韩国天文研究院30日表示,该院文洪奎博士与延世大学孙永钟教授的联合研究团队,通过天文研究院系外行星探索系统(KMTNet)观测资料以及自主开发的机器学习方法,对4528颗小行星表面的构成成分进行了分类,成果发表在美国《行星科学杂志》(Planetary Science Journal)上。
小行星大多体积很小,即使用大型天文望远镜观测也只能显示为一个点。因此人们通过小行星表面反射光所呈现的反射光谱来推测其成分。科学家过去利用这种方法在二维变量平面上任意划分区块,而成分不同的小行星会在其上重叠出现,这一直被指为问题所在。
联合研究团队为解决该问题,引入了运用机器学习方法的分析方法。除了过去使用的可见光光谱斜率与吸收光谱深度这两个变量外,还追加了光谱的宽度,呈现在三维颜色空间中。并通过机器学习方法对这三个变量(颜色)进行训练,对小行星大致的表面成分作出了新的分类。
天文研究院与延世大学联合研究团队确认了能够明确区分边界的既有9种分类型(A、B、C、K、L&D、O、S、V、X),尤其是在二维颜色平面上难以区分的K型与X型,在三维空间中得到了清晰区分。
C型小行星由碳质构成,含有水等挥发性物质;D型为富含有机物的硅质与碳质成分;K型小行星则被推测与碳质陨石相似。此外,L型呈现与K型相似的光谱,但具体成分尚不详知。
S型是硅质小行星,V型据知与小行星灶神星成分相同。最后,X型由E型、M型、P型等成分完全不同的小行星组成,推测E以斜方辉石为主成分,M为金属质,P则具有与彗星相似的成分。
作为2022年论文第一作者、主导观测与资料分析的天文研究院卢东九博士自评称:“在小行星成分分类研究中,将我们自己创建的方法应用于我们自主产出的数据并取得成果,这一点意义重大。”
配合此项研究应用机器学习方法并主导分析的天文研究院申民秀博士表示:“若将这一方法应用于2024年至2034年未来10年内维拉·鲁宾天文台(Vera C. Rubin Observatory)将执行的‘时空遗珍巡天(LSST·Large Synoptic Survey Telescope)’的大数据,将有望揭开太阳系小天体的秘密。”
主导该研究的天文研究院文洪奎博士表示:“联合研究团队开发的机器学习方法虽难以立即应用于太空资源探测,但它是能够快速收集并一目了然掌握超过100万颗小行星和多达3.2万颗近地小行星颜色信息的强大工具”,并称“摆脱海外研究者提出的标准,今后完成独立的分类系统就是我们的目标”。






