Satellietbeelden zijn een cruciaal aspect van het moderne leven. Bijvoorbeeld, schattingen van gewasgroei en opbrengst zijn gedeeltelijk afgeleid van satellietbeelden; hetzelfde, luchtkwaliteit, ontbossing, en, natuurlijk, het weer. Satellietbeeldvorming vereist goede hardware, als een grote spiegel op de telescoop, een grote sensor met veel pixels, en een leuke, stabiel platform, zoals de geostationaire operationele omgevingssatellieten-R (GOES-R).

Wat niet zo duidelijk is, is de softwarekant. Om een ​​weersysteem te volgen, bijvoorbeeld, satellietbeelden moeten worden uitgelijnd. Het bolvormige oppervlak van de aarde is in kaart gebracht op een plat vlak met een vast raster, en elke pixel in een satellietbeeld moet overeenkomen met een bekende rasterpositie.

Het is gewoon een trig-probleem, Rechtsaf?

Op het eerste gezicht, dit lijkt een relatief eenvoudig probleem:gegeven een pagina met trigonometrie en een gewillige stagiair, het probleem is opgelost, Rechtsaf? We zullen, Nee. Het blijkt een heel moeilijk probleem te zijn, vooral als u specifiekere informatie wenst dan "niet meer in Kansas". In een recente publicatie in de SPIE Journal of Applied Remote Sensing, Bruce Gibbs van Carr Astronautics richtte zijn aandacht op het vergroten van de nauwkeurigheid van beeldvorming met GOES-R. Het komt niet vaak voor dat filterontwerp centraal staat in onderzoek, maar dit is een van die gelegenheden.

Ook al zijn de GOES-satellieten geostationair, ze staan ​​niet stil, wat een probleem vormde voor het team dat verantwoordelijk was voor de geavanceerde baseline imager (ABI). De satellietpositie, de richting van de satelliet, en de spiegel van de ABI verschuift voortdurend. Dit laatste is vooral lastig wanneer de aarde de zon verduistert, waardoor de spiegel snel kan afkoelen.

Om het in perspectief te plaatsen, de ABI zou een resolutie van 0,5 km moeten hebben voor afbeeldingen met zichtbaar licht. Maar, een geostationaire baan is ongeveer 36, 000 km boven het aardoppervlak, wat betekent dat de oriëntatie nauwkeuriger bekend moet zijn dan 0,0008 graden. Om dit te behalen, de sterren worden gebruikt om de oriëntatie te bepalen. De ABI maakt een foto van een sterrenveld en gebruikt de posities van de sterren uit een catalogus, in combinatie met eigen oriëntatiesensoren, om de exacte positie en oriëntatie met hoge nauwkeurigheid te bepalen. Deze informatie wordt vervolgens gebruikt om afbeeldingen uit te lijnen.

Echter, aan alle metingen is ruis verbonden. Om de filterruis te verminderen, instrument- en satellietontwerpers gebruikten de verwachte operationele parameters van de apparatuur om een ​​voorgeprogrammeerd Kalman-filter te creëren. Helaas, de prestaties van het filter waren teleurstellend.

Geen filter voor angsthazen

In dit geval, een model van de satellietbeweging, rotatie en spiegelvervorming wordt gebruikt om een ​​nieuwe oriëntatie en positie van de satelliet te schatten, gebaseerd op de laatst bekende positie en oriëntatie. Metingen worden ook gebruikt om de positie en oriëntatie te schatten. De geschatte positie en de meetgegevens worden gemiddeld om een ​​nauwkeurigere schatting van de positie en oriëntatie te maken. Deze nieuwe positie wordt input voor de volgende schatting.

De magie zit hem in de manier waarop de meetgegevens en de modelgegevens worden gemiddeld. Dit is geen eenvoudig proces, met een dertigtal parameters die moeten worden aangepast. Dus, het Kalman-filter, zoals geleverd, presteerde niet zoals verwacht. Echter, de meer onaangename verrassing was dat het handmatig afstellen van het filter ook niet werkte. Uiteindelijk, er werd vastgesteld dat de filterparameters on-the-fly moesten worden bepaald in plaats van een vaste (maar regelmatig bijgewerkte) parameterset te gebruiken.

Het resultaat is een Kalman-filter dat via een statistisch minimaliseringsproces bepaalt hoe model- en meetgegevens worden gecombineerd. De minimalisatie wordt bereikt door de correlatie te onderzoeken (meer precies, de covariantie) in de ruis tussen de parameters. Een geoptimaliseerde parameterset minimaliseert de covariantie (wat betekent dat de filterparameters maximaal onafhankelijk van elkaar zijn). Vandaar, een zeer moeilijke, multidimensionaal probleem werd teruggebracht tot een opeenvolging van een- of tweedimensionale minimaliseringsprocedures.

Als je de twee filters vergelijkt, Gibbs toonde aan dat de oriëntatieruis met 40 tot 50 procent was verminderd tot ongeveer 0,0002 graden. Het bewijs, echter, zit in de beeldgegevens. Door het filter toe te passen op afbeeldingen die in 2017 zijn verkregen, Gibbs kon de instrumentoperators overtuigen om het nieuwe filterontwerp over te nemen.