从火星探测器的全景相机拍摄的这张彩色图像中可以看到火星子午线平原火星探测器机遇号周围的陨石坑内部。这是火星上航天器访问过的最暗的着陆点。陨石坑边缘距离火星车约 10 米(32 英尺)。陨石坑直径估计为 20 米(65 英尺)。陨石坑内遍布大量岩石露头,陨石坑的土壤似乎是粗灰色颗粒和细红色颗粒的混合物,这让科学家们非常感兴趣。
这张由火星探测车全景相机拍摄的彩色图像显示了火星子午线平原上火星探测车“机遇”号周围的陨石坑内部。这是有史以来航天器在火星上访问过的最暗的着陆点。陨石坑边缘距离火星探测车约 10 米(32 英尺)。陨石坑直径估计为 20 米(65 英尺)。陨石坑中散布的大量岩石露头以及陨石坑土壤令科学家们着迷,土壤似乎是粗灰色颗粒和细红色颗粒的混合物。
这张由火星探测车全景相机拍摄的彩色图像显示了火星子午线平原上火星探测车“机遇”号周围的陨石坑内部。这是有史以来航天器在火星上访问过的最暗的着陆点。陨石坑边缘距离火星探测车约 10 米(32 英尺)。陨石坑直径估计为 20 米(65 英尺)。陨石坑中散布的大量岩石露头以及陨石坑土壤令科学家们着迷,土壤似乎是粗灰色颗粒和细红色颗粒的混合物。
这张由火星探测车全景相机拍摄的彩色图像显示了火星子午线平原上火星探测车“机遇”号周围的陨石坑内部。这是有史以来航天器在火星上访问过的最暗的着陆点。陨石坑边缘距离火星探测车约 10 米(32 英尺)。陨石坑直径估计为 20 米(65 英尺)。陨石坑中散布的大量岩石露头以及陨石坑土壤令科学家们着迷,土壤似乎是粗灰色颗粒和细红色颗粒的混合物。
这张由火星探测车全景相机拍摄的彩色图像显示了火星子午线平原上火星探测车“机遇”号周围的陨石坑内部。这是有史以来航天器在火星上访问过的最暗的着陆点。陨石坑边缘距离火星探测车约 10 米(32 英尺)。陨石坑直径估计为 20 米(65 英尺)。陨石坑中散布的大量岩石露头以及陨石坑土壤令科学家们着迷,土壤似乎是粗灰色颗粒和细红色颗粒的混合物。
•随机月球地形产生,具有大的(陨石坑,山丘)和小(迷你陨石坑,岩石)伪影。•其他地形样品是手工制作或缩放的NASA高分辨率地形。•许多可自定义的参数设置火山口,地形大小和特征。•培训数据收集的大面积,可为更广泛的唯一数据范围提供。
美国宇航局位于佛罗里达州的肯尼迪航天中心的发射服务项目负责火星 2020 毅力号探测器的发射管理。这辆火星车是一辆四轮汽车大小的车辆,一旦探测器于 2021 年 2 月着陆,它将搜寻火星杰泽罗陨石坑的底部,杰泽罗陨石坑深 820 英尺(250 米),据信是一个与太浩湖大小相当的湖泊。据信,该陨石坑拥有大量约 35 亿年前的原始沉积物,科学家希望这些沉积物中能找到火星生命的化石。
本报告旨在向国会提供有关美国能源部 (DOE) 对马绍尔群岛共和国鲁尼特岛仙人掌陨石坑遏制结构进行的目视调查和地下水放射化学分析的活动和结果的信息,并确定这些调查和分析是否表明仙人掌陨石坑遏制结构内的污染物对埃尼威托克人民的健康风险发生了重大变化,如 2011 年岛屿地区法案第 112-149 号公法第 2 节所规定的那样。美国能源部于 2013 年和 2018 年对鲁尼特岛仙人掌陨石坑遏制结构完成了两次目视研究。这些研究评估了保护下方封装的受污染土壤和放射性碎片免受侵蚀的各个混凝土面板盖段的状况。虽然研究显示一些混凝土板存在可见缺陷,主要包括裂缝和混凝土板接缝和角落剥落,但能源部确定这些缺陷不是结构性的,也不太可能造成与放射性污染扩散到环境中相关的任何其他危害。此外,无损和核心样本测试结果表明,外部混凝土盖没有受损,并发挥了其预期作用,即提供有效的屏障以减少底层废料堆材料的自然侵蚀。鲁尼特岛地下水监测计划表明,在现有条件下,似乎没有明确证据表明仙人掌陨石坑放射性物质的扩散对近海泻湖或周围海域的辐射环境产生可测量的影响。泻湖水中观察到的 239+240 Pu 污染水平升高似乎主要是由泻湖沉积物中的钚引起的,而不是由仙人掌陨石坑污染物流入泻湖引起的。根据视觉研究和从 Runit 地下水监测计划观察到的数据,能源部确定,仙人掌陨石坑围堵结构内的污染物对埃尼威托克人民的健康风险没有显著变化。2022 年,能源部与美国陆军工程兵团 (USACE) 展开合作,协助设计和安装额外的地下水监测资源,以改善未来数据,并更详细地描绘仙人掌陨石坑围堵结构内部及周围的地下水流动和特征。
作为有关月球和火星的大量数据,勘探任务正在转移到下一步,其目的是确定目标的精确着陆。精确着陆的有前途的技术是地形相对导航(TRN),该技术从地标图像和地图中检测到了地标。火山口检测是TRN的重要技术之一。检测陨石坑的一个问题是由于不融合条件而导致的陨石坑的明显变化。另一个问题是由于火山口降解而导致的形状变化。我们提出了一种基于组合支持向量机(SVM)和卷积神经网络(CNN)的新型火山口检测方法,以使检测性能稳健,以防止明显变化。在线性SVM中,学习了火山口图像数据集的梯度图像。然后使用学习的分类器来计算区域建议的物体得分。接下来,CNN识别提出区域的图像是否是火山口。我们的结果表明,所提出的方法可以在各种照明和形状条件下检测陨石坑,并且比传统的陨石坑具有更好的平均精度。