High‐Resolution Nighttime Temperature and Rock Abundance Mapping of the Moon Using the Diviner Lunar Radiometer Experiment With a Model for Topographic Removal
Notice bibliographique
Résumé
Abstract The Diviner Lunar Radiometer Experiment on the Lunar Reconnaissance Orbiter (LRO) has been mapping the surface temperatures of the Moon since 5 July 2009. Diviner has since collected over 500 billion radiometric measurements with excellent spatial and local time coverage. However, the most recently published high‐resolution Diviner global maps only use data collected from 2009 to 2016. In this work, we compile ∼13 years of Diviner data to produce improved global maps of nighttime brightness temperature, bolometric temperature, regolith temperature, and rock abundance (RA). Errors in Diviner's pointing have been corrected and past effective field of view modeling has been optimized to improve data georeferencing without spatial interpolation. We estimate an effective resolution of ∼330 m longitudinally and ∼700 m latitudinally at the equator, which corresponds to an improvement of ∼3.5× longitudinally and ∼1.3× latitudinally. In addition, we develop a thermal model that accounts for indirect scattering and emission from surrounding topography. The resulting temperature anomaly maps better highlight variations in temperature caused by thermophysical properties by removing most topographic effects. These improvements allow for the identification of smaller and fainter thermal features than was previously possible. The improved effective resolution of Diviner maps allows for excellent spatial correlation with other high‐resolution data sets. To demonstrate this, we compare Diviner RA to a manual survey of boulders in the Apollo 17 landing site region. We show that Diviner RA correlates well with the areal fraction of rocks larger than ∼1–2 m in diameter visible in LRO Camera imagery.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».