agu发表论文

agu发表论文

耶泽洛陨石坑和河流三角洲。（美国国家航空航天局/喷气推进实验室/约翰霍普金斯大学应用物理实验室/毛伊岛空间监视站/布朗大学

早在2018年11月，美国航天局就宣布火星2020探测器将在耶泽洛陨石坑着陆。耶泽洛陨石坑地区地质多样，汇入河流带来的沉积物在此形成了冲积扇。这些沉积物在陨石坑的卫星图像中能很清楚地被看到，里面有可能含有被保存下来的古代有机分子。

但陨石坑里还有一些让科学家们感兴趣的东西，这些东西在可见光图像中看不太清楚：一个由碳酸盐组成的“浴缸圈”，科学家们认为它可以保存化石。

火星2020探测器给我们对火星宜居性的科学研究加大了筹码。当勇气号和机遇号前往火星时，他们的任务是寻找水在过去或现在存在的证据。他们做到了。

当火星科学实验室（又名：“好奇号”火星车）前往火星时，它的任务是评估火星在过去和现在的宜居性。而现在，还未实际命名的火星2020探测器有着最艰巨的任务：寻找过去微生物存在的迹象；或者简单地说：去寻找化石。

计划着陆区（美国国家航空航天局/加州理工学院喷气推进实验室/毛伊岛空间监视站/约翰霍普金斯大学应用物理实验室/欧洲航天局）

选择耶泽洛陨石坑作为着陆区有几个原因：它很古老—是一个约35亿年前的湖的遗址；它含有同样古老的地貌，包括河流三角洲；它还含有碳酸盐形成的所谓的“浴缸圈”。

在地球上，碳酸盐形成的化石结构历时长久、可以持续数十亿年；包括贝壳、珊瑚、和叠层石。既然耶泽洛陨石坑曾是一片水域，科学家认为有必要研究耶泽洛陨石坑边缘的碳酸盐圈、看看那里是否有化石。

如果你对此仍心存怀疑、犹豫不决，请记住，选择耶泽洛陨石坑，以及在火星上寻找化石生命，是建立在多年的严谨科学基础上的。没人知道我们会在那个富含碳酸盐的陨石坑边缘找到什么，但经验证据表明我们该从这里找起。

耶泽洛陨石坑的位置，紫色为低海拔，红色为高海拔。（美国宇航局/喷气推进实验室/美国地质勘探局）

一篇发表在《伊卡洛斯》（ Icarus）杂志上的论文详细介绍了耶泽洛陨石坑的矿物多样性，包括边缘的碳酸盐沉积物。

这篇论文的题目是：“耶泽洛陨石坑的矿物多样性：火星上可能存在湖泊碳酸盐的证据”。请注意，“湖泊的（lacustrine）”一词的意思是“与湖泊有关的或与之有联系的”

美国宇航局的火星勘测轨道器探测器（MRO）用CRISM（火星专用小型侦察影像频谱仪）仪器发现了这些碳酸盐。CRISM专用于寻找与水相关的矿物；其图像显示，耶泽洛陨石坑的边缘有明显的碳酸盐。

CRISM图像中的耶泽洛陨石坑，绿色表示碳酸盐。（美国航天局/加州理工学院喷气推进实验室/毛伊岛空间监视站/约翰霍普金斯大学应用物理实验室//普渡大学/美国地质勘探局）

该杂志的主要作者、位于印第安纳州西拉斐特的普渡大学的布里奥妮·霍根说：“CRISM很多年前就在这里发现了碳酸盐，但我们才注意到它们在应是湖泊边缘的集中程度。”

“在整个任务期间，我们在许多地方都会遇到碳酸盐沉积物，但浴缸圈会是最令人兴奋的参观地点之一。”

在地球上，一些最古老的化石是叠层石。叠层石是由蓝藻层形成的层状结构；它们可以追溯到35亿年前。

如果火星在其遥远的过去的确维系过生命，那么它可能有自己的叠层石。假如事实确实如此，那围绕耶泽洛陨石坑的古湖碳酸盐圈会是寻找它们的好地方。

领导2020年火星项目的是位于加利福尼亚州帕萨迪纳的美国宇航局喷气推进实验室，副项目科学家肯·威利福（Ken Williford）德说：“在我们选择耶泽洛陨石坑作为着陆点的因素中，其中最令人兴奋的原因之一就是‘边缘碳酸盐’形成于湖泊环境中的这个可能性。古老湖岸的碳酸盐化学是保存古代生命和气候的记录的绝佳配方。”

“我们迫不及待地想去到表面，去发现这些碳酸盐是如何形成的。”

