Detailansicht

Investigation of a lunar regolith breccia

source crater constraints and deep learning implications

Andreas Bechtold

Art der Arbeit

Dissertation

Universität

Universität Wien

Fakultät

Fakultät für Geowissenschaften, Geographie und Astronomie

Studiumsbezeichnung bzw. Universitätlehrgang (ULG)

Doktoratsstudium Naturwissenschaften: Erdwissenschaften

Betreuer*in

Christian Köberl

Volltext herunterladen
Volltext in Browser öffnen

DOI

10.25365/thesis.77107

URN

urn:nbn:at:at-ubw:1-17190.87924.106896-9

Link zu u:search

(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract

(Deutsch)

Ein Mondmeteorit ist ein Gestein, welches durch ein Impakt-Ereignis von der Mondoberfläche weggeschleudert wurde und in weiterer Folge auf der Erde landete. Mondmeteorite übertreffen inzwischen die ungefähr 382 Kilogramm an Probenmaterial, das von den Apollo und Luna Missionen stammt, sowohl hinsichtlich der reinen Masse als auch der Diversität. Diese Meteorite stellen wichtige zusätzliche Proben der Mondkruste dar. Allerdings ist im Gegensatz zu den Proben, welche von den Raumfahrtmissionen stammen, der genaue Herkunftsort auf der Mondoberfläche nicht bekannt, was den wissenschaftlichen Wert der Mondmeteorite etwas schmälert. Diese Doktorarbeit kombiniert die bereits etablierte Methode, die chemische Zusammensetzung eines Mondmeteoriten mit Karten der Elementverteilung auf der Mondoberfläche abzugleichen, um potenzielle Ursprungsgebiete des Meteoriten zu finden, mit einer Datenbank, die relativ junge lunare Impakt-Krater enthält. Dies stellt einen neuartigen Ansatz dar, um mögliche Ursprungskrater auf der Mondoberfläche für einen gegebenen Mondmeteoriten zu finden, wenn dieser eine geeignet charakteristische chemische Gesamtzusammensetzung aufweist. Northwest Africa (NWA) 11962 ist ein Mondmeteorit, welcher 2013 vom Naturhistorischen Museum Wien angekauft wurde. Die Petrographie von NWA 11962 wurde mit Hilfe von optischer Mikroskopie, Rasterelektronenmikroskopie und der Elektronenstrahlmikrosonde untersucht, was zur Klassifikation des Meteoriten als lunare Regolithbrekzie führte. Der Meteorit enthält eine große Vielfalt an unterschiedlichen Gesteins- und monomineralischen Klasten sowie verschiedene glasartige Klasten, eingebettet in einer glasigen Matrix. Einige der interessantesten Lithologien sind basaltische Klasten mit einem mittleren bis hohen Titangehalt und Klasten der sogenannten „high alkali suite“, seltene Felsite und Quarzmonzogabbros. Die Geochemie des Meteoriten wurde an einem homogenisierten Pulver hergestellt von einem Probenstück des Meteoriten mithilfe von Instrumenteller Neutronenaktivierung (INNA), Thermionenmassenspektrometer (TIMS) und einem Massenspektrometer mit induktiv gekoppeltem Plasma (ICP-MS) untersucht. Um einen möglichen Ursprungskrater zu finden, wurden die Ergebnisse der geochemischen Analysen des Meteoriten (konkret der Gehalt an Eisen, Thorium und Titan) mit Lunar Prospector Karten der Elementverteilung auf der Mondoberfläche und eine Datenbank mit sogenannten „lunar cold spots“ (junge Impakt Krater) mithilfe eines Python-Skripts maschinell abgeglichen. Dieser Ansatz führte zur Identifikation eines potenziellen Ursprungskraters für NWA 11962 am südwestlichen Rand des Oceanus Procellarum