全截面雾幕除尘技术在回风道中的研究及工程应用 邱金伟、 郝文静、 张桥东、 孙晨、 张颖颖

《Applied Sciences》：Research and Engineering Application of Full-Section Fog Screen Dust Capture Technology in Return Airway Jinwei Qiu, Wenjing Hao, Qiaodong Zhang, Chen Sun and Yingying Zhang

　　**摘要**
月球上的陨石坑为我们太阳系中的撞击历史提供了重要线索。为了克服传统智能方法在探测隐藏陨石坑方面的局限性，本研究提出了一种基于数字高程模型（DEM）和重力数据的新型智能检测方法。我们设计了一种混合网络架构（ResNet + ViT），结合了卷积神经网络（CNN）的局部特征提取能力和视觉变换器（ViT）的全局上下文建模能力。通过整合DEM和重力异常数据的互补信息，该架构能够全面检测月球陨石坑——从表面可见的陨石坑到隐藏在地下结构中的陨石坑。为了解决重力异常数据与DEM训练数据中固有的样本不平衡问题，我们采用了添加残差块的U-Net架构，并使用具有动态聚焦参数的Focal Loss函数进行训练。实验结果表明：（1）所提出的方法具有较高的分割精度，在DEM测试集上的平均 Intersection over Union（IoU）达到81.3%，在重力异常测试集上达到82.6%；（2）该方法优于U-Net及其主流变体，精度达到89.48%，检测完整性也更优；（3）将其应用于包括五钢盆地（Wugang Basin）、阿基米德陨石坑（Archimedes Crater）和莫斯科海（Mare Moscoviense）等代表性地质单元，验证了该方法的稳健性和实际应用价值。因此，本研究为月球撞击坑的全尺度测绘提供了新的技术框架，并为月球表面的演化历史提供了新的见解。

**1. 引言**
月球作为地球最近的天体伴侣，保存了太阳系历史中不间断的撞击事件档案。其表面布满了撞击坑，这些陨石坑为研究行星演化提供了重要信息。这些陨石坑的形态、分布和地层背景有助于确定月球地形的年代、重建太阳系动力学以及阐明月球内部的热学和力学历史[1,2]。尤其重要的是那些被后续玄武岩洪水掩埋的古老撞击坑——通常被称为隐藏的陨石坑。这些隐藏的结构对于解码撞击前的古地形、地壳厚度的横向变化以及深层撞击盆地结构至关重要[3]。探测这些地下特征将极大地丰富我们对月球地质历史的理解。

传统的自动和半自动陨石坑检测方法主要依赖于光学遥感图像中的灰度/阴影对比度或来自激光测高数据的地形参数（如坡度、曲率）[4,5,6]。这些方法通常使用手工制作的特征或传统的机器学习算法[7,8]。尽管取得了一定的成功，现有方法仍面临根本性限制：对光学图像光照变化的敏感性、对复杂或重叠陨石坑形态的适应能力差、依赖劳动密集型的特征工程，以及有限的泛化能力。这些缺陷阻碍了它们准确高效地处理全局尺度、形态多样的陨石坑群体的能力。

近年来，月球陨石坑检测的进步主要得益于深度学习在多种数据模态中的应用[9,10]。这些数据驱动的方法自动学习了多层次的特征表示，显著提高了检测精度和效率。后续的工作解决了特定挑战：基于嫦娥二号（Chang’e-2）数字输出模型（DOM）的半监督学习缓解了标签稀缺问题[11]；专门设计的模型如YOLO-Crater增强了小陨石坑的检测能力[12]；集成到YOLOLens中的超分辨率技术提高了低分辨率图像上的性能[13]；并且为DEM数据开发了端到端的工作流程[14]。局部群体研究，例如对嫦娥四号着陆点退化小陨石坑的分析[15]，进一步展示了该领域向特定应用系统发展的趋势。尽管取得了这些进展，但大多数基于深度学习的研究仍然依赖于DEM或光学图像。这种依赖性带来了一个根本性困境：高分辨率DEM在捕捉细粒度形态细节方面表现优异，但在处理大型陨石坑（尤其是充满物质或被掩埋的盆地）时效果较差，因为边缘往往不明显，轮廓也不完整。相反，月球重力场数据反映了地壳和上地幔的质量变化，能够有效“穿透”地表覆盖层，为探测导致地壳变薄或引力异常区（mascons）的大型撞击结构提供了清晰的物理特征[16]，使其成为探测隐藏陨石坑的强大工具。然而，它们的空间分辨率（通常为公里级）远低于地形数据，因此无法解析小尺度特征。

