Deep learning and topic modeling for asteroid hyperspectral data

Asteroids, as primordial building blocks of the Solar System, hold crucial information about planetary formation and evolution. Hyperspectral imaging has emerged as a powerful tool for analyzing asteroid composition, enabling the identification of mineralogical features through spectral signatures. However, the high dimensionality and complexity of hyperspectral data pose significant challenges for real-time analysis, particularly in space missions. This thesis explores the integration of Deep Learning techniques, specifically Convolutional Neural Networks (CNNs), with Topic Modeling methods such as Latent Dirichlet Allocation (LDA) to enhance the interpretation of asteroid hyperspectral data. The CNN model is employed to extract high-level spectral features, while LDA provides an unsupervised classification framework to identify latent structures in the data. This hybrid approach combines the strengths of both supervised and unsupervised learning, allowing for a more robust and scalable analysis of hyperspectral datasets. The methodology is validated on a dataset of asteroid reflectance spectra, demonstrating its potential to improve compositional estimation and classification accuracy. The results contribute to advancing automated hyperspectral analysis techniques, with implications for planetary exploration, resource identification, and asteroid taxonomy.

Gli asteroidi, in quanto elementi costitutivi primordiali del Sistema Solare, contengono informazioni fondamentali sulla formazione ed evoluzione planetaria. L’imaging iperspettrale è emerso come uno strumento chiave per l’analisi della composizione asteroidale, consentendo l’identificazione delle caratteristiche mineralogiche attraverso le firme spettrali. Tuttavia, l’elevata dimensionalità e complessità dei dati iperspettrali rappresentano una sfida significativa per l’analisi in tempo reale, specialmente nelle missioni spaziali. Questa tesi esplora l’integrazione di tecniche di Deep Learning, in particolare le Convolutional Neural Networks (CNNs), con metodi di Topic Modeling come la Latent Dirichlet Allocation (LDA), al fine di migliorare l’interpretazione dei dati iperspettrali asteroidali. Il modello CNN viene utilizzato per estrarre caratteristiche spettrali ad alto livello, mentre LDA fornisce un quadro di classificazione non supervisionata per identificare strutture latenti nei dati. Questo approccio ibrido combina i punti di forza dell’apprendimento supervisionato e non supervisionato, permettendo un’analisi più robusta e scalabile dei dataset iperspettrali. La metodologia è validata su un dataset di spettri di riflettanza asteroidale, dimostrando il suo potenziale nel migliorare la stima composizionale e l’accuratezza della classificazione. I risultati contribuiscono al progresso delle tecniche di analisi iperspettrale automatizzata, con implicazioni per l’esplorazione planetaria, l’identificazione di risorse e la tassonomia asteroidale.