Ilmenite mapping of the lunar regolith over Mare Australe and Mare Ingenii regions: An optimized multisource approach based on Hapke radiative transfer theory
Notice bibliographique
Résumé
Abstract We model lunar ilmenite abundances over Mare Australe and Mare Ingenii regions using a new approach; we integrate Lunar Reconnaissance Orbiter Wide Angle Camera (WAC) and Clementine UV‐visible/near‐infrared (UVVIS/NIR) data to obtain a 14‐band mosaic (320‐2000 nm). We use Hapke's radiative transfer equations to compute spectra for various mixtures of orthopyroxene, clinopyroxene, plagioclase, olivine, and ilmenite, with varying grain size, chemistry, and degree of maturity, and find the closest match between the modeled spectra and the spectra of the less mature pixels (optical maturity ≥ 0.2) in the 14‐band mosaic. We calculate a “maximum stoichiometrically possible ilmenite content”, using Clementine‐derived TiO 2 abundances and the amount of TiO 2 in stoichiometric ilmenite, and use it as a constraint in our model. We validate our methodology with lunar soil spectra of known composition. Our results show that the integrated WAC‐UVVIS/NIR data and the UVVIS/NIR data overestimate ilmenite abundances by 8.80 wt % and 7.97 wt %, respectively, when a fixed maximum of 20 wt % ilmenite is used. When the maximum stoichiometrically possible ilmenite content is used as a constraint, the integrated WAC‐UVVIS/NIR data give slightly more accurate ilmenite abundance estimation (±2.87 wt %) than when using only UVVIS/NIR data (± 3.04 wt %). We find ilmenite concentrations of 0−11 wt % in Mare Australe and 0−6 wt % in Mare Ingenii region. Ilmenite abundances between 4 and 7 wt % are exposed in Mare Australe, whereas ilmenite abundances between 7 and 11 wt % are found on the walls of 0.6‐11.8 km diameter craters within Mare Australe.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».