Fundamental Science and Engineering Questions in Planetary Cave Exploration
Notice bibliographique
Résumé
Nearly half a century ago, two papers postulated the likelihood of lunar lava tube caves using mathematical models. Today, armed with an array of orbiting and fly-by satellites and survey instrumentation, we have now acquired cave data across our solar system-including the identification of potential cave entrances on the Moon, Mars, and at least nine other planetary bodies. These discoveries gave rise to the study of planetary caves. To help advance this field, we leveraged the expertise of an interdisciplinary group to identify a strategy to explore caves beyond Earth. Focusing primarily on astrobiology, the cave environment, geology, robotics, instrumentation, and human exploration, our goal was to produce a framework to guide this subdiscipline through at least the next decade. To do this, we first assembled a list of 198 science and engineering questions. Then, through a series of social surveys, 114 scientists and engineers winnowed down the list to the top 53 highest priority questions. This exercise resulted in identifying emerging and crucial research areas that require robust development to ultimately support a robotic mission to a planetary cave-principally the Moon and/or Mars. With the necessary financial investment and institutional support, the research and technological development required to achieve these necessary advancements over the next decade are attainable. Subsequently, we will be positioned to robotically examine lunar caves and search for evidence of life within Martian caves; in turn, this will set the stage for human exploration and potential habitation of both the lunar and Martian subsurface.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».