本研究的核心假设是，将DEM的地表形态信息与重力场的地下特征信息结合起来，可以比单独使用任何一种数据类型更完整地检测月球撞击坑，特别是对于那些缺乏明显地形表现的隐藏或退化陨石坑。为了定量评估这种互补性，并证明联合解释地表和地下特征可以改善不同地质地形中撞击坑的普查——从而为月球撞击历史和地下结构提供新的见解——我们旨在开发一种智能方法，该方法融合了DEM衍生的形态信息与重力场衍生的地下约束，并具备多尺度特征学习能力。这一目标代表了月球陨石坑研究的前沿。因此，我们提出了一种结合了局部特征提取和全局上下文意识的混合ResNet + ViT网络。包括精确度比较、互补性分析和多区域测试在内的全面实验，证明了所提出方法的优越性、有效性和实用性。

**2. 数据与方法**

**2.1. 数据来源与数据预处理**
**2.1.1. 数据来源**
我们使用了两种数据来源：数字高程模型（DEM）数据和重力数据，它们构成了强大的互补。DEM在解析地表形态方面表现出色，而重力数据则可以探测深层结构，从而实现对所有尺度和保存状态的撞击坑进行更全面的普查。具体描述如下：
（1）DEM数据
DEM数据来源于一个公开的全月球高程数据集（Zenodo）。该数据集结合了月球勘测轨道器激光测高仪的高度测量数据和 Kaguya 地形相机的立体摄影测量数据，提供了从南纬60°到北纬60°的无缝覆盖，分辨率为约60米/像素（赤道处每度512像素）。通过捕捉真实的三维地形，该数据集规避了光学图像中固有的光照伪影（图1）。
图1. 月球DEM地图（中纬度地区示例）。阴影地形表示突出了地表起伏。

（2）重力数据
重力数据来源于重力恢复与内部实验室（GRAIL）任务发布的GRGM900C模型（扩展到球谐度数和阶数为1500）。重力数据的空间分辨率为3公里。通过球谐合成计算了布格重力异常值，以突出显示浅层地壳密度变化引起的重力效应（图2）。为了增强线性结构和边界的特征，我们还计算了布格异常的总水平梯度和分析信号幅度。这三种重力数据被叠加形成了一个三通道输入数据体。
图2. 月球布格重力地图（中纬度地区示例）。以伪彩色呈现，颜色代表重力异常的幅度。

**2.1.2. 数据预处理**
认识到地形和重力数据捕获的不同形态尺度，我们分别为DEM数据和重力异常数据构建了独立的数据库以训练我们的深度学习模型：
（1）DEM数据集
为了在减少可视化引起的特征损失的同时保持真实的数值关系——这是DEM分析中的一个已知问题[11]——我们对随机裁剪的正射投影方形区域应用了线性对比度拉伸。这种方法在保持辐射度保真的同时最小化了图像失真。标签掩码是通过将单像素陨石坑轮廓转换为填充圆圈来生成的，代表了每个陨石坑的完整面积范围（背景：0，陨石坑：1）。这一过程产生了30,000对图像-标签对。

（2）重力异常数据集
提取了南纬60°至北纬60°范围内的三通道重力数据矩阵。由于重力异常本质上的分辨率较低且特征尺度较大，我们采用了更大的样本尺寸（512 × 512像素），以确保每个样本具有足够的上下文信息。陨石坑标签是通过专家手动解释直接在重力数据上标注的，非重叠（值=1）和部分重叠（值=2）的陨石坑被赋予了不同的标签，以捕捉复杂的空间关系。这最终形成了一个包含3000个样本的预处理数据集。

为了验证使用重力异常数据进行陨石坑识别的地质合理性，我们在代表性区域进行了比较分析。如图3所示，将DEM阴影图与布格重力异常图叠加后，显示出高度的空间相关性。大多数显著的重力异常闭合（高点或低点）与DEM中清晰可见的陨石坑位置完全对齐。这种对应关系证实了重力数据中的环状特征有效地反映了地表附近的撞击结构，为利用重力数据识别陨石坑提供了可靠的地球物理依据，特别是那些在DEM中被遮挡或不可见的陨石坑。
图3. 某区域的重力异常与DEM数据中的撞击坑对比。（a）重力异常；（b）DEM数据。图中，高亮的等高线用于清晰指示DEM地图上明显撞击坑与重力异常图中相应圆形异常之间的空间对应关系。