如果碳酸盐是在湖边形成，那么它们很可能形成于火星的诺亚纪时期。诺亚纪是火星的第一个纪元，结束于大约35亿年前。

科学家认为在那时火星气候相对湿润，大气中富含二氧化碳。碳酸盐通过岩石、水、和二氧化碳相互作用形成。

碳酸盐还能告诉我们更多；它们包含了火星气候变化的地质记录。

既然它们的形成是通过二氧化碳、水、和岩石之间的相互作用，那它们的形成可以记录火星上气候随时间发生的微妙变化。它们可以帮助我们讲述火星是如何从一个有着厚厚大气层的古老潮湿星球演变为今天寒冷干燥的沙漠的。

科学家们还在耶泽洛陨石坑的三角洲边缘发现了富含水合二氧化硅的沉积物。就像碳酸盐一样，水合二氧化硅也有可能保存化石。

如果水合二氧化硅沉积物位于三角洲底部，那么它也可能是寻找化石（特别被埋藏的微生物化石）的绝佳场所。一篇详述水合二氧化硅沉积物的论文在美国地球物理学会（AGU）期刊上发表。

在耶泽洛陨石坑的碳酸盐沉积物并不都一致均匀。它们分布在不同的地区、不同的高度，具有不同的地形特征和光谱特征。而最重要的区域也许就是所谓的边缘碳酸盐。

它们显示出最强烈和最清晰的碳酸盐特征，并且它们位于陨石坑的西部内边缘。边缘碳酸盐岩的边缘有时与地形和外观的变化一致。科学家们急于弄清楚这一切意味着什么。

边缘碳酸盐的轮廓为红色。（美国宇航局/火星勘测轨道飞行器/霍根等2019年）

当然，这只能通过火星2020探测器的现场测定来完成。探测器将于2021年2月18日到达耶泽洛陨石坑；一旦到了那里，这么多人的辛苦努力就会开始有回报。

地球上有一些地方（通常在高山上），海贝化石会从岩石中冒出来，任何路人都能轻易看到。他们出现的位置引起了像达芬奇之类的早期的思想家对圣经中洪水故事的质疑。

如果火星真有化石的话，它不太可能轻易丢弃。但是，思考一下我们自己对化石的认识，以及这些知识是如何随着时间的推移而增长的，也引起人们关于我们会在火星上发现什么、以及这一发现将会如何塑造我们的信念的想象。

作者: EVAN GOUGH, UNIVERSE TODAY

FY: 绿土

转载还请取得授权，并注意保持完整性和注明出处

吴建平的介绍

吴建平，1964年2月出生于江苏丹阳,理学博士，研究所二级研究员，博士生导师。现任第四研究室主任，北京数字遥测地震台网主任和中国地震科学探测台阵数据中心主任。《地震学报》、《地震地磁观测与研究》、《CT 理论与应用研究》编委，中国地球物理学会中国大陆动力学专业委员会副秘书长、中国地震学会地震学专业委员会、深部探测委员会委员，美国地球物理联合会(AGU)会员。发表学术论文60余篇，其中SCI刊物30余篇。1地球内部物理学与深部孕震环境研究室（八室）副主任。1985年至1988年在中科院地球物理所攻读硕士，1989年至今在地震局地球物理所工作。1997年在职博士毕业。2000年评为研究员。主要从事地球深部构造研究工作，在区域地震波形反演地壳上地幔速度结构的方法研究、川滇地区的接收函数研究、中小地震震源机制研究、长白山天池火山的地震监测研究、城市地区活断层探测研究等方面取得了较好的研究成果。

近期四项研究，人工智能助力地球科学与宇宙探索

编辑/绿萝

目录：

如果我们周围的一切都只是……全息图呢？

问题是，它可能是——密歇根大学的一位物理学家 Enrico Rinaldi 正在使用量子计算和机器学习来更好地理解这个想法，称为全息对偶性（holographic duality）。

全息对偶性是一种数学猜想，它将粒子理论及其相互作用与引力理论联系起来。这个猜想表明，引力理论和粒子理论在数学上是等价的：引力理论在数学上发生的事情发生在粒子理论中，反之亦然。

一些科学家认为我们的整个宇宙是粒子的全息投影，这可能导致一致的量子引力理论。

在《 PRX Quantum 》 杂志上发表的一项研究中，Rinaldi 和他的合著者研究了如何使用量子计算和深度学习来 探索 全息对偶性，以找到称为量子矩阵模型的数学问题的最低能量状态。