direkt neben Sinus Medii. Eine Limitation dieser Methode ist die Begrenzung des Datensatzes der lunaren „cold spots“ (wovon manche potenzielle Ursprungskrater der Mondmeteorite darstellen) auf die Breitengrade zwischen ±50° Nord und Süd. Bei höheren Breitengraden sind geneigte Oberflächen von einer variabler Erwärmung durch die Sonne betroffen, was zu einer signifikanten Schwankung der Oberflächentemperatur führt. Dieser Umstand behindert die Identifikation von lunaren „cold spot“ Kratern in den Polregionen. Da die Ursprungskrater der Mondmeteorite aber zufällig auf der Mondoberfläche verteilt sein sollten, enthält der Datensatz der „cold spots“ und damit auch die Ergebnisse unserer Methode nur eine Teilmenge der potenziellen Ursprungskrater. Es wäre von großem Vorteil, wenn junge „cold spot“ Impaktkrater, die außerhalb der ±50° Limitation liegen, ebenfalls in der Suche nach potenziellen Ursprungskratern berücksichtigt werden könnten. Deep Learning (DL), ist eine Methode des maschinellen Lernens, welche sich in den vergangenen Jahren sehr schnell entwickelt hat und in einer immer größer werdenden Anzahl von Studien der Erdwissenschaften und planetaren Geologie zur Anwendung kommt. Die anvisierte automatische Erkennung von Shatter Cones (Strahlenkegel) in Mars-Rover-Bildern, wie in dieser Doktorarbeit diskutiert, ist ein Beispiel für Bilderkennung durch neurale Netzwerke, die mit DL Methoden trainiert wurden. Shatter Cones sind eine besondere geologische Erscheinungsform, welche durch große Meteoritenimpakte entsteht. Sie sind der einzige mit freiem Auge sichtbare Nachweis für die Hochdruckmetamorphose während der Entstehung eines Impakt-Kraters, weshalb ihre Vorkommen eng mit der Entdeckung von Impakt-Kratern auf der Erde verbunden sind. Obwohl die Oberflächen des Mondes und des Mars mit Impakt-Kratern übersät sind, wurden weder auf diesen planetaren Körpern von bemannten und unbemannten Missionen noch in Mond- oder Marsmeteoriten Shatter Cones gefunden. Missionen mit unbemannten Erkundungsfahrzeugen sind mit zahlreichen Kameras ausgestattet, die eine riesige Anzahl an Bildaufnahmen anfertigen. Hauptsächlich aufgrund von knappen Zeitressourcen wegen der strategischen Planung können potenziell wissenschaftlich interessante Ziele nicht immer in Echtzeit analysiert werden. Eine automatische Erkennung solcher potenziellen wissenschaftlichen Ziele durch neuronale Netzwerke trainiert durch DL könnten helfen, diese Herausforderungen besser zu bewältigen. Für eine Machbarkeitsstudie im Rahmen dieser Doktorarbeit wurde die Erkennung von künstlich platzierten Shatter Cones in rekonstruierten Aufnahmen von Mars Erkundungsfahrzeugen getestet. Die Studie verwendete virtuelle Rekonstruktionen von Shatter Cones in virtuellen Szenen vom Mars, um die große Menge an notwendigen Trainingsdaten zu erstellen, da reale Trainingsdaten für die neuronalen Netzwerke nicht existieren. Solche neuronalen Netzwerke trainiert an Datensätzen von orbitalen Bilder der lunaren „cold spot“ Krater könnten möglicherweise verwendet werden, um „cold spot“ Krater zu identifizieren, die außerhalb der jetzigen ±50° Breitengrad Limitierung liegen. Dies würde die Möglichkeiten, potenzielle Ursprungskrater der Mondmeteorite zu finden, weiter erhöhen.

Abstract

(Englisch)

