Spectral Properties of Ilmenite, Hematite, and Spinel: Implications for Upcoming Lunar Exploration Missions
Notice bibliographique
Résumé
Abstract Upcoming missions to the south polar region of the Moon will investigate this uncharted terrain. Investigations will include determining the bulk composition of the lunar crust to enhance our understanding of planetary processes. Lunar samples and remote-sensing data indicate that the lunar crust is mainly composed of silicate minerals such as pyroxene, plagioclase feldspar, and olivine. Oxide minerals such as ilmenite, hematite, and spinel, present in lower abundances, are valuable for in situ resource utilization, serving as sources of oxygen, hydrogen, or titanium. This study focuses on characterizing the spectral properties of ilmenite, hematite, and spinel and assessing their detectability using rover-based spectral instruments. We performed reflectance measurements of these minerals across the 350–15,385 nm range, for several grain sizes, viewing geometries, and abundances in mixtures with LHS-1 simulant. This resulted in a spectral library comprising over 1000 spectra. We modeled various mineral/LHS-1 spectral mixtures using the Hapke radiative transfer model and compared them to our laboratory spectra to assess the model’s accuracy. The model yielded an average error of 4 wt% using the rms error and 5 wt% using the spectral angle. Finally, we explored the potential for detecting these minerals with multispectral sensors and identified band ratios that correlate with mineral abundance. Our findings suggest that the ratios BR_ILM_AIM1, BD_HEM_RMM, and BD_SPI_AIM are most strongly correlated with ilmenite, hematite, and spinel abundances and that the calculation of these ratios allows us to quickly evaluate the presence of these minerals within highlands material.
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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».