在伦敦大学学院和亚利桑那大学的研究人员的回应中，一项用于探测土星风暴的“深度学习”策略即将重新理解我们对行星大气的理解。

这种名为PlanetNet的新方法可以识别和绘制土星环境动荡区域中的零件和选项，并对驱动它们的过程进行深入分析。

目前在自然天文学中发现的一项研究提供了PlanetNet算法初步论证的结果中国风格网stylechina.com。结果清楚地显示了受风暴影响的巨大区域，并且黑暗的暴风云包括由于坚固的垂直风从减少的气氛中扫除的材料。

由UA和UCL 研究人员开发的PlanetNet使用来自Cassini的可见光和红外测绘光谱仪的红外知识进行了教育和检查，该仪器是NASA，欧洲航天局和意大利航天局的联合任务。

2008年2月在土星注意到的包含许多相邻风暴的数据集被选中为PlanetNet的问题提供了大量复杂的大气选择。

“PlanetNet使我们能够分析更大量的数据，这可以深入了解土星的大规模动态，”UA教授Caitlin Griffith说道，他是该论文的共同作者。“这些结果揭示了以前未被发现的大气特征.TraceNet可以很容易地适应其他数据集和行星，使其成为许多未来任务的宝贵潜在工具。”

先前对该数据集的评估表明，在S形云的类型内，土星的环境中氨的罕见检测。

通过PlanetNet生成的地图表明，这个功能是围绕中央黑暗风暴的氨冰云的更大上升流的一部分。PlanetNet确定相关的上升流围绕另一个小风暴，表明这些选择是相当频繁的。

地图还在风暴中部和环绕区域之间展现出明显的变化，表明注意力提供了对更热，更深的氛围的透明视图。

“像卡西尼这样的使命收集了大量的数据，但是经典的分析技术在提取信息的准确性或执行时间方面都存在缺陷。深度学习可以跨多种多样化的数据集进行模式识别，”提到Ingo Waldmann，UCL空间和系外行星数据中心的主要撰稿人和副主任。

“这使我们有可能分析大面积和不同视角的大气现象，并在特征的形状和产生它们的化学和物理特性之间建立新的联系，”他提到。

最初，PlanetNet在信息中搜索云构造和燃料成分中的聚类指标。对于好奇心区域，它会修剪信息以消除边缘的不确定性，并对光谱和空间属性进行并行评估。PlanetNet重新组合了2个知识流，创建了一个地图，能够以前所未有的精确度快速精确地呈现土星风暴的关键部分。

PlanetNet的准确性已经在Cassini知识中得到验证，而这些知识并未包含在指导部分中。此外，整个数据集已经过旋转和重新采样，以创建用于其他测试的人工知识。PlanetNet在每个检查实例中实现了超过90个pc分类精度。

该承诺从欧洲研究理事会和科学和技术资助委员会获得资金。