[论文解读] Data-driven framework for real-time thermospheric density estimation

Piyush M. Mehta, Richard Linares|arXiv (Cornell University)|Aug 17, 2018

Ionosphere and magnetosphere dynamics参考文献 13被引用 3

一句话总结

本文提出一种数据驱动的、实时的热层密度估计框架，采用拟物理降阶模型（ROM）并结合模型-数据融合实现动态校准。通过仅从5分钟分辨率的GPS轨道星历中估计少量ROM系数，该方法在轨道预报中显著降低了误差，相比经验模型实现了更高精度的密度预测。

ABSTRACT

In this paper, we demonstrate a new data-driven framework for real-time neutral density estimation via model-data fusion in quasi-physical ionosphere-thermosphere models. The framework has two main components: (i) the development of a quasi-physical dynamic reduced order model (ROM) that uses a linear approximation of the underlying dynamics and effect of the drivers, and (ii) dynamic calibration of the ROM through estimation of the ROM coefficients that represent the model parameters. We have previously demonstrated the development of a quasi-physical ROM using simulation output from a physical model and assimilation of non-operational density estimates derived from accelerometer measurements along a single orbit. In this paper, we demonstrate the potential of the framework for use with operational measurements. We use simulated GPS-derived orbit ephemerides with 5 minute resolution as measurements. The framework is a first of its kind, simple yet robust and accurate method with high potential for providing real-time operational updates to the state of the upper atmosphere using quasi-physical models with inherent forecasting/predictive capabilities.

研究动机与目标

• 为低地球轨道（LEO）中的大气阻力不确定性问题提供解决方案，以应对空间态势感知（SSA）与空间交通管理（STM）中的关键挑战。
• 开发一种计算高效、具备预测能力的热层密度模型，以克服经验模型和高维物理模型的局限性。
• 利用实际运行的GPS轨道测量数据，实现实时动态校准拟物理ROM。
• 通过融合实时轨道数据与保留预报能力的ROM，降低轨道预测误差。

提出的方法

• 该框架采用基于12年TIE-GCM物理模型模拟数据的降阶模型（ROM），利用带控制的动态模态分解（DMDc）方法构建。
• ROM被表述为热层动力学的线性近似，其参数由一组少量系数表示，代表模型参数。
• 通过将顺序估计方法应用于5分钟分辨率的GPS轨道星历数据，实现实时估计ROM系数，从而实现模型-数据融合。
• 该方法避免全状态估计，转而聚焦于模型参数的校准，从而提升鲁棒性与可扩展性。
• 该框架假设以5分钟间隔连续获得GPS测量数据，性能评估基于此理想化数据可用性假设。
• 通过将估计过程中的误差协方差投影到卫星高度的密度场，实现不确定性量化。

实验结果

研究问题

• RQ1 能否利用实际运行的GPS轨道测量数据，实现实时动态校准热层的降阶模型？
• RQ2 经校准的ROM在轨道预测中的预测精度与MSIS等经验模型相比如何？
• RQ3 仅使用10条空间分布的轨道数据对密度估计与不确定性量化精度和稳定性有何影响？
• RQ4 与标准经验模型相比，该框架在多大程度上减少了轨道预测误差？
• RQ5 该框架在显著降低计算成本与状态维度的同时，如何保持预测能力？

主要发现

• 使用校准ROM后，72小时后的轨道预测误差从MSIS模型的1000公里以上降低至6公里以下。
• 72小时后的最小轨道预测误差约为6公里，而120小时后的最大误差从1000公里以上降至约30公里。
• 仅需10条5分钟分辨率的GPS数据轨道，该框架即可实现高精度密度预报，展现出极高的数据效率。
• 所有模拟轨道中，密度估计的不确定性均保持有界且可量化，且随时间逐渐增加。
• 该方法在长期轨道预测中显著优于MSIS经验模型，尤其对低高度及高球形系数（BC）物体表现更优。
• ROM系数的动态校准实现了计算开销极小的鲁棒实时更新，适用于实际SSA/STM系统。