Maschinelles Lernen für planetarische in-situ Spektroskopiedaten

Die Nachwuchsgruppe Maschinelles Lernen für planetare in-situ Spektroskopiedaten in der Abteilung In-Situ Sensing erforscht innovative Datenanalysestrategien unter Verwendung von Algorithmen aus dem Bereich des maschinellen Lernens (ML) für die Analyse von spektroskopischen Daten. Wir konzentrieren uns auf planetare in-situ Messdaten mit spektroskopischen Techniken wie LIBS (Laser-induzierte Breakdown-Spektroskopie) und Raman-Spektroskopie. Wir analysieren sowohl Daten, die von Instrumenten zur Planetenerkundung wie dem LIBS-Instrument ChemCam, das zur Nutzlast des Mars Science Laboratory (MSL) der NASA gehört, zurückgesandt werden, als auch spektroskopische Daten, die im Labor oder mit mobilen Instrumenten im Feld gewonnen wurden.