**2.1.3. 数据集质量控制和分割策略**
为了解决不同数据模态在标签生成上的潜在异质性，我们进行了额外的质量控制和文档整理：
对于DEM数据集，虽然标签是通过将轮廓转换为填充圆圈自动生成的，但我们随机抽取了500个标签并与专家重新标注的结果进行了比较；一致性率达到96.7%，证明了自动程序的可靠性。对于重力数据集，我们使用相同的填充圆圈格式独立标注了500个样本。使用Fleiss’kappa指标评估了不同注释者之间的共识度，得分为0.82，表明了一致性较高。

为了防止数据泄露并确保泛化能力，我们根据地理坐标采用了空间分离的训练/验证/测试分割方法。具体来说，将月球区域从南纬60°到北纬60°划分为不重叠的纬度-经度块（每个块30° × 30°）。来自不同块的样本被专门分配到三个子集中，确保没有两个子集包含来自空间相邻或重叠区域的样本。最终的分割比例为70%用于训练，15%用于验证，15%用于测试。这种空间分离保证了模型在之前未见区域的性能评估，避免了由于空间自相关性导致的乐观偏差。

不同数据集的大小（30,000个DEM样本对比3,000个重力样本）反映了每种数据模态的固有分辨率和多样性。DEM提供了细粒度的地形信息，包含大量小陨石坑，而重力异常数据捕捉了更广泛的地下结构，具有较少但规模较大的特征。尽管存在数量上的差异，这两个数据集都足以各自独立地进行训练而不会过拟合。重力数据集较小的样本量反映了具有明显重力特征的大型隐藏撞击结构的固有稀缺性，并非人为限制。由于两个分支是独立训练的，没有共享参数或联合损失，这种差异不会影响模型的平衡或导致跨模态干扰。

**2.2. 网络架构设计**
所提出的混合网络架构协同整合了卷积神经网络和Transformer，以利用它们在局部特征提取和全局依赖关系建模方面的互补优势。具体而言，采用残差块（ResNets）来捕捉细粒度的纹理和形态模式，而视觉变换器（ViT）模块则模拟长范围的空间关系。U-Net风格的跳跃连接被用来融合多尺度特征，实现从局部细节到全局上下文的协同感知。

**2.2.1. 基础框架：带残差块的U-Net**
我们采用U-Net作为基础编码器-解码器结构[17]。编码器（收缩路径）负责捕获上下文信息，其中采用了深度残差网络模块（ResNet）代替了标准的卷积块[18]。ResNet的身份快捷连接有效地缓解了深度网络中的梯度消失/爆炸问题，使得设计更深层次的架构以学习更丰富的特征层次成为可能。解码器负责精确定位，通过转置卷积或插值逐步恢复空间分辨率，并通过跳跃连接将高级语义信息与低级空间细节合并。

**2.2.2. 核心模块：通道和自注意力**
**通道注意力模块（Squeeze-and-Excitation Network, SENet）**：该模块位于每个残差块之后[19]。它基于“挤压和激励”原理运行：全局平均池化首先将每个特征通道中的全局空间信息压缩成一个通道描述符。两个全连接层构成的瓶颈结构用于建模通道之间的依赖性，以激发通道级别的权重向量。将这个权重向量与原始特征图相乘，可以执行通道级别的特征重校准，使网络能够自适应地强调有用特征并抑制不太有用的特征。ViT模块[20]被插入到编码器的末端（瓶颈处）。输出的特征图（大小为H × W × C）被划分为固定大小的块，每个块都被扁平化成一个向量。一个可训练的线性投影层将这些块映射到一系列嵌入向量中，并添加可学习的一维位置编码以保留空间信息。然后这个序列被输入到一个Transformer编码器层堆中。每一层都包含一个多头自注意力机制和一个前馈网络。自注意力机制允许序列中的任何位置直接与所有其他位置互动，计算注意力权重以在整个图像中建立长距离依赖性。这种能力对于理解大型陨石坑的整体环形形态、区分陨石坑内部和外部以及处理部分被遮挡或损坏的陨石坑至关重要。

