考虑大气密度不确定性的空间物体状态预测的高级集成建模方法
摘要：大气密度估计的不确定性是低地球轨道区域物体轨道预测误差的重要来源，而轨道预测误差对于卫星交会分析等空间态势感知活动至关重要。本文研究了在存在大气密度不确定性的情况下轨道误差分布的演变，其中大气密度的不确定性通过概率机器学习技术进行建模。本工作使用了最近提出的HASDM-ML、CHAMP-ML和MSIS-UQ大气密度估计的机器学习模型。由于大气密度的空间和时间相关性，这个研究变得复杂。我们开发了几种蒙特卡洛方法，每种方法捕捉一种不同的时空密度相关性，以研究密度不确定性对轨道不确定性的传播效应。然而，蒙特卡洛分析在计算上是昂贵的，因此还探索了一种基于卡尔曼滤波技术的更快方法用于轨道不确定性传播。在标准的扩展卡尔曼滤波器或无标卡尔曼滤波器框架下，将大气密度的不确定性转化为轨道状态的不确定性是困难的。本文使用了所谓的考虑协方差sigma点（CCSP）滤波器，可以在轨道传播过程中考虑密度的不确定性。作为验证目的的测试平台，对CCSP和蒙特卡洛方法进行了轨道不确定性传播的比较。最后，利用HASDM-ML、CHAMP-ML和MSIS-UQ密度模型，我们提出了一种针对四种不同空间天气条件的轨道不确定性量化的集成方法。
作者：Smriti Nandan Paul, Richard J. Licata, Piyush M. Mehta
论文ID：2210.16992
分类：Space Physics
分类简称：physics.space-ph
提交时间：2022-11-01