来自Gaia DR3数据的主带原始小行星、Cybele族和Hilda族小行星

《Icarus》：Primitive asteroids in the main belt, Cybele, and Hilda populations from Gaia DR3

本研究提出了一种基于高光谱范围指数（HRI）和人工神经网络（NN）的火星大气水汽检测与定量方法，首次应用于火星快车号PFS仪器九年观测数据，通过HRI计算水汽光谱特征，结合NN模型将HRI转换为总柱量，结果显示该方法计算效率高且与现有方法结果一致。

　　

M. Es-sayeh | S. Bauduin | L. Clarisse | B. Franco | M. Smith | M. Giuranna

Météo-France, CNRS, 图卢兹大学, CNRM, 图卢兹, 法国

摘要

本文提出了一种用于检测和量化行星高光谱数据集中微量气体的框架方案。该方法目前仅用于地球研究，它依赖于高光谱范围指数（HRI）来量化目标气体的光谱特征与气候背景的差异。随后，通过基于辐射传输（RT）模型模拟构建的人工前馈神经网络将HRI转换为总柱浓度。重要的是，我们还提供了适当的不确定性表征。该方法已应用于火星快车（MEX）上的行星傅里叶光谱仪（PFS），以获取H₂蒸汽柱浓度。通过对PFS/LWC（长波通道）九个火星年的测量数据进行处理，我们获得了H₂蒸汽总柱浓度的数据集，并对其与其他方法的检索结果进行了比较。结果表明，该方法与标准检索方法相当，但计算成本显著降低，证明了其适用于分析大型观测数据集。

引言

在火星大气研究领域，大多数大气气体检测技术依赖于在一个或几个通道中识别其光谱特征。这种识别通常包括估计目标物种的带/线深度（例如，通过带/线中心与光谱基线之间的差异），或在拟合观测数据后搜索特定的或意外的光谱残差特征。第一种方法很少利用大气物种在大光谱范围内的吸收（或发射）特性，因此未能充分利用火星光谱的全部信息内容。此外，这些方法也不容易考虑干扰大气成分的光谱变化，这可能会掩盖目标物种的特征，导致误检测或降低检测灵敏度。虽然第二种方法能更好地处理干扰物种，但它们耗时较长，并且假设观测光谱中有关于目标物种的足够信息。无论采用哪种方法检测到目标物种，其丰度通常都是通过迭代检索程序确定的（例如Rodgers, 2000），这些程序同样耗时且/或需要足够的计算资源，尤其是在处理大型观测数据集时。检测和检索通常是在平均光谱上进行的，以提高信噪比（SNR）以实现检测。这导致可用观测数量的减少及其时空分辨率的降低，但也可能使得对平均光谱的建模变得困难，因为单个光谱可能是在不同的观测和气候条件下获得的。

在过去的十年中，用于检测和量化地球大气中弱吸收微量气体的技术取得了重大进展。特别是，近年来基于统计的方法被应用于分析Infrared Atmospheric Sounding Interferometer（IASI，搭载在MetOp卫星系列上）的观测数据。其中，高光谱范围指数（HRI）的计算极大地提高了检测能力，这得益于它们在大光谱范围内的光谱贡献（例如，对于地球上的氨气，范围为300 cm^?1）。虽然传统检索方法通常仅限于研究局部和/或偶发事件（主要是由于计算成本较高），但这种方法能够获得大量地球微量气体（如氨气、甲酸、乙烯或丙酮）的每日全球分布（例如Whitburn等人，2016年；Franco等人，2018年、2019年、2020年、2022年）。它还使得以前无法检测到的局部工业点源得以识别（Franco等人，2022年）。实际上，高光谱范围指数（以下简称HRI）是一个无量纲的单一数字，代表观测光谱中目标物种的信号强度。已经证明，可以通过不同的方法将这个数字转换为柱浓度，例如查找表（Van Damme等人，2014年；Bauduin等人，2016年）或人工神经网络（例如Whitburn等人，2016年；Franco等人，2018年、2019年、2020年、2022年）。这些新的检索方案显著减少了估算微量气体丰度所需的时间。它们被证明是稳健且多用途的，特别适用于分析大型观测数据集。