2.2.3. 针对数据特征的定制设计
考虑到DEM和重力数据的不同特征和尺度，我们分别设计了两个不同的网络分支。对于DEM识别分支，输入大小为256 × 256。编码器采用相对较浅的ResNet-34来平衡特征提取能力和计算成本。在瓶颈处，集成了一个包含6个Transformer编码器的ViT模块。这旨在向网络注入适度的全局感知能力，而不会过度增加参数数量。由于重力特征更为复杂且显示出更大的尺度，编码器使用更深层次的ResNet-50来提取更高级的特征。在瓶颈处加入了包含12个Transformer编码器的ViT模块。这使网络具备更强的全局上下文建模和复杂模式识别能力，以应对诸如埋藏或重叠的陨石坑等具有挑战性的场景。我们框架中使用的完整ViT特定配置包括：patch_size = 16、num_layers = 12、num_heads = 12、embed_dim = 768、mlp_dim = 3072、drop_path_rate = 0.1和attention Dropout = 0.1。图4显示了重力异常数据的网络架构。图4中清晰地标出了输入大小（512 × 512）、编码器（ResNet-50 + SE模块）、瓶颈（具有12层的ViT）、解码器和跳跃连接以及输出。使用不同的图例或颜色来区分CNN层、SE模块、Transformer层、上采样层等。

2.2.4. 损失函数和训练策略
月球撞击坑在总像素中所占的比例极低，这在语义分割任务中造成了严重的前景-背景类别不平衡。使用标准的交叉熵损失会导致训练被大量的背景像素所主导，从而阻碍了对陨石坑类别的学习。为了解决这个问题，我们采用了Focal Loss[21]：
(1) 这里，是模型对真实类别的估计概率。是一个权重因子，用于平衡正类/负类的重要性，而（> 0）是一个聚焦参数。调节因子可以自动减少分类准确的事例（具有高值的容易样本）对总损失的贡献，迫使训练更加关注难以分类的样本（例如，小尺寸、边缘模糊或不规则形状的陨石坑）。我们设置。
模型使用Adam优化器进行训练，初始学习率为1 × 10^-4，并采用余弦退火学习率调度器。批量大小设置为8。网络权重使用Kaiming方法[22]进行初始化。所有实验都在单个NVIDIA GeForce RTX 3060（12 GB）GPU上进行。每个模型训练了大约100个 epoch，保留了在验证集上表现最佳的权重。

两个分支独立训练并生成各自的分割掩码（陨石坑概率图）。由于两种数据模态的固有分辨率不匹配和不同的物理意义，这些掩码在特征层不会合并。我们执行决策级别的逻辑合并来进行最终的陨石坑检测：如果任一分支以超过0.5的置信度预测某个像素为陨石坑，则该像素被视为陨石坑。这种基于合并的融合确保了来自任一模态的检测结果（例如，来自DEM的可见陨石坑或来自重力的埋藏陨石坑）得到保留，而不会引入跨模态特征对齐的伪影。

3. 结果与分析
3.1. 模型训练和性能指标
我们采用了交并比（IoU）及其平均值（mIoU）作为主要的评估指标。IoU衡量预测分割与真实注释之间的重叠程度。对于这种二元分类（陨石坑与非陨石坑），mIoU是前景（陨石坑）IoU和背景IoU的平均值，提供了对整体分割准确性的全面评估。为了评估分割性能，我们采用了交并比（IoU）及其平均值（mIoU）作为主要指标。IoU量化了预测区域和真实区域之间的重叠程度。对于这种二元分割任务（陨石坑与背景），mIoU是通过计算前景IoU和背景IoU的平均值来获得的，从而提供了对整体准确性的平衡衡量。
图5显示了DEM和重力数据分支训练过程中的损失和mIoU曲线。图5a表示DEM分支在不同训练周期内的训练损失和验证损失曲线，其中实线是真实损失曲线，虚线是平滑损失曲线。图5b表示DEM分支在验证集上的mIoU变化情况。如图5a和b所示，对于DEM分支，训练损失和验证损失都平稳下降并趋于收敛，而验证mIoU稳步上升，稳定在80%以上，表明没有过拟合。对于重力数据分支（如图5c和d所示），大约在45个周期后出现了过拟合的迹象，表现为验证损失上升同时训练损失下降。因此，保留了第45个周期的模型作为最佳模型，其验证mIoU达到了约82%。图5. 模型训练过程中的损失和mIoU曲线。(a) DEM分支在不同训练周期内的训练损失和验证损失曲线；(b) DEM分支在验证集上的mIoU曲线；(c) 重力分支在不同训练周期内的训练损失和验证损失曲线；(d) 重力分支在验证集上的mIoU曲线。为了定量评估每个提出组件的贡献，我们进行了系统的消融研究，结果列在表1中。以带有ResNet编码器的U-Net（U-ResNet）作为基线，DEM和重力数据的mIoU值分别为74.3%和75.2%。依次加入挤压-兴奋（SE）通道注意力模块、Focal Loss函数和视觉Transformer（ViT）模块后，性能得到了持续且显著的提升。完整模型（U-ResNet + SE + Focal Loss + ViT）在mIoU上分别比基线提高了7.0%和7.4个百分点。这项消融研究明确表明：(1) 通道注意力机制有效增强了特征质量；(2) Focal Loss通过专注于难分类的样本成功地减轻了类别不平衡；(3) 自注意力机制通过引入全局上下文信息，显著改进了模型对陨石坑整体结构的理解，这对于提高不同尺度的检测性能至关重要。
表1. 系统消融测试的结果。

