Dynamic Targeting of Satellite Observations Using Supplemental Geostationary Satellite Data and Hierarchical Planning

Deze studie toont aan dat het combineren van aanvullende gegevens van geostationaire satellieten met een hiërarchische planningsaanpak de prestaties van dynamische satellietwaarnemingssystemen aanzienlijk verbetert, met name bij het plannen van waarnemingen voor verspreide doelen.

De kern

Hoe een satelliet een slimme 'kijkbuis' krijgt om de aarde beter te scannen

Stel je voor dat je een satelliet bent die over de aarde vliegt. Je taak is om foto's te maken van interessante dingen, zoals stormen, vulkanen of drukke steden. Maar je hebt een groot probleem: je kunt maar heel weinig foto's maken. Je geheugen is vol, je batterij is beperkt, en je camera is niet overal tegelijk op te richten.

Dit is het probleem waar dit onderzoek over gaat. De wetenschappers hebben een slimme oplossing bedacht die werkt als een combinatie van een korte termijn-blik en een lange termijn-weerbericht.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. Het oude probleem: "Kijken door een koker"

Vroeger (en bij veel huidige satellieten) werkte het zo:
De satelliet heeft een kleine, goedkope camera aan de voorkant (de "lookahead-sensor"). Deze kijkt ongeveer 1 minuut vooruit.

• Het probleem: Stel je zit in een auto en je kunt maar 100 meter vooruit kijken. Als je ziet dat er een storm komt, kun je misschien nog net een foto maken. Maar als de storm pas over 20 minuten komt, weet je dat niet. Je kunt je camera niet van tevoren op de juiste plek zetten. Je moet wachten tot je er bijna boven bent, en dan is het vaak te laat of heb je je beperkte "foto's" al verspild aan saaie plekken.

2. De nieuwe oplossing: De "Geostationaire Super-Visie"

De auteurs van dit paper hebben een nieuw idee: Gebruik ook de data van andere satellieten.
Er zijn enorme satellieten die stil boven de aarde hangen (geostationair) en continu naar dezelfde plek kijken. Zij hebben een heel breed beeld van de komende uren.

• De analogie: Stel je voor dat je die satelliet bent. In plaats van alleen naar de 100 meter voor je te kijken (je eigen camera), krijg je ook een live-weerbericht van een vriend die op een hoge berg staat en de hele regio kan zien. Die vriend zegt: "Over 30 minuten komt er een enorme storm aan in het noorden, en over 45 minuten is het in het zuiden perfect weer."
• Het voordeel: Je weet nu wat er straks gaat gebeuren, niet alleen wat er nu gebeurt. Je kunt je camera alvast voorbereiden op die storm.

3. Het dilemma: Te veel informatie, te weinig tijd

Hier zit de twist. Als je die "vriend" (de geostationaire data) erbij haalt, krijg je een enorme hoeveelheid informatie over de komende 35 minuten.

• Het probleem: Als je probeert om voor die hele 35 minuten in één keer de perfecte foto-planning te maken, wordt de berekening zo complex dat je computer (die aan boord van de satelliet zit) het niet meer haalt. Het is alsof je probeert om voor een heel jaar lang elke dag je kleding te plannen, terwijl je maar 5 minuten tijd hebt om te beslissen wat je vandaag aan doet. De rekenkracht explodeert.

4. De slimme oplossing: Een hiërarchisch plan (De Architect en de Werkman)

Om dit op te lossen, hebben de onderzoekers een tweestaps-strategie bedacht, alsof je een bouwproject hebt:

• Stap 1: De Architect (Lange termijn planning)
  De "Architect" gebruikt de grote data van de vriend (de geostationaire satelliet). Hij kijkt naar de hele reis van 35 minuten en zegt: "Oké, we hebben 100 foto's. Laten we 40 foto's reserveren voor de storm in het noorden, 30 voor de stad in het midden, en 30 voor het rustige zuiden."

  • Dit is snel gedaan en geeft een goed globaal plan.

• Stap 2: De Werkman (Korte termijn uitvoering)
  De "Werkman" (de eigenlijke computer aan boord) krijgt dit plan. Hij kijkt nu alleen naar de laatste 100 meter (de eigen camera data). Hij zegt: "De architect zei dat we naar de storm moeten. Nu zie ik dat de wind net iets anders staat dan verwacht, dus ik pas mijn beweging nu direct aan om die perfecte foto te maken."