A lunar meteorite is a rock that has been ejected from the surface of the Moon by an impact event and then later collided with the Earth. In terms of mass and diversity, the lunar meteorites found on Earth have already exceeded the approximately 382 kilograms of sample material returned by the Apollo and Luna missions. Meteorites represent important additional samples of the lunar crust. However, in contrast to the samples returned from space missions, the exact location of their origin from the lunar surface cannot be easily constrained, a fact that diminishes their scientific value to some extent. The doctoral thesis presented here combines the well-known method to compare the chemistry of a lunar meteorite with element maps from the lunar surface (for finding a potential source region of the meteorite), with a database of relatively young lunar impact craters. This represents a new approach for identifying possible source craters on the surface of the Moon for a particular lunar meteorite, whenever the meteorite has a suitably distinct bulk chemical composition. Northwest Africa (NWA) 11962 is a lunar meteorite acquired by the Natural History Museum Vienna in 2013. The petrography of NWA 11962 was examined by means of optical microscopy, scanning electron microscopy, and electron microprobe analyzer leading to the classification of the meteorite as a lunar regolith breccia. It contains a huge variety of different lithic and monomineralic clasts, as well as different glass clasts set in a glassy matrix. Some of the most interesting lithologies include basaltic clasts with a medium to high titanium content and clasts of the lunar high alkali suite, e.g., rare lunar felsite and quartz monzogabbro. The geochemistry of the homogenized bulk powder from a subsample of the meteorite was investigated by means of instrumental neutron activation, thermal ionization mass spectrometry, and laser-ablation inductively coupled plasma mass spectrometry. To find a possible source crater, the results of the geochemistry of the meteorite (in particular the content in iron, thorium, and titanium), Lunar Prospector maps of these elements and a data base of lunar cold spots (young lunar impact craters) were matched computationally using a Python script. This approach resulted in the identification of a potential source crater for NWA 11962 in the southwestern rim of Oceanus Procellarum close to Sinus Medii. One limitation of this approach is the restriction of the data set of lunar cold spots (some of which could be possible source craters for lunar meteorites) to latitudes ±50° north and south. Sloped surfaces at high latitudes are prone to variable heating from the sun which results in a significant variation of surface temperatures. This fact hampers the identification of lunar cold spot craters in the polar regions. As the source craters of lunar meteorites should be randomly distributed on the lunar surface, the current data set of lunar cold spots and, therefore, the results of our approach are able to consider only a subset of possible source craters. It would be of great advantage if young lunar cold spot craters that are outside the current limitation to latitudes to ±50° could also be included in a search for potential source craters. Deep learning, a method of machine learning, has developed rapidly in the past years and the number of studies using deep learning in Earth and planetary sciences is constantly increasing. The attempted automatic identification of shatter cones in Mars rover images discussed in this thesis is an example of image analysis by neural networks trained with deep learning methods. Shatter cones are distinct geological features that form during large meteorite impacts. They represent unique macroscopic evidence for high pressure metamorphism during impact cratering processes, which is the reason why they have been involved in the identification of terrestrial impact structures. Despite the abundant impact craters on the surfaces of the Moon or Mars, shatter cones have never been found by manned or unmanned missions or in any samples from these planetary bodies, including lunar and Martian meteorites. Unmanned rover missions are equipped with several different cameras that acquire a vast number of images. Mainly because of tight time constraints, due to strategic planning, potentially interesting scientific targets cannot always be analyzed in real time. Automatic detection of such potential scientific targets through neural networks trained by deep learning could help to address these challenges. In a feasibility study as part of this doctoral thesis the automatic detection of artificially placed shatter cones in reconstructions of real Mars rover images was tested. The study used virtual reconstructions of shatter cones in virtual Mars scenes to create the large amount of necessary training data, as real training data for the neural networks do not exist. Such neural networks trained on existing orbital image datasets of lunar cold spot crater could conceivably be utilized to identify lunar cold spot craters that are outside the current ±50° latitude limitation, which, in turn, would increase the possibility to find potential source craters of lunar meteorites.

Autor*innen

Andreas Bechtold

Haupttitel (Englisch)

Investigation of a lunar regolith breccia

Hauptuntertitel (Englisch)

source crater constraints and deep learning implications

Publikationsjahr

2024

Umfangsangabe

X, 207 Seiten : Illustrationen

Sprache

Englisch

Beurteiler*innen

Katherine Joy ,

Ana Cernok

Klassifikation

38 Geowissenschaften > 38.00 Geowissenschaften. Allgemeines

AC Nummer

AC17368263

Utheses ID

71738

Studienkennzahl

UA | 796 | 605 | 426 |

Detailansicht

Abstracts

Schlagwörter