3.2. 与最先进方法的比较
我们将我们的完整模型（ResNet + ViT）与该领域广泛使用的语义分割网络进行了比较，包括标准的U-Net及其几个高性能变体：Attention U-Net、R2U-Net和Dense U-Net[23,24,25]。性能使用相同的测试数据集和标准指标（召回率和精度）进行了评估。表2中的比较结果显示，我们的方法达到了最高的精度（89.48%）。这意味着在我们模型预测为陨石坑的所有像素中，最高比例是真正的陨石坑，从而实现了最低的假阳性率。尽管召回率（79.3%）不是最高的比例，但异常高的精度表明我们的模型采用了高精度检测策略。它优先考虑可靠性，确保了预测的高置信度，同时仍然识别出了大量的真实陨石坑。在所有比较方法中最高的F1分数（84.1%）证明了我们的模型在精度和召回率之间取得了最佳平衡。这一结果证实了我们的高精度策略在最小化假阳性的同时，成功保持了识别真实陨石坑的强大能力，使得该模型在假阳性代价较高的任务中特别可靠。
表2. 不同网络架构的识别结果比较。图6显示了陨石坑检测结果的视觉对比。选择了一个包含各种尺度撞击坑的复杂测试区域。如图所示，(a)代表原始的DEM测试图像（背景参考），(b)代表手动标注的真实标签（Ground Truth），(c)代表U-Net的预测结果，(d)代表本文提出的完整模型的预测结果。在(c)和(d)中，使用不同颜色的圆圈或等高线来突出该方法比U-Net识别出的更多中小型和中型陨石坑，以及边缘更完整的的大型陨石坑。红色圆圈代表本文新识别的结果，白色圆圈代表由重力数据识别的结果，蓝色圆圈代表与标签一致的结果。

3.3. 双数据源互补性的分析
DEM和重力异常数据之间的固有物理差异赋予了它们各自的检测结果天然的互补性。我们在月球近侧的一个代表性区域进行了对比分析，包括了雨海的一部分（图7和图8）。图7a和图8a分别展示了研究区域的重力异常和DEM地图。图7b和图8b显示了来自重力异常和DEM模型的相应陨石坑检测结果。图7. 重力异常数据预测结果。(a) 重力数据样本；(b) 重力数据中的陨石坑识别结果。红色圆圈代表与标签不符的未识别撞击坑，紫色圆圈代表与标签相同的结果，黄色圆圈代表由重力数据识别的结果，白色圆圈代表埋藏的撞击坑。图8. DEM数据预测结果。(a) DEM数据样本；(b) DEM数据中的陨石坑识别结果。红色圆圈代表与标签不符的未识别撞击坑，蓝色圆圈代表与标签相同的结果，黄色圆圈代表由DEM数据识别的结果。DEM模型在清晰描绘所有尺度的可见陨石坑方面表现优异，并准确捕捉了它们的地形边界，尤其是在月球高地地区表现尤为突出。在地形平坦的雨海区域（图7a的中心区域），没有表面陨石坑的情况下，重力异常模型检测到了大型环形结构（图7b中的白色圆圈），这些结构对应于环形重力异常——与被较年轻的雨海玄武岩掩盖的埋藏撞击坑一致。结合这两种结果揭示了明显的协同作用：DEM映射了地表形态，而重力数据揭示了地下结构。这种综合的形式-物质检测策略显著扩展了可检测陨石坑的目录，为了解月海形成历史和撞击通量的演变提供了关键见解。**应用于代表性月球地形**
为了评估我们方法的普遍性和鲁棒性，我们在三个不同的月球区域进行了全面的检测测试，每个区域代表了具有独特地质背景和陨石坑分布的“热点”。图9展示了吴gang盆地区域的陨石坑检测结果。吴gang盆地位于月球背面，该区域以高密度的陨石坑、显著的叠加效应、侵蚀现象以及复杂的形态特征为特点。我们的模型成功检测到了大量陨石坑，包括吴gang盆地本身。对于清晰、孤立的陨石坑，模型的表现非常出色。而在那些陨石坑严重重叠和交织的极端复杂区域，模型偶尔会出现边界模糊或漏检的情况，这反映了语义分割框架在实现精确实例级分离方面面临的持续挑战。

