Die Mondkrater gehören zu den auffälligsten Merkmalen des Erdtrabanten. Denn seine gesamte Oberfläche ist von diesen Relikten vergangener Einschläge übersät – und es kommen immer neue hinzu. Denn wie alle Himmelskörper im inneren Sonnensystem ist der Mond einem ständigen Bombardement von größeren und kleineren Brocken aus dem All ausgesetzt. Während die dichte Erdatmosphäre nur die größten Meteoriten bis zur Erdoberfläche gelangen lässt und die Krater schnell von Erosion abgetragen oder von Vegetation überwuchert werden, ist dies beim Mond anders. Weil er keine Atmosphäre besitzt, hinterlassen auch kleine Meteoritentreffer ihre Spuren und diese können sogar Milliarden Jahre lang erhalten bleiben. “Die Krater sind daher das lunare Äquivalent von Fossilien, sie konservieren die Geschichte des Sonnensystems”, erklären Chen Yang von der Jilin Universität im chinesischen Changchun und ihre Kollegen.
Neuronales Netzwerk als Kartierungshelfer
Doch die lunaren Krater zu kartieren, ist nicht einfach – allein schon wegen ihrer schieren Menge. Hinzu kommt, dass die Mondkrater sehr variabel geformt sein können und je nach Alter mal stärker mal weniger stark verändert und von jüngeren Einschlägen überdeckt sind. Zudem umfassen sie eine enorme Spanne an Durchmessern, ihre Größe reicht von wenigen Metern bis zu Einschlagsbecken mit hunderten Kilometer Durchmesser. All dies erschwert die eindeutige Identifizierung der Krater und macht vor allem eine automatisierte Auswertung von Raumsonden-Aufnahmen der Mondoberfläche sehr schwierig. Die bisher existierenden Datenbanken der Mondkrater enthalten daher sehr unterschiedliche und teils widersprüchliche Angaben zur Gesamtzahl der lunaren Krater. Unter anderem deshalb hat die Internationale Astronomische Union (IAU) seit 1919 erst 9137 lunare Impaktkrater offiziell anerkannt, wie Yang und seine Kollegen erklären.
Auf der Suche nach einer Möglichkeit, die lunare Kraterkartierung zu verbessern und zu vereinfachen, haben die Forscher nun eine künstliche Intelligenz zu Hilfe genommen – ein lernfähiges System auf Basis eines neuronalen Netzwerks. Als Trainingsmaterial bekam dieses System zunächst gut 5600 Aufnahmen der Mondoberfläche in drei verschiedenen Auflösungen, die von den chinesischen Mondsonden Chang’e 1 und Chang’e 2 erstellt worden waren. Außerdem erhielt die KI digitale Geländemodelle für die gleichen Gebiete. In der Trainingsphase waren die Krater zunächst markiert, damit das System lernen konnte, welche Merkmale Mondkrater auszeichnen. Für die eigentliche Kartierung bekam das Programm dann weitere Aufnahmen, die es nun eigenständig kartieren sollte.
109.000 Krater neu identifiziert
Das KI-System spürte in den Bildern der Mondoberfläche rund 117.200 Krater auf, deren Größe von 0,9 bis 5323 Kilometer reichte. Von diesen lunaren Kratern waren 109.000 zuvor unkartiert. “Das sind fast 15 Mal mehr Krater, als zuvor identifiziert worden sind”, berichten Yang und ihr Team. “88,14 Prozent von ihnen haben einen Durchmesser kleiner als zehn Kilometer.” Der Vergleich mit bereits existierenden Datenbanken ergab eine gute Übereinstimmung bei den schon bekannten Kratern und bestätigte den “besseren Blick” der KI gerade bei den kleineren Mondkratern: Bei Kratergrößen zwischen einem und 20 Kilometern lag die neue Kartierung systematisch über den älteren Daten. In einer ergänzenden Analyse gelang es dem lernfähigen System auch, das Alter von knapp 19.000 größeren Kratern aufgrund ihrer Merkmale richtig einzuschätzen.
