Welche Minerale an der Oberfläche des Mars liegen, verrät viel über seine Vergangenheit. Tonminerale und Karbonate etwa entstehen typischerweise dort, wo einmal Wasser war. Solche Vorkommen entscheiden mit darüber, wohin Raumfahrtmissionen ihre Rover schicken. Der hier untersuchte Jezero-Krater wurde unter anderem deshalb als Landeplatz für den Perseverance-Rover ausgewählt. Ebenso war die Region Mawrth Vallis aufgrund ihrer wissenschaftlichen Einzigartigkeit ein geplanter Landeplatz des ExoMars-Rovers.

Die Datengrundlage zur mineralogischen Analyse liefert u. a. das CRISM-Instrument an Bord des Mars Reconnaissance Orbiter. Es nimmt für jeden Bildpunkt ein vollständiges Lichtspektrum auf, aus dem sich auf die Mineralogie schließen lässt. Das Problem dabei: Diese Datensätze sind riesig und verrauscht und ihre Auswertung ist bis heute weitgehend Handarbeit. Am Campus Grafenau der TH Deggendorf habt die Forschungsgruppe "Applied Artificial Intelligence" unter der Leitung von Prof. Dr. Benedikt Elser ein Verfahren entwickelt, das diese Auswertung automatisiert und damit auf viele Regionen übertragbar macht.

Wo es bisher hakt

Ein CRISM-Datensatz besteht aus Hunderten von Spektralkanälen pro Bildpunkt. Diese hohe Dimensionalität macht die direkte Auswertung schwierig und rechnerisch aufwändig. Hinzu kommt eine systematische Herausforderung aufgrund der Aufnahmetechnik. CRISM nimmt jede Bildzeile gleichzeitig mit vielen einzelnen Sensoren auf. Schon kleine Unterschiede in deren Empfindlichkeit erzeugen Rauschen in Form von senkrechten Streifen im Bild, die echte Mineralsignaturen überlagern können.
Durch das bereits fortgeschrittene Alter der CRISM (dieses ist seit 2006 im Orbit des Mars im Einsatz) werden diese Effekte durch Alterung zusätzlich verstärkt.

Bisher wurden die entscheidenden Schritte zur Auswertung der Mineralogie weitestgehend per Hand gesetzt. Dazu gehört vor allem die Frage, in wie viele und welche Mineralklassen die Marsoberfläche aufgeteilt wird. Zu wenige Klassen verwischen geologische Unterschiede, zu viele erzeugen Redundanz und schwer deutbare Ergebnisse. Diese Entscheidungen hängen am Urteil einzelner Fachleute. Das kostet Zeit, lässt sich schwer reproduzieren und skaliert nicht auf die gesamte Marsoberfläche.

Eine Pipeline, die selbst entscheidet

Um eine Automatisierung zu ermöglichen, haben wir die vielen einzelnen Schritte zu einer zusammenhängenden Pipeline verbunden. Nach der Vorverarbeitung der Daten reduziert das Verfahren UMAP die vielen Spektralkanäle auf wenige Dimensionen, ohne die wesentliche Struktur der Daten zu verlieren. Anschließend werden die Bildpunkte mit einem klassischen Verfahren des Machine Learning, dem k-Means-Algorithmus, nach der Ähnlichkeit ihrer Spektren gruppiert. Das Ergebnis ist eine spektrale Clusterkarte, in der jede Klasse für ein dominantes Oberflächenmaterial steht.

Zwei Punkte waren dabei wichtig. Erstens bestimmt die Pipeline die passende Anzahl an Klassen selbst, indem sie statistische Kennzahlen der Clusterqualität auswertet, statt sich auf eine manuelle Sichtprüfung von Diagrammen zu verlassen. Zweitens haben wir einen dynamischen Filter gegen die Streifenartefakte eingebaut, der auf einer Kombination aus Wavelet- und Fourier-Analyse beruht.

Dieser Filter hilft allerdings nicht in jedem Fall. Ist ein Datensatz ohnehin sauber, kann die Korrektur sogar leichte Verzerrungen einführen. Deshalb schätzt die Pipeline vorab über eine Hauptkomponentenanalyse das Rauschen im Datensatz ab und entscheidet anhand eines Schwellenwerts, ob sich der Filter lohnt. Im Filterprozess selbst wird erneut auf Pixelebene in Abhängigkeit von Kontrasten, dessen Einsatz gedämpft, um möglichst viele mineralogische Informationen zu bewahren.