图10展示了阿基米德陨石坑区域的陨石坑检测结果。阿基米德陨石坑位于雨海中，是一个保存良好、形态典型的复合型陨石坑。模型准确勾勒出了其主要边缘，并识别出了内部次级结构。此外，在有利条件下，模型还检测到了周围分布较少的次级陨石坑，展现了高精度性能。

图11展示了莫斯科海区域的陨石坑检测结果。这个月球背面的海区呈现出相对平坦的地形背景，散布着不同规模和形态的陨石坑。结果表明，该模型能够在海区背景下有效检测陨石坑，且能够覆盖多种尺寸范围。值得注意的是，通过重力数据检测到的信息暗示了潜在的浅层或被遮挡的地下结构，这些结构仅通过地表地形是无法发现的。

**4. 讨论与结论**
本研究提出了一个集成深度学习框架，用于智能检测月球撞击坑，利用了数字高程模型和重力异常数据之间的互补信息。在方法论上，我们设计了一种结合卷积神经网络和视觉变换器（ResNet + ViT）的混合网络架构，有效捕获了局部纹理特征和全局上下文关联。为了解决陨石坑检测中的类别不平衡问题（即非陨石坑像素的数量远多于陨石坑区域），我们采用了具有动态聚焦参数的Focal Loss函数，显著提高了学习效率和分割性能。定量评估表明，所提出的方法达到了最先进的分割准确度，在DEM测试数据上的mIoU达81.3%，在重力异常测试数据上的mIoU达82.6%。对比实验表明，我们的方法优于U-Net及其主流变体，精度达到89.48%，同时具有更高的检测完整性。消融研究证实了各个架构组件的贡献，而多尺度分析验证了模型对不同大小陨石坑的适应性。

本研究的一个核心发现是系统地展示了DEM数据与重力数据在陨石坑检测中的互补性。DEM数据擅长映射地表暴露的陨石坑及其清晰的地形特征，而重力异常数据则揭示了被后续地质过程（如雨海玄武岩填充古代撞击盆地）遮盖的地下结构。然而，需要认识到Bouguer重力场与撞击坑之间并没有经过验证的一致相关性；等静力补偿和其他与撞击无关的地下密度变化也可能产生重力异常。这一因素在当前研究中并未被明确建模，但解释了观察到的80-90%的检测效果，而非完美准确率。

此外，正如吴gang盆地区域所示，所提出的语义分割框架在处理高度重叠或嵌套的陨石坑群时存在固有限制，偶尔会出现边界模糊或漏检的情况。这个问题源于类似U-Net的架构基于像素级别的分类方式，缺乏明确的实例级推理能力。未来的工作可以通过引入实例分割方法或轮廓细化模块来解决这一问题。

该框架原则上可以推广到其他具有高分辨率地形数据和重力异常数据的类地行星。对于火星，可以利用MGS/MOLA DEM和现有的高分辨率重力模型（GMM3）来检测北部低地或火山省下的埋藏撞击结构。对于水星，MESSENGER的MLA地形数据和重力场也提供了类似的应用机会。直接应用需要针对特定行星重新训练带有标签的陨石坑目录，因为陨石坑的形态和重力特征会随行星的重力和地壳属性而变化。尽管如此，该框架为整个太阳系的多模态陨石坑检测提供了一个起点。