随着过去20年多个太空任务的发射，火星大气观测的数量大幅增加，并将继续增长。此外，虽然一些微量气体（如过氧化氢）仍然难以从太空中检测到（Aoki等人，2015年），但最近发现了氯化氢（Korablev等人，2021年），以及甲烷的谜团仍未解开（例如Korablev等人，2021年；Montmessin等人，2021年），这表明我们对火星大气成分的了解可能仍然不完整。今天需要快速高效的检测和检索方法，一方面是为了更好地处理不断增加的火星观测数据量，另一方面是为了改进火星微量气体的检测手段。基于机器学习的新方法开始出现（例如Schmidt等人，2021年），但还需要进一步的研究。

本工作的目标是介绍基于HRI和神经网络的方法（以下称为HRI/NN方法），并首次将其应用于火星大气观测。具体来说，我们将其应用于火星快车（MEX）上的行星傅里叶光谱仪（PFS）的单次观测数据，以检测和检索水蒸气（H₂）。自2004年1月以来，PFS已经收集了大约九个火星年的测量数据，为应用HRI/NN方法提供了丰富的数据集。H₂是火星大气气候和化学中起重要作用的微量物种（Montmessin等人，2017年），几十年来已被多种仪器在不同光谱范围内广泛测量，使我们能够评估HRI/NN方法的结果。这种方法利用了多个计算和方法上的优势，特别适合分析像PFS观测这样的大规模数据集。具体而言，HRI的计算非常直接，计算时间可以忽略不计。通过选择包含H₂蒸汽线的光谱范围，该方法确保了对目标物种的敏感性。此外，该方法对前向模型的依赖性较低，前向模型仅用于雅可比矩阵的生成和神经网络训练集的生成。最后，神经网络可以容纳无限数量的参数，从而能够考虑完整的大气状态，从而提高检索的准确性和稳健性。总体方法遵循了从IASI观测数据中检测和检索地球大气微量气体的方法（Whitburn等人，2016年；Franco等人，2018年），主要包括两个步骤：

• •通过计算每个PFS光谱的HRI来检测H₂蒸汽。
• 通过使用人工前馈神经网络（NN）将HRI转换为H₂蒸汽总柱浓度来检索H₂蒸汽的丰度。

在第2节中，我们首先回顾了PFS仪器的一些主要特性，并介绍了所使用的观测数据。第3节介绍了该方法的第一步，即HRI的计算及其在PFS观测中的应用。第4节介绍了神经网络（NN）的构建过程，并讨论了检索结果。第5节提出了结论和展望。

PFS/MEX观测

PFS是欧洲MEX任务（Chicarro等人，2004年）上的一个红外双摆傅里叶干涉仪，在两个同时运行的光谱通道中进行测量：短波（SWC）范围为1.2–5.5 μm（1700–8200 cm^?1?1

检测：高光谱范围指数

该方法的第一步是检测和量化目标物种的光谱特征，同时考虑背景气候和仪器噪声。这一步依赖于HRI，其理论将在第3.1节中介绍，并在第3.2节中应用于PFS/LWC数据集，以检测H₂蒸汽。

量化：通过神经网络从HRI到柱浓度

在本节中，我们介绍了检索框架的第二步，即根据HRI量化柱浓度。使用人工神经网络（NN）将HRI转换为H₂蒸汽柱浓度。使用NN的优势在于它能够用最少的计算资源处理大量输入参数。这对于转换HRI特别适用，因为HRI依赖于不同的参数（见下文）。

结论

在这项工作中，我们首次成功地将HRI/NN方法应用于火星观测数据集。该方法最初是为检测和检索地球大气中的微量气体而开发的，这里用于从PFS观测数据中检测和检索水蒸气。首先通过计算HRI指数来检测H₂信号强度。然后通过神经网络进行检索。

CRediT作者贡献声明

M. Es-sayeh：写作——审阅与编辑、撰写原始草稿、可视化、验证、软件、方法论、调查、形式分析、数据管理、概念化。 S. Bauduin：写作——审阅与编辑、验证、监督、资源管理、项目协调、方法论、资金获取、概念化。 L. Clarisse：写作——审阅与编辑、软件、方法论、概念化。 B. Franco：写作——审阅与编辑、软件、方法论、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本研究得到了Fédération-Wallonie Bruxelles（FWB）的资助以及ARC高级项目SPHERES的支持。L. Clarisse是Fonds de la Recherche Scientifique – FNRS的高级研究助理。PFS实验是在“Istituto di Astrofisica e Planetologia Spaziali”（IAPS）开发的，目前由Italian Space Agency（ASI）在意大利参与ESA的Mars Express任务期间资助。