How long can you trust a Starlink TLE? An empirical comparison of SGP4 and high-fidelity propagation against operator-updated truth across a megaconstellation

Diese empirische Studie von über 24.000 Starlink-TLE-Paaren aus dem April 2026 zeigt, dass Positionsfehler einem über die Zeit wachsenden Potenzgesetz folgen, dass eine hochpräzise Propagation mit öffentlichen TLEs aufgrund von Operator-Epochen-Residuen und Modell-Alignments-Bias im Allgemeinen nicht besser abschneidet als das Standard-SGP4-Modell und dass die SGP4-Veraltetheit eine statistisch signifikante, aber nicht kalibrierte Korrelation mit dem Sonnenfluss bei spezifischen Höhen aufweist.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen vorherzusagen, wo sich ein bestimmtes Auto auf einer Autobahn in einer Stunde, drei Stunden oder einer Woche befinden wird. Sie haben zwei Werkzeuge zur Unterstützung:

1. Die „Offizielle Karte" (SGP4): Dies ist eine einfache, schnelle und weit verbreitete Methode, die die Regierung kostenlos bereitstellt. Sie ist vergleichbar mit einer Standard-GPS-App, die auf Basis durchschnittlicher Verkehrsmuster eine gute Schätzung liefert.
2. Die „Supercomputer-Simulation" (High-Fidelity): Dies ist eine komplexe, physikintensive Simulation, die jedes winzige Detail berücksichtigt: Luftwiderstand, die exakte Form des Autos, das Gewicht der Passagiere und sogar die Gravitationskraft des Mondes. Sie ist vergleichbar mit einer Windkanalsimulation eines Rennteams.

Die Studie stellt eine einfache Frage: Wenn Sie mit denselben Daten der „Offiziellen Karte" beginnen, liefert die „Supercomputer-Simulation" tatsächlich eine bessere Vorhersage darüber, wo sich das Auto befinden wird?

Die Forscher untersuchten Tausende von SpaceX-Starlink-Satelliten (die wie eine massive Flotte von Autos in der niedrigen Erdumlaufbahn sind), um dies herauszufinden. Hier ist das Ergebnis, dargestellt mit einfachen Analogien:

1. Die „Frische"-Regel (Wie lange können Sie den Daten vertrauen?)

Die Studie ergab, dass die „Offizielle Karte" (SGP4) überraschend gut ist, aber nur für einen kurzen Zeitraum.

• Die Analogie: Betrachten Sie die Positionsdaten des Satelliten wie eine Wettervorhersage. Wenn Sie die Vorhersage vier Stunden nach ihrer Veröffentlichung prüfen, ist sie in der Regel genau. Versuchen Sie jedoch, dieselbe Vorhersage zu nutzen, um das Wetter sieben Tage im Voraus vorherzusagen, wird sie nutzlos.
• Das Ergebnis: Für Starlink ist die „Offizielle Karte" etwa 4 bis 6 Stunden zuverlässig. Danach beginnt der Fehler zu wachsen. Am siebten Tag könnte sich der Satellit zig Kilometer von der Position entfernt befinden, die die Karte angibt. Die Forscher stellten fest, dass dieser Fehler in einem vorhersagbaren Muster wächst (wie ein Potenzgesetz), was bedeutet, dass sie mathematisch abschätzen können, wie „veraltet" die Daten sind, basierend darauf, wie lange es her ist, dass sie zuletzt aktualisiert wurden.

2. Die „Supercomputer"-Überraschung (Hilft mehr Detail?)

Man könnte denken, die „Supercomputer-Simulation" (High-Fidelity) würde immer gewinnen, weil sie mehr Physik kennt. Das tat sie nicht.

• Die Analogie: Stellen Sie sich vor, Sie versuchen zu erraten, wo ein Läufer in 10 Minuten sein wird.
  • Werkzeug A (SGP4): Sie verwenden eine einfache Regel: „Sie läuft mit 16 km/h."
  • Werkzeug B (Supercomputer): Sie verwenden ein komplexes Modell, das Wind, Schuhreibung und Muskelermüdung berücksichtigt, aber Sie müssen die Startgeschwindigkeit des Läufers anhand eines unscharfen Fotos schätzen.
  • Das Ergebnis: Da das Startfoto (die öffentlichen Daten) unscharf war, begann Ihr komplexes Modell mit der falschen Geschwindigkeit. Die einfache Regel (SGP4) funktionierte tatsächlich besser, weil sie auf dasselbe unscharfe Foto „kalibriert" war. Das komplexe Modell versuchte, mit dem falschen Ausgangspunkt zu klüger zu sein, und landete weiter vom Kurs ab.
• Das Ergebnis: Für die meisten Satelliten und die meisten Zeiträume war die einfache „Offizielle Karte" (SGP4) genauer als die komplexe Simulation. Die komplexe Simulation gewann nur in einem spezifischen Fall: bei den neuesten, größten Satelliten (v2-mini) nach langer Zeit (3–7 Tage). In diesem spezifischen Szenario versagte die einfache Karte so sehr, dass selbst ein leicht fehlerhaftes komplexes Modell besser abschneiden konnte.