Getestet haben wir das Verfahren an drei geologisch sehr unterschiedlichen Regionen auf dem Mars: Jezero, Nili Fossae und Mawrth Vallis. In allen Fällen verbesserten die optimierten Einstellungen die Clusterqualität gegenüber dem bisherigen Ansatz. Über einen Testsatz von 25 zuvor verrauschten Regionen lieferte die Verarbeitung in 18 Fällen streifenfreie Karten. Wo immer die generierten Mineralklassen einer Spektralbibliothek bekannter Mars-Minerale zuordneten, stimmten die Ergebnisse weitgehend mit den von Fachleuten erstellten Karten überein.

Was das für die Marsforschung bedeutet

Für die Planung künftiger Missionen sind reproduzierbare Mineralkarten wertvoll. Sie helfen bei der Auswahl von Landeplätzen und bei der Vorbereitung von Messungen vor Ort, etwa wenn ein Rover gezielt nach Spuren früherer Wasservorkommen suchen soll.

Für die Auswertung selbst senkt die Automatisierung den Aufwand. Schritte, die bisher Erfahrung und manuelle Eingriffe erforderten, laufen jetzt nach festen, nachvollziehbaren Regeln ab. Damit wird es realistisch, nicht nur einzelne Zielgebiete zu untersuchen, sondern große Teile der Oberfläche systematisch zu kartieren.

Über den Mars hinaus ist der Ansatz auch für andere Anwendungen der hyperspektralen Fernerkundung interessant, in denen ähnliche Streifenfehler und große Datenmengen auftreten.

Ein Schritt Richtung globaler Mineralkarte

Den Sprung zu einer Karte der gesamten Marsoberfläche bedeutet diese Arbeit noch nicht. Sie liefert aber eine methodische Grundlage dafür. Für den globalen Maßstab braucht es verteilte Rechenverfahren, um die Datenmengen zu bewältigen, sowie größere Spektralbibliotheken, damit sich mehr Minerale zuverlässig unterscheiden lassen. Auch Methoden des Deep Learning könnten helfen, feine spektrale Unterschiede besser zu erfassen.

Längerfristig wollen wir die Verarbeitung als frei zugänglichen Webdienst bereitstellen, sodass auch andere Forschungsgruppen CRISM-Daten ohne großen Aufwand auswerten können. Das Ziel bleibt ein zusammenhängender mineralogischer Atlas des Mars.

Wer tiefer einsteigen möchte, die Studie ist im Open Access in der Fachzeitschrift Remote Sensing erschienen:
Hürland, D.; Pletl, A.; Fernandes, M.; Elser, B. (2025): Framework for Processing of CRISM Hyperspectral Data for Global Martian Mineralogy. Remote Sensing 17(23), 3831.

Dominik Hürland, Alexander Pletl, Michael Fernandes und Benedikt Elser

Dominik Hürland ist wissenschaftlicher Mitarbeiter am Campus Grafenau der TH Deggendorf. Er beschäftigt sich mit dem Einsatz von maschinellem Lernen für die Auswertung großer Bild- und Spektraldatensätze.

Alexander Pletl ist wissenschaftlicher Mitarbeiter am Campus Grafenau - einer Forschungseinrichtung der TH Deggendorf - und promoviert am Promotionszentrum DigiTech der Hochschule. In seiner Doktorarbeit beschäftigt er sich mit dem gewinnstiftenden Einsatz von KI im Rahmen des Recyclingprozesses von Kunststoffen. Ziel seiner Arbeit ist es, höhere Recyclingquoten zu erreichen und zu einem nachhaltigen Umgang mit Plastik beizutragen.

Michael Fernandes ist Physiker und wissenschaftlicher Mitarbeiter am Campus Grafenau. Sein Schwerpunkt liegt auf der Entwicklung von Remote-Sensing-Anwendungen für die Planetologie sowie der Analyse und Auswertung komplexer spektraler Messdaten. In Grafenau entwickelt er KI-gestützte Verfahren zur Fusion von Daten unterschiedlicher spektraler Sensorsysteme, um geologische Untersuchungen zu unterstützen und Oberflächenstrukturen sowie mineralogische Zusammensetzungen präzise zu charakterisieren.

Benedikt Elser ist Professor für „Big Data Applications“ an der Technischen Hochschule Deggendorf. Am Campus Grafenau leitet er die Forschungsgruppe „Applied AI“, die mit Hilfe modernster KI-Methoden Mehrwerte für Unternehmen und Gesellschaft erarbeitet.