[论文解读] Characterization of LEO Satellites With All-Sky Photometric Signatures

Harrison Krantz, Eric C. Pearce+1 more|arXiv (Cornell University)|Oct 6, 2022

Economic Growth and Productivity被引用 4

一句话总结

本文提出了一种新颖的全天球测光特征方法，用于利用有效反照率（基于超过14,000次星链（Starlink）和OneWeb卫星观测数据导出的、经距离和相位角校正的亮度度量）对近地轨道（LEO）卫星进行表征。该方法可实现高精度的卫星群体区分、异常检测与识别，即使仅依赖每颗卫星的一次观测，也适用于机器学习，为不断增长的巨型星座提供了可扩展的、无需先验知识的解决方案。

ABSTRACT

We present novel techniques and methodology for unresolved photometric characterization of low-Earth Orbit (LEO) satellites. With the Pomenis LEO Satellite Photometric Survey our team has made over 14,000 observations of Starlink and OneWeb satellites to measure their apparent brightness. From the apparent brightness of each satellite, we calculate a new metric: the effective albedo, which quantifies the specularity of the reflecting satellite. Unlike stellar magnitude units, the effective albedo accounts for apparent range and phase angle and enables direct comparison of different satellites. Mapping the effective albedo from multiple observations across the sky produces an all-sky photometric signature which is distinct for each population of satellites, including the various sub-models of Starlink satellites. Space Situational Awareness (SSA) practitioners can use all-sky photometric signatures to differentiate populations of satellites, compare their reflection characteristics, identify unknown satellites, and find anomalous members. To test the efficacy of all-sky signatures for satellite identification, we applied a machine learning classifier algorithm which correctly identified the majority of satellites based solely on the effective albedo metric and with as few as one observation per individual satellite. Our new method of LEO satellite photometric characterization requires no prior knowledge of the satellite's properties and is readily scalable to large numbers of satellites such as those expected with developing communications mega-constellations.

研究动机与目标

• 开发一种可扩展的、无需先验知识的近地轨道（LEO）卫星表征方法，无需依赖轨道或物理数据。
• 解决在巨型星座中识别和区分大量卫星的挑战。
• 使空间态势感知（SSA）从业者能够仅通过测光数据检测异常并分类未知卫星。
• 创建一种标准化度量——有效反照率——以考虑视距离和相位角，实现卫星之间的直接比较。
• 通过在真实世界中对星链（Starlink）和OneWeb卫星的测光观测数据进行机器学习验证该方法的有效性。

提出的方法

• 作者利用Pomenis近地轨道卫星测光调查（Pomenis LEO Satellite Photometric Survey）收集了超过14,000次近地轨道卫星的测光观测数据。
• 提出了有效反照率度量，通过距离和相位角对表观亮度进行归一化，以量化镜面反射特性。
• 将有效反照率值映射至全天球，生成每类卫星群体独特的全天球测光特征。
• 该方法不依赖卫星设计、轨道或姿态的任何先验知识，完全基于测光数据。
• 使用有效反照率数据训练了机器学习分类器，仅凭每颗卫星一次观测即可识别其身份。
• 全天球特征使不同卫星型号之间的反射特性比较成为可能，并可检测异常行为。

实验结果

研究问题

• RQ1 有效反照率能否作为稳健的、经距离和相位角校正的度量，用于比较近地轨道（LEO）卫星的测光特性？
• RQ2 全天球测光特征在多大程度上能够区分星链（Starlink）和OneWeb等卫星星座？
• RQ3 机器学习能否仅基于单次观测的有效反照率数据准确识别单颗卫星？
• RQ4 该全天球特征方法在检测群体中异常或未知卫星方面的有效性如何？
• RQ5 该方法能否在无需任何卫星先验信息的前提下，扩展至未来巨型星座中数千颗卫星的规模？

主要发现

• 有效反照率度量成功地对不同距离和相位角下的亮度进行了归一化，使卫星反射特性的直接比较成为可能。
• 不同卫星群体（包括星链（Starlink）卫星的子型号）的全天球测光特征被证实具有显著差异。
• 仅使用有效反照率度量和每颗卫星最少一次观测，机器学习分类器即实现了高精度的卫星识别。
• 该方法在识别未知卫星和检测群体中异常成员方面表现出色。
• 该方法具备可扩展性，且无需任何卫星特性的先验知识，适用于监测大规模且不断演化的卫星星座。
• 该技术可实现空间态势感知中对近地轨道（LEO）卫星编队的实时跟踪与表征的实用化应用。