3. Das „Richtungs"-Problem (Wo tritt der Fehler auf?)

Die Studie untersuchte, wo die Satelliten falsch lagen.

• Die Analogie: Stellen Sie sich den Satelliten wie einen Zug auf einem Gleis vor. Der Fehler tritt fast nie dadurch auf, dass der Zug die Gleise verlässt (seitwärts) oder in den Himmel fliegt (hoch/runter). Der Fehler entsteht fast ausschließlich dadurch, dass der Zug zu früh oder zu spät auf dem Gleis ist.
• Das Ergebnis: Die Satelliten befanden sich fast immer in der richtigen „Spur", waren aber in ihrer Zeitmessung um Sekunden oder Minuten versetzt. Dies liegt daran, dass die größte Fehlerquelle der atmosphärische Widerstand (Luftwiderstand) ist, der den Satelliten entlang seines Pfades verlangsamt oder beschleunigt.

4. Die Verbindung zum „Sonnenwetter"

Die Forscher versuchten herauszufinden, ob solare Aktivität (Sonnenflecken und Sonneneruptionen) die Vorhersagen verschlechterte.

• Die Analogie: Betrachten Sie die Atmosphäre wie einen Schwamm. Wenn die Sonne aktiv ist, erwärmt sie den Schwamm, wodurch er sich ausdehnt und „dicker" wird (dichter). Dies lässt die Satelliten mehr Luftwiderstand spüren.
• Das Ergebnis: Sie fanden einen Hinweis darauf, dass die Vorhersagen bei höherer Sonnenaktivität leicht schlechter werden, aber die Daten waren nicht stark genug, um dies mit 100-prozentiger Sicherheit zu beweisen. Es ist wie das Erkennen eines Musters in den Wolken, ohne jedoch genügend Regen zu haben, um einen kommenden Sturm zu bestätigen.

Das Fazit für den Alltag

• Vertrauen Sie bei kurzfristigen Vorhersagen auf die einfache Karte: Wenn Sie wissen müssen, wo sich ein Starlink-Satellit in den nächsten Stunden befindet, reichen die kostenlosen, einfachen Daten (SGP4) aus.
• Komplizieren Sie es nicht unnötig: Es sei denn, Sie haben einen perfekten Ausgangspunkt (was die Öffentlichkeit nicht hat), hilft die Verwendung eines superkomplexen physikalischen Modells nicht. Tatsächlich verschlimmert es die Dinge oft, da es kleine Fehler in den Ausgangsdaten verstärkt.
• Achten Sie auf die „neuen" Satelliten: Die neuesten, größten Satelliten sind über längere Zeiträume mit der einfachen Karte schwerer zu verfolgen. Für diese spezifischen Modelle könnte ein komplexes Modell irgendwann besser sein, aber erst nach ein paar Tagen Wartezeit.

Kurz gesagt: Die Studie beweist, dass bei öffentlichen Daten „weniger mehr ist". Ein einfaches, gut abgestimmtes Modell schlägt oft ein komplexes, wenn die Ausgangsinformationen nicht perfekt sind. Die beste Strategie besteht darin, Ihre Daten häufig zu aktualisieren (alle paar Stunden), anstatt zu weit in die Zukunft vorherzusagen.

Technische Zusammenfassung

Technisches Fazit: Empirischer Vergleich von SGP4 und hochpräziser Bahnvorhersage für Starlink-TLEs

Problemstellung
Die Verbreitung von Mega-Konstellationen im erdnahen Orbit (LEO), insbesondere SpaceXs Starlink, hat den operationellen Kontext für Zwei-Linien-Elemente (TLE) verschoben. Während TLEs nach wie vor der de-facto-Standard für die akademische und kommerzielle Weltraumlageerfassung (SSA) sind, wird ihre Genauigkeit traditionell an älteren, spärlichen Datensätzen mit täglichen Aktualisierungsraten gemessen. Die Starlink-Konstellation veröffentlicht TLEs etwa sechsmal täglich, wodurch die Frage der „Veraltetheit" (staleness) von Wochen auf Stunden skaliert. Es besteht eine kritische Lücke im Verständnis, wie öffentliche TLEs über diese kurzen Zeithorizonte propagiert werden und ob hochpräzise numerische Propagatoren (z. B. GMAT) eine verbesserte Genauigkeit gegenüber dem Standard-SGP4-analytischen Modell bieten, wenn sie aus öffentlichen TLEs initialisiert werden, die inhärent Bahnbestimmungsresiduen (OD) enthalten.

