
  論文  参考訳（メタデータ） (2026-03-14T04:46:05Z)
• Unmixing microinfrared spectroscopic images of cross-sections of historical oil paintings [38.319445753146404]
  ATR-$FTIR HSIのブラインドアンミックスのための教師なしCNNオートエンコーダを提案する。 本稿では,ヴァン・エイク兄弟によるヘント・アルタルピースのATR-$FTIR断面積を実証する。
  論文  参考訳（メタデータ） (2026-03-03T09:47:48Z)
• SPECTRA: Spectral Target-Aware Graph Augmentation for Imbalanced Molecular Property Regression [45.62053904749856]
  SPECTRAはSpectral Target-Awareグラフ拡張フレームワークである。 スペクトル領域で現実的な分子グラフを生成する。 競合全体のMAEを維持しながら、関連するターゲット範囲のエラーを継続的に改善する。
  論文  参考訳（メタデータ） (2025-11-06T21:57:21Z)
• A UAV-Based VNIR Hyperspectral Benchmark Dataset for Landmine and UXO Detection [1.3999481573773072]
  本稿では,無人航空機(UAV)プラットフォームで得られた可視・近赤外(VNIR)ハイパースペクトル画像のベンチマークデータセットについて紹介する。 データセットは、表面、部分的に埋もれ、完全に埋まった構成を含む143個のリアルな代理地雷とUXOターゲットでシードされた制御された試験フィールド上で収集された。
  論文  参考訳（メタデータ） (2025-10-03T03:40:52Z)
• Hyperspectral Mamba for Hyperspectral Object Tracking [56.365517163296936]
  Mamba (HyMamba) を用いた新しいハイパースペクトル物体追跡ネットワークを提案する。 状態空間モジュール(SSM)によるスペクトル、クロスディープス、時間モデリングを統一する。 HyMambaは、7つのベンチマークデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-10T03:47:43Z)
• Classifying Cool Dwarfs: Comprehensive Spectral Typing of Field and Peculiar Dwarfs Using Machine Learning [0.0]
  低質量星と茶色の小星の分類。 機械学習(ML)手法の最近の進歩は、スペクトルタイピングのための自動アプローチを提供する。 我々は,M0--T9小星の低分解能近赤外スペクトルに対するスペクトル型分類におけるMLの適用について検討した。
  論文  参考訳（メタデータ） (2025-08-12T21:58:55Z)
• SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
  本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。 畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。 2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
  論文  参考訳（メタデータ） (2025-08-02T14:40:50Z)
• HyperspectralMAE: The Hyperspectral Imagery Classification Model using Fourier-Encoded Dual-Branch Masked Autoencoder [0.04332259966721321]
  ハイパースペクトル画像は、豊富なスペクトルの詳細を提供するが、空間領域とスペクトル領域の両方において、その高次元性のためにユニークな課題を提起する。 テキストマスキング戦略を用いたハイパースペクトルデータのためのトランスフォーマーベースモデルであるtextitHyperspectralMAE を提案する。 ハイパースペクトルMAEは、二重次元事前学習が頑健なスペクトル空間表現をもたらすことを確認し、インドパインズの最先端の伝達学習精度を達成する。
  論文  参考訳（メタデータ） (2025-05-09T01:16:42Z)
• Streamlined Lensed Quasar Identification in Multiband Images via Ensemble Networks [34.82692226532414]
  強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。 我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。 我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
  論文  参考訳（メタデータ） (2023-07-03T15:09:10Z)
• A machine learning based approach to gravitational lens identification with the International LOFAR Telescope [0.0]
  干渉計データから銀河規模の重力レンズを検出する新しい機械学習手法を提案する。 いくつかの畳み込みニューラルネットワークを開発し、レンズ付きまたは非レンズ型事象に分類されるサンプルの確率と不確実性を決定する。 我々は、LOFAR Two Metre Sky Surveyに含まれる銀河規模の重力レンズシステムの大部分を発見することを期待している。
  論文  参考訳（メタデータ） (2022-07-21T18:18:55Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。