Onderzoekers van de TU Delft maakten een kaart van de kans op meteorieten op Antarctica. Met behulp van machine learning spoorden ze de meest waarschijnlijke vindplaatsen op.

 

De aarde wordt continu gebombardeerd met ruimtepuin. In de vorm van meteorieten landen deze gesteentebrokken op de aarde. Soms zijn dit enorme joekels met desastreuze gevolgen – vraag het de dinosauriërs maar. Meestal zijn het echter kleine brokken die inslaan zonder dat iemand er iets van merkt.

Toch is het leuk en zinvol om de buitenaardse stenen terug te vinden. Ze bevatten materiaal uit verre streken in de ruimte, vaak zelfs uit de tijd van voor het ontstaan van de aarde. Wetenschappers gebruiken de informatie die de meteorieten met zich meedragen om meer zicht op de geschiedenis van ons zonnestelsel te krijgen.

De plek op aarde waar de meeste meteorieten worden aangetroffen, is Antarctica. Niet omdat er daar meer terechtkomen, maar omdat de kans dat je ze kunt terugvinden er groter is. Volgens berekeningen zouden er meer dan 300.000 meteorieten aanwezig zijn aan het oppervlak van de ijskap.

 

Zoeken en vinden

Op satellieten zijn de meteorieten doorgaans moeilijk te vinden. Onderzoekers selecteren de gebieden waar men gaat zoeken meestal op grond van ervaring: ze weten ongeveer waar ze moeten zijn. Daarna volgt dan een dure missie om te kijken of er daadwerkelijk iets ligt.

Onderzoekers uit Delft hebben het anders aangepakt. Zij zetten machine learning in om de regio’s in Antarctica met een hoge kans op meteorieten te vinden. Het algoritme verdeelt het gebied in blokjes van 450 bij 450 meter, en berekent voor elk daarvan hoe groot de waarschijnlijkheid is.

Het resultaat is een kaart met ongeveer zeshonderd mogelijke vindplaatsen, waarvan sommige dicht bij onderzoeksstations liggen. De onderzoekers publiceerden hun resultaten deze week in Science Advances.

 

Positive and unlabelled

Het machine learning-algoritme legt verschillende satellietwaarnemingen over elkaar heen en detecteert wisselwerkingen tussen de data. Het is gebaseerd op ‘positive and unlabelled learning’, een opkomend gebied in machine learning. Dit houdt in dat de gegevens waarmee de onderzoekers de software voedden zowel gebieden bevatte waar veel meteorieten gevonden zijn (positieve data) als gebieden waarbij dit nog onbekend is (ongelabelde data). Die laatste dienen dan als een soort referentiekader.

‘Stel, je moet in een dierentuin van elk dier zeggen of het een pinguïn is of niet’, zegt Veronica Tollenaar, hoofdauteur van het artikel en student aan zowel de TU Delft als de Université libre de Bruxelles (ULB), als metafoor. ‘Van dertig procent van je pinguïns weet je dat het pinguïns zijn, van de rest van de dieren weet je helemaal niet wat het is. Als je dan wil leren of iets een pinguïn is of niet, kan het helpen om ook voorbeelden te zien van die tweede groep.’

 

Resultaat

Uit de analyses bleek dat satellietwaarnemingen van temperatuur, ijsstroomsnelheid, oppervlakte en geometrie goede voorspellers zijn voor de locatie van meteorietrijke gebieden, schrijft de TU Delft in het bijbehorende persbericht.

De kaart is nog niet uitgetest, zegt Stef Lhermitte van de TU Delft, die aan het project meewerkte. ‘Er zou in januari een Belgisch team in het veld meteorieten gaan zoeken, die konden de kaart gebruiken. Maar die missie is door een covid-uitbraak op het station afgelast’

De ‘schatkaart’ is voor iedereen toegankelijk op de website: www.wheretocatchafallingstar.science.

 

Openingsbeeld: TU Delft