Methodik
Die Studie führt eine groß angelegte empirische Durchmusterung von 24.641 TLE-Paaren über 501 Starlink-Satelliten innerhalb eines einmonatigen Zeitraums im April 2026 durch. Der Datensatz ist nach drei Höhen-Schalen (540, 550 und 560 km) und drei Plattformgenerationen (v1.0, v1.5 und v2-mini) geschichtet.

1. Datenerstellung: Start-TLEs werden einmal pro Satellit-Tag abgetastet. „Wahrheit" wird als der vom Betreiber anschließend veröffentlichte TLE (der „nächste-TLE") definiert, der zu seinem eigenen Epochendatum mit SGP4 ausgewertet wird. Diese „nächster-TLE-als-Wahrheit"-Methodik dient als Selbstkonsistenzprüfung gegen die interne Bahnbestimmung des Betreibers, wobei anerkannt wird, dass sie das Bahnbestimmungsresiduum zum Zielzeitpunkt einschließt.
2. Propagation: Jeder Start-TLE wird mit zwei Methoden bis zum Zielzeitpunkt ($t_j$) vorwärts propagiert:
   • SGP4: Das Standard-analytische Modell.
   • High-Fidelity (Hi-Fi): Nasa's General Mission Analysis Tool (GMAT), konfiguriert mit EGM2008 (70×70) Schwerkraft, NRLMSISE-00 atmosphärischem Widerstand, konischem Schatten-Sonnenstrahlungsdruck (SRP) und Dritt-Körper-Schwerkraft von Sonne und Mond.
3. Filterung: Paare werden gefiltert, um Intervalle auszuschließen, die Sprünge der großen Halbachse von mehr als 100 m enthalten, um sicherzustellen, dass die „Manöver-frei"-Annahme für den Vergleich gilt.
4. Analyse: Positionsfehler ($\|\Delta r\|$) werden gegenüber der Proxy-Wahrheit berechnet. Die Studie passt ein Potenzgesetz-Modell $\|\Delta r(\Delta t)\| \approx A \Delta t^k$ an, um das Fehlerwachstum zu charakterisieren. Zudem werden paarweise Vergleiche durchgeführt, um den Anteil der Fälle zu bestimmen, in denen Hi-Fi SGP4 übertrifft, und der Fehlerkoeffizient $A$ wird gegen den Sonnenfluss ($F_{10.7}$) regressiert.

Hauptergebnisse

1. Fehlerwachstumsdynamik (H1):

   • Der Positionsfehler folgt über alle Kohorten hinweg einem Potenzgesetz.
   • SGP4 v1.x: Zeigt sublineares Wachstum ($k \lesssim 1$) bei 540 und 560 km und ist bei 550 km ebenfalls sublinear, was auf eine Mischung aus mittlerer Bewegungs-Bias und konstanter Beschleunigung hindeutet.
   • Hi-Fi v1.x: Zeigt allgemein superlineares Wachstum ($k > 1$), was darauf hindeutet, dass nicht modellierte konstante Beschleunigung in Flugrichtung (wahrscheinlich widerstandsbezogen) das Fehlerbudget dominiert.
   • v2-mini-Kohorte: Zeigt superlineares Wachstum ($k \approx 1,3\text{--}1,4$) für beide Propagatoren, wobei der Hi-Fi-Arm bei langen Horizonten ($\Delta t \ge 3$ Tage) langsamer wächst als SGP4.
   • Größenordnung: Am 6-Stunden-Horizont beträgt der Medianfehler $\sim 1$ km (begrenzt durch das OD-Residuum-Floor). Nach 7 Tagen erreichen SGP4-Fehler $\sim 38$ km, während Hi-Fi-Fehler in der gepoolten v1.x-Kohorte $\sim 76$ km erreichen.

