Developing Tailored Data Combination Strategies to Optimize the SuperCam Classification of Carbonate Phases on Mars
Notice bibliographique
Résumé
Abstract The SuperCam instrument onboard the Mars 2020 Perseverance rover investigates Martian geological targets by a combination of multiple spectroscopic techniques. As Raman, Visible‐Infrared Spectroscopy, and Laser‐Induced Breakdown Spectroscopy (LIBS) spectra deliver complementary information about the interrogated sample, the multivariate analysis of combined spectroscopic data sets is here proposed as a tool to optimize the SuperCam capability to discriminate mineral phases on Mars. For this purpose, the laboratory study of carbonate phases within the Ca‐Mg‐Fe ternary system were selected as representative case of study. After the characterization of model samples, the discrimination capability of mono analytical Raman, VISIR, and LIBS data sets was evaluated by applying a chemometric approach based on the combination of principal component analysis (for sample clustering) and Linear Discriminant Analysis (for mineral classification). Afterward, the low‐level combination (LL) of Raman, VISIR, and LIBS data was achieved by concatenating their spectra into a single data matrix. The mineral classification achieved by LL data sets outperformed the mono analytical ones, thus proving the complementarity between molecular and elemental spectroscopic techniques. Mineral classification was further improved by using a mid‐level data combination strategy. After evaluating benefits and limitations afforded by the proposed combination strategies, future developments are finally outlined. As such, the final objective of this research line is to develop a classification model based on data combination to optimize the capability of SuperCam in discriminating relevant minerals on Mars, this being a key requirement for the selection of the optimal targets to be cached for the future Mars Sample Return Mission.
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 | 0,000 | 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 ».