Las imágenes de satélite son un aspecto crucial de la vida moderna. Por ejemplo, las estimaciones de crecimiento y rendimiento de los cultivos se derivan parcialmente de imágenes de satélite; igualmente, calidad del aire, deforestación, y, por supuesto, el clima. Las imágenes por satélite requieren un buen hardware, como un gran espejo en el telescopio, un sensor grande con muchos píxeles, y un lindo plataforma estable, como los satélites ambientales operacionales geoestacionarios-R (GOES-R).

Lo que no es tan obvio es el lado del software. Para rastrear un sistema meteorológico, por ejemplo, las imágenes de satélite deben estar alineadas. La superficie esférica de la Tierra se asigna a un plano con una cuadrícula fija, y cada píxel de una imagen de satélite debe corresponder a una posición de cuadrícula conocida.

Es solo un problema de trigonometría ¿Derecha?

A primera vista, esto parece un problema relativamente simple:dada una página de trigonometría y un pasante dispuesto, el problema esta resuelto, ¿Derecha? Bien, no. Resulta ser un problema bastante complicado, especialmente si desea información más específica que "ya no está en Kansas". En una publicación reciente en el SPIE Revista de percepción remota aplicada, Bruce Gibbs de Carr Astronautics centró su atención en aumentar la precisión de las imágenes del GOES-R. No es frecuente que el diseño de filtros ocupe un lugar central en la investigación, pero esta es una de esas ocasiones.

Aunque los satélites GOES son geoestacionarios, no son estacionarios, lo que presentó un problema para el equipo a cargo del generador de imágenes de línea de base avanzado (ABI). La posición del satélite, la orientación del satélite, y el espejo del ABI cambia constantemente. Esto último es especialmente problemático cuando la Tierra eclipsa al sol, permitiendo que el espejo se enfríe rápidamente.

Para ponerlo en perspectiva Se supone que el ABI tiene una resolución de 0,5 km para imágenes que utilizan luz visible. Pero, una órbita geoestacionaria es de aproximadamente 36, 000 km sobre la superficie de la Tierra, lo que significa que la orientación debe conocerse con más precisión que 0,0008 grados. Lograr esto, las estrellas se utilizan para determinar la orientación. El ABI toma una fotografía de un campo de estrellas y usa las posiciones de las estrellas de un catálogo, en combinación con sus propios sensores de orientación, para determinar su posición y orientación exactas con alta precisión. Esta información se utiliza luego para alinear imágenes.

Sin embargo, todas las mediciones tienen ruido asociado. Para reducir el ruido del filtro, Los diseñadores de instrumentos y satélites utilizaron los parámetros operativos esperados del equipo para crear un filtro Kalman preprogramado. Desafortunadamente, el rendimiento del filtro fue decepcionante.

Sin filtro para los pusilánimes

En este caso, un modelo del movimiento del satélite, La rotación y la deformación del espejo se utilizan para estimar una nueva orientación y posición del satélite. basado en la última posición y orientación conocidas. Las mediciones también se utilizan para estimar la posición y la orientación. La posición estimada y los datos de medición se promedian para producir una estimación más precisa de la posición y la orientación. Esta nueva posición se convierte en entrada para la próxima estimación.

La magia está en cómo se promedian los datos de medición y los datos del modelo. Este no es un proceso sencillo, con unos 30 parámetros que requieren ajuste. Por lo tanto, el filtro de Kalman, tal como se suministra, no funcionó como se esperaba. Sin embargo, la sorpresa más desagradable fue que el ajuste manual del filtro tampoco funcionó. En el final, Se determinó que los parámetros del filtro tendrían que determinarse sobre la marcha en lugar de utilizar algún conjunto de parámetros fijo (pero actualizado periódicamente).

El resultado es un filtro de Kalman que determina cómo combina el modelo y los datos de medición a través de un proceso de minimización estadística. La minimización se logra examinando la correlación (más precisamente, la covarianza) en el ruido entre los parámetros. Un conjunto de parámetros optimizados minimizará la covarianza (lo que significa que los parámetros del filtro son máximamente independientes entre sí). Por eso, muy dificil El problema multidimensional se redujo a una secuencia de procedimientos de minimización unidimensionales o bidimensionales.

Comparando los dos filtros, Gibbs mostró que el ruido de orientación se redujo entre un 40 y un 50 por ciento hasta aproximadamente 0,0002 grados. La prueba, sin embargo, está en los datos de imágenes. Al aplicar el filtro a las imágenes obtenidas en 2017, Gibbs pudo convencer a los operadores de instrumentos para que adoptaran el nuevo diseño de filtro.