2. Propagator-Leistung (H2):

   • Allgemeines Ergebnis: Ein hochpräziser Propagator, der aus einem öffentlichen TLE initialisiert wird, verbessert den Median-Positionsfehler gegenüber SGP4 nicht bei keinem der abgetasteten Horizonte (6 h, 1 d, 3 d, 7 d). SGP4 gewinnt bei etwa 65–75 % der Paare.
   • Mechanismen: Dieses negative Ergebnis wird drei Faktoren zugeschrieben:
     1. Dominanz der OD-Residuen: Bei kurzen Horizonten wird der Fehler durch die anfängliche Zustandsunsicherheit des Betreibers dominiert, die beide Propagatoren betrifft.
     2. Kern-Ausrichtung: Die „Wahrheit" wird unter Verwendung von SGP4 konstruiert. SGP4-Vorhersagen profitieren von einer strukturellen Ausrichtung mit dieser Wahrheit (z. B. gemeinsame WGS-72-Konstanten, Brouwer-Mittelwerte), während Hi-Fi-Propagatoren unter einer dynamischen Referenzdiskrepanz leiden (TEME-zu-MJ2000Eq-Konversion und pseudo-oskulierende Anfangszustände).
     3. Raumfahrzeug-Eigenschafts-Bias: Hi-Fi-Propagatoren verlassen sich auf externe Schätzungen von Ballistik-Koeffizienten ($C_D A$). Fehler in diesen öffentlichen Schätzungen akkumulieren sich als integrierte Widerstandsfehler, während SGP4's $B^*$ direkt an die Tracking-Daten angepasst wird, die zur Generierung des TLE verwendet wurden.
   • Die Ausnahme: Die v2-mini-Kohorte bei langen Horizonten ($\Delta t \ge 3$ Tage) ist der einzige Bereich, in dem Hi-Fi bei einer Mehrheit der Paare SGP4 übertrifft (Gewinn bei $\sim 55\text{--}73\%$ der Paare nach 7 Tagen). Dies geschieht, weil der vom Betreiber angepasste $B^*$-Wert für die neueren v2-mini-Satelliten weniger stabil erscheint (superlineares Fehlerwachstum), wodurch die explizite Widerstandsmodellierung von Hi-Fi die SGP4-Näherung der mittleren Bewegung übertrifft.

3. Solare Modulation (H3):

   • Eine explorative Regression des SGP4-Veraltetheits-Koeffizienten gegen $F_{10.7}$ zeigt bei 560 km eine positive Steigung, die die konventionelle Signifikanzgrenze überschreitet, was mit thermosphärischen Dichtegradienten konsistent ist. Der 30-Tage-Zeitraum mäßiger solarer Aktivität begrenzt jedoch die statistische Power, und das Ergebnis wird als richtungskonsistent und nicht als kalibrierte Messung interpretiert.

Bedeutung und praktische Implikationen
Der Artikel bietet einen „Veraltetheits-Atlas" für öffentliche Starlink-TLEs und bietet Praktikern spezifische Fehlerbudgets ($A, k$), die nach Höhe und Generation geschichtet sind. Sein primärer Beitrag ist eine kontraintuitive operative Erkenntnis: Die Investition in hochpräzise Propagation aus öffentlichen TLE-Eingaben ist im Allgemeinen nicht vorteilhaft, es sei denn, der Nutzer verfügt auch über verbesserte Anfangszustände (z. B. aus interner Bahnbestimmung oder Tracking durch Dritte) oder prognostiziert spezifisch langfristige Trajektorien für die v2-mini-Generation.

Die Studie stellt fest, dass für die überwiegende Mehrheit der Anwendungsfälle die „Wahrheits-Konstruktions-Kern-Ausrichtung" von SGP4 und die Akkumulation von Unsicherheiten bezüglich Raumfahrzeugeigenschaften in Hi-Fi-Modellen die theoretischen Vorteile hochpräziser Kraftmodelle aufheben. Die bereitgestellten zellenweisen Potenzgesetz-Parameter dienen als Benchmark für zukünftige Forschung zu verbesserten Propagatoren (z. B. SGP4-XP oder differenzierbares SGP4) und als Basis für Unsicherheitspropagationsstudien im Rahmen von Kollisionsanalysen.

Einschränkungen
Die Analyse ist auf eine einzige Konstellation (Starlink), einen 30-Tage-Zeitraum mäßiger solarer Aktivität und die „nächster-TLE-als-Wahrheit"-Methodik beschränkt, was die Interpretation des absoluten Fehlers durch die OD-Residuen des Betreibers begrenzt. Der Widerstandsquerschnitt von v2-mini wird aus v1.x-Daten skaliert und nicht angepasst, was eine Modellannahme einführt, obwohl Sensitivitätstests darauf hindeuten, dass dies die Hauptfazit nicht verändert.