Classificação automatizada de imagens hiperespectrais da cratera Columbus, Marte, por Machine Learning

O presente estudo investigou a cratera Columbus em Marte, localizada no hemisfério sul, utilizando sensores hiperespectrais para analisar sua mineralogia, morfologia e estratigrafia. A cratera, com 120 km de diâmetro, apresenta depósitos de minerais hidratados e evaporíticos preservados, como caulinita, esmectitas de Si-Al, sulfatos polihidratados, jarosita e alunita, além de traços de minerais máficos. A presença desses minerais sugere que a cratera pode ter abrigado um lago profundo no passado, com ciclos de transgressão e evaporação do nível da água, persistindo entre centenas de milhares até milhões de anos.

A identificação dos minerais foi realizada usando um modelo de Machine Learning com uma arquitetura baseada no modelo estatístico Hierarchical Bayesian Model (HBM) aplicado a imagens do sensor hiperespectral CRISM, que permite classificar e diferenciar minerais em escala de pixels. O uso de imagens de outros sensores como HiRISE e THEMIS, possibilitou a análise da morfologia da cratera e de sua arquitetura deposicional.

Os resultados corroboram a hipótese levantada na literatura que os depósitos se formaram no final do período Noachiano, quando Marte ainda possuía condições de sustentar água líquida em grandes volumes. A alternância de camadas de argila e sulfatos sugere múltiplos episódios de interação aquosa. A cratera é portanto considerada um ambiente promissor para estudos relacionados a preservação de bioassinaturas e habilidade passada em Marte. O modelo também se mostrou eficaz na classificação mineralógica, embora análises estatísticas sejam necessárias para redução de incertezas no processo de treinamento.