Gravity Modeling of Lunar Lava Tubes: Insights From a Terrestrial Analog
Notice bibliographique
Résumé
Abstract The exploration of lunar lava tubes can address challenges of human habitation on the Moon by identifying natural shelters against radiation, temperature extremes, and micrometeoroid impacts. This study shows the feasibility of detecting lunar lava tubes with gravimetry using Ape Cave in Washington State, USA, as a terrestrial analog. Ape Cave's unique features, including its 3.5 km length, irregular geometry, and minimal surface expression, make it an ideal model for simulating lunar conditions. A high‐resolution 3D model of the cave enabled the creation of forward gravity models, incorporating density and geometric variations of realistic terrestrial and lunar conditions. These models show significant negative gravity anomalies that closely fit field measurements along transects above Ape Cave, validating their use in predicting anomalies from lava tubes with comparable dimensions and complexity. Extending this to the Moon, two forward models simulated lunar lava tubes: one with Ape Cave's dimensions and another scaled to five times larger. Results show that while lunar anomalies are weaker due to lower surface gravity, instruments with resolutions of <25 μ Gal can nevertheless reliably detect tubes even at burial depths reaching >26 m. However, larger and more realistic lunar lava tubes produce detectable signals even with lower reading resolution instrument thresholds. This study underscores the benefit of integrating analog models with advanced gravimetric technologies for lunar exploration and highlights the importance of refining sensor capabilities to optimize the detection of lunar subsurface features. These findings contribute to the development of geophysical exploration strategies for future lunar missions to identify habitable environments.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».