Yapay zekâ ve derin öğrenme modelleri, yüksek çözünürlüklü uydu görüntülerini tarayarak Ay yüzeyinde daha önce fark edilmemiş olası mağara/giriş (skylight / pit) adaylarını tespit ediyor. Bu adaylar hem bilimsel araştırma hem de gelecekteki insanlı görevler için potansiyel barınaklar sunuyor.
Neden mağara girişleri (skylight/pit) önemli?
Ay yüzeyindeki mağara ağızları ve lav tüpleri, yüzeyin zorlu koşullarına karşı doğal sığınak görevi görebilir: yüksek radyasyon, mikrometeorit riskleri ve gün-gece arasındaki uç sıcaklık farkları gibi. Bu nedenle Ay’daki bu tür yapılar, hem jeolojik araştırma hem de gelecekteki insanlı üs planlaması açısından büyük önem taşıyor.
Veri kaynağı ve tespit gereksinimi
Tespitler çoğunlukla Lunar Reconnaissance Orbiter (LRO) tarafından sağlanan yüksek çözünürlüklü görüntüler (LROC) kullanılarak yapılıyor. İnsan uzmanların tek tek incelemesi zaman alıcı ve hata yapmaya açık olduğundan, burada derin öğrenme tabanlı modeller büyük avantaj sağlıyor.
Yapay zekâ nasıl kullanılıyor?
Araştırmacılar, konvolüsyonel sinir ağları (CNN) ve benzeri derin öğrenme yöntemleriyle eğitilmiş modelleri kamuya açık NASA görüntülerine uyguluyor. Modelin amacı; görüntüdeki koyu gölgeli, dairesel/oval delik benzeri yapıları (potansiyel skylight/pit) diğer morfolojik özelliklerden ayırt edip işaretlemek. Bu tip modeller insan gözünün kaçırabileceği düşük kontrastlı örüntüleri yakalayabiliyor ve çok büyük alanları otomatik olarak tarayabiliyor.
BBC ‘den alıntıdır.
“A Kent researcher has used AI to discover two previously-unknown possible cave entrances on the Moon which could support human survival on future space missions.”
TÜRKÇE: “Kent Üniversitesi’nden bir araştırmacı, AI kullanarak Ay’da daha önce bilinmeyen iki olası mağara girişini keşfetti; bu girişler gelecekteki uzay görevlerinde insan yaşamını destekleyebilir.”
“The South Marius Hills Pit (SMHP), which was previously overlooked by researchers, is located in an area thought to be rich in lava tubes, whilst the Bel’kovich A Pit (BAP) is close to the Moon’s north pole and therefore more likely to be a source of water.”
TÜRKÇE: “Daha önce araştırmacılar tarafından gözden kaçırılmış olan South Marius Hills Pit (SMHP), lav tüpler açısından zengin olduğu düşünülen bir bölgede yer alırken; Bel’kovich A Pit (BAP), Ay’ın kuzey kutbuna yakın, dolayısıyla su kaynağı olması daha olası bir konumda.”
“The pits were detected using an AI model named ESSA, short for ‘Entrances to Sub-Surface Areas’ … He trained it to scan publicly-available NASA satellite images and identify potential pits in the Lunar surface based on their distinctive shape.”
TÜRKÇE: “Çukurlar, ESSA adlı bir AI modeli kullanılarak tespit edildi; bu modelin adı ‘Entrances to Sub-Surface Areas’ (Yeryüzü Altı Girişler) kısaltmasıdır … Model, kamuya açık NASA uydu görüntülerini tarayıp Ay yüzeyindeki potansiyel çukurları karakteristik şekillerine göre tanımlayacak şekilde eğitildi.”
”Bu alıntılar BBC haberinden alınmıştır”
ESSA (Entrances to Sub-Surface Areas)
- ESSA, eğitim verisi olarak bilinen pit/skylight örnekleri ve olumsuz örnekler (non-pit) kullanılarak eğitilen bir derin öğrenme modelidir.
- Model, LROC gibi optik görüntülerdeki morfolojik ipuçlarını (gölge dağılımı, dairesel çukur formu, çevresel yükseklik farkları) temel alarak adayları sıralar.
- ESSA’nın ilk uygulamalarında taranan alan küçük bir yüzde olsa da (ör. yüzeyin %0.2–0.3’ü), yeni adayların bulunması modelin potansiyelini göstermektedir.
Yeni adaylar neler bulundu?
Kent Üniversitesi araştırmacılarının AI taramasında ortaya çıkan iki dikkat çekici aday: South Marius Hills Pit (SMHP) ve Bel’kovich A Pit (BAP). SMHP daha önce incelenmiş bir bölge içinde ama gölgelenme veya görüntü açısı nedeniyle fark edilmemiş bir çukur olarak ortaya çıktı. BAP ise kuzeye yakın konumu nedeniyle su buzuyla ilişkili olma olasılığına sahip bir bölge olarak rapor edildi. Bu tür adaylar “incelenmeye değer” olarak işaretlenir; nihai doğrulama için daha fazla veri ve/veya hedefli gözlem gerekir.
Yöntemin avantajları
- Hız: Çok büyük görüntü veri setlerini manuelden çok daha hızlı tarar; daha önce incelenmemiş alanları keşfetmeye uygun.
- Duyarlılık: Düşük kontrastlı ya da insan gözünün gözden kaçırabileceği örüntüleri yakalayabilir.
- Ölçeklenebilirlik: Yeni veriler geldikçe model yeniden eğitilip tarama genişletilebilir.
Sınırlılıklar ve doğrulama ihtiyacı
AI tabanlı tespitlerin yanlış pozitif/negatif üretme riski vardır çünkü:
- Aydınlatma ve gölge koşulları yanıltıcı olabilir (gölge bir delik izlenimi verebilir).
- Görüntü çözünürlüğü alt sınırdayken gerçek boşluklar gizlenebilir veya küçük detaylar kaybolabilir.
- Bu yüzden AI adayları mutlaka insan uzman incelemesi, topoğrafik (DEM), radar veya termal verilerle çapraz doğrulama gerektirir. Örneğin termal veriler bir boşluğun gece/gündüz ısı değişimini farklı göstererek ek kanıt sağlayabilir.
Uygulama ve gelecek planları
AI ile tespit edilen adaylar şu amaçlarla kullanılabilir:
- Bilimsel inceleme: Lav tüplerinin ve iç yapıların incelenmesi Ay’ın volkanik geçmişine ışık tutar.
- Keşif hedefleme: Robotik/insansız iniş görevleri için öncelikli hedeflerin belirlenmesi.
- Altyapı planlama: Mağara/boşluklar, ileride kurulabilecek üsler için doğal koruma sağlayabilir.
Gelecekte ESSA ve benzeri modellerin farklı spektral bantlarda (ör. termal, radar) verilerle birleştirilmesiyle daha güvenilir “Lunar Pit Atlas”ları oluşturulması bekleniyor. Ayrıca mini-robotlar (pit-bots/hopper’lar) bu adayları yerinde incelemek üzere planlanabilir.
Kaynaklar
- BBC — “AI used to find possible cave entrances on Moon” (kullanıcı tarafından sağlanan BBC makale bağlantısı).
- University of Kent — Press release: “New possible moon cave entrances discovered using AI”.
- Icarus — Le Corre et al., “New candidate cave entrances on the Moon found using deep learning”, 2025.
- Universe Today — “AI Uncovers Subsurface Entrances on the Moon” (ilişkili haber/özet).
