Analyzing Data Quality and Decay in Mega-Constellations: A Physics-Informed Machine Learning Approach
Katarina Dyreby, Francisco Caldas, Cláudia Soares
在大型星座时代,对准确和公开的信息的需求已成为卫星运营商保障航天器和低地球轨道(LEO)空间环境安全的基础。 这项研究批判性地评估了LEO大型星座 - Starlink的公开可用短暂数据的准确性和可靠性。 这项工作的目标是双重的:(一)比较和分析数据的质量与高精度数值传播。(二)利用物理知情机器学习在衰变过程中提取相关的卫星数量,如非保守力。 通过分析大约1500颗Starlink卫星的两个月的真实轨道数据,我们确定了高精度数值算法与已发表的星形体之间的差异,认识到在固定阈值下使用简化的动力学,计划机动以及不确定性传播的限制。 此外,我们比较从多个来源获得的数据,以跟踪和分析同期的脱轨卫星。 经验上,我们在脱轨过程中提取卫星的加速剖面,并提供与非保守力量在重返大气层期间的影响相关的见解。 对于非偏离轨道的卫星,根均方误差(RMSE)约为300米,而对于脱轨卫星,它增加到约600米。 通过这种深入分析,我们强调了公开数据中的潜在局限性,以实现准确和强大的空间态势感知(SSA),重要的是,我们提出了一个数据驱动的卫星衰减模型。
In the era of mega-constellations, the need for accurate and publicly available information has become fundamental for satellite operators to guarantee the safety of spacecrafts and the Low Earth Orbit (LEO) space environment. This study critically evaluates the accuracy and reliability of publicly available ephemeris data for a LEO mega-constellation - Starlink. The goal of this work is twofold: (i) compare and analyze the quality of the data against high-precision numerical propagation. (ii) L...