研究人员对矩阵量子力学的量子计算和深度学习方法进行了首次系统调查，并将它们与晶格蒙特卡罗模拟进行了比较。它们在解决更复杂的问题之前提供了基线基准。特别是，通过计算低能谱来测试每种方法的性能。

论文链接：

相关报道：

地图对于我们了解地球及其过程很重要，但通常情况下，我们无法在空间的每一点直接观察我们感兴趣的变量。出于这个原因，我们必须使用模型来填补空白。

然而，科学家们认为，在自然环境中可能存在更多微妙的关系，而基于传统手动特征工程方法的模型可能会忽略这些关系。

来自英国埃克塞特大学（University of Exeter）、格拉斯哥大学（University of Glasgow）和英国埃克塞特气象局的研究人员创造了一种复杂的新方法来更详细和准确地模拟地球的自然特征。

该研究中开发的开创性的新人工智能方法将环境信息提取作为一个优化问题。这样做允许它自动识别和利用关系，否则这些关系可能会被人类使用更传统的建模方法忽视和利用。

除了提高地图质量外，这种方法还释放了人工智能在自然环境中发现新关系的潜力，同时消除了建模过程中的大量试错实验

该研究以「 Bayesian Deep Learning for Spatial Interpolation in the Presence of Auxiliary Information 」为题，发表在《 Mathematical Geosciences 》杂志上。

新技术可以识别地形的复杂特征和方面，远远超出传统方法的能力，并使用它们来生成质量更高的环境地图。至关重要的是，新系统还可以为解锁自然环境中关系的新发现铺平道路，这可能有助于解决 21 世纪一些更大的气候和环境问题。

在 NN-SVG 软件 (LeNail 2019) 的帮助下可视化的深度神经网络架构概述。

论文链接：

相关报道：

陨石为我们了解太阳系的起源和演化提供了一个独特的视角。南极洲是回收陨石最多产的地区，这些外星岩石集中在陨石搁浅区。迄今为止，含陨石的蓝色冰区大多是通过意外发现和昂贵的侦察任务来识别的。

来自布鲁塞尔自由大学（ULB）、代尔夫特理工大学和的一组研究人员使用人工智能技术寻找隐藏在南极冰层中的陨石。通过在机器学习算法中结合最先进的数据集来识别富含陨石的区域，并提供在整个大陆范围内对在任何给定位置找到陨石的概率的估计。

由此产生的约 600 个陨石搁浅区，估计精度超过 80%，揭示了尚未 探索 的区域的存在，其中一些位于研究站附近。分析表明，迄今为止，南极冰盖表面的所有陨石中，只有不到 15% 被发现。数据驱动的方法将极大地促进以协调和具有成本效益的方式收集剩余陨石的 探索 。

该研究以「 Unexplored Antarctic meteorite collection sites revealed through machine learning 」为题，发表在《 Science Advances 》上。

论文链接：

相关报道：

从地球大气中去除二氧化碳 (CO2) 是应对气候变化的有力工具。所谓的碳捕获和封存 (CCS) 使用机械和化学技术从空气中去除二氧化碳，将其浓缩，然后将其注入地下进行长期储存。尽管 CCS 目前只代表了减缓气候变化工作的一小部分，但它可能会在未来几十年变得越来越重要。

CCS 的一个关键要素是确保收集的 CO2 浓度安全稳定地储存在注入它们的地质单元中，这主要通过 3D 地震观测的时间序列来完成。随着二氧化碳被注入岩石孔隙中，它会显著改变岩石的整体密度和其他体积特性，从而对传入的地震波产生不同的响应。

延时 3D 地震勘测是详细了解 CO2 随时间变化的关键工具。然而，记录的地震数据必须经过严格的处理路线，以匹配基线和延时数据集，以便人工检测和解释差异。

来自新加坡国立大学和美国普渡大学的研究人员建议使用神经网络 (NN) 来促进人类解释。它提供了直接从 4D 地震图像到 3D CO2 分布的高效端到端映射。通过在训练期间合并不同处理的数据，NN 获得了针对基线和延时图像之间的中度不匹配的稳健性。训练后的神经网络在不同延时数据上的普遍应用显示出在整个监测 历史 中的高度一致性，这为作为时间函数的 CO2 羽流（plume）发展提供了可靠的分析。

在这次 3D 地震观测中，人类评估人员已将二氧化碳储层标记为绿色，但根据一项新研究，机器学习算法可能很快就会取代人类来完成这项任务。

该研究以「 Neural Network-Based CO2 Interpretation From 4D Sleipner Seismic Images 」为题，发布在《 Journal of Geophysical Research: Solid Earth 》上。

论文链接：

相关报道：