  • Hij gebruikt de lokale, actuele data om het grote plan perfect uit te voeren.

Wat hebben ze ontdekt?

Ze hebben dit getest in computersimulaties met vier verschillende scenario's:

1. Wolken vermijden: Foto's maken van de aarde zonder dat er wolken voor zijn.
2. Steden scannen: Foto's maken van drukke gebieden (waar veel mensen wonen).
3. Willekeurige doelen: Specifieke plekken vinden die willekeurig verspreid zijn.
4. Stormjacht: Het vinden van zware stormen (die vaak plotseling en op specifieke plekken ontstaan).

Het resultaat:

• Bij willekeurige doelen of wolkendek was de nieuwe methode goed, maar niet veel beter dan de oude. Waarom? Omdat goede plekken daar vaak genoeg voorkomen. Je kunt gewoon wachten tot je er toevallig boven bent.
• Maar bij stormjacht en specifieke steden was het verschil enorm (tot wel 41% beter).
  • De reden: Stormen en drukke steden zijn als zeldzame schatten. Ze zitten niet overal. Als je ze mist, ben je je kans kwijt. Met de "vriend" (de geostationaire data) wist de satelliet precies waar die schatten zaten en kon hij zijn beperkte foto's daarop richten. Zonder die hulp zou hij zijn foto's verspillen aan saaie plekken.

Conclusie

Deze paper laat zien dat satellieten veel slimmer kunnen worden als ze niet alleen naar hun neus kijken, maar ook luisteren naar de "grote kijkers" in de ruimte. Door een twee-laags planningssysteem te gebruiken (een globaal plan maken op basis van ver weg data, en dat lokaal verfijnen), kunnen ze veel meer wetenschappelijke waarde halen uit hun beperkte tijd en energie.

Het is alsof je van een toerist verandert die willekeurig rondloopt, in een professionele fotograaf die precies weet waar het mooiste licht is, omdat hij een kaart heeft van de hele stad.

Technische samenvatting

Hieronder volgt een gedetailleerde technische samenvatting van het paper "Dynamic Targeting of Satellite Observations Using Supplemental Geostationary Satellite Data and Hierarchical Planning" in het Nederlands.

Titel: Dynamische Targeting van Satellietobservaties met Supplementaire Geostationaire Satellietdata en Hiërarchische Planning

Publicatie: Proc. of 2026 IEEE International Conference on Robotics and Automation (ICRA), Wenen, Oostenrijk.
Auteurs: Akseli Kangaslahti et al. (JPL/Caltech, Harvard, CMU).

---

1. Probleemstelling

Het maximaliseren van de wetenschappelijke opbrengst van een beperkt aantal satellietobservaties is een blijvende uitdaging in de aardobservatie. Het concept Dynamic Targeting (DT) lost dit op door een satelliet autonome beslissingen te laten nemen: een goedkope "lookahead-sensor" (voorscanner) verzamelt informatie over de omgeving, waarna een planner intelligente beslissingen neemt over wanneer de dure, primaire sensor moet worden ingeschakeld.

Hoewel DT veelbelovend is, ondervindt het drie belangrijke beperkingen:

1. Beperkte ruimtelijke uitbreiding: De onboard lookahead-sensor biedt slechts informatie over een korte horizon (ongeveer 1 minuut vooruit). Dit maakt het moeilijk om observaties optimaal te verdelen over de volledige baan, vooral bij dynamische gebeurtenissen die verder weg liggen.
2. Real-time planning: De planner moet zeer snel beslissingen nemen terwijl de satelliet beweegt.
3. Beperkte onboard resources: Rekenkracht en opslagcapaciteit aan boord zijn beperkt.

De kernvraag van dit onderzoek is: Hoe kan de prestatie van DT-systemen worden verbeterd door gebruik te maken van aanvullende data van geostationaire satellieten? Deze data biedt een "uitgebreide lookahead" tot 35 minuten vooruit, maar introduceert een enorme toename in de zoekruimte voor planning.

2. Methodologie

A. Dataverzameling en Simulatie

De auteurs simuleren vluchten over twee verschillende datasets:

• MODIS Cloud Mask: Voor "Cloud Avoidance" (wolkvermijding). Data van de Aqua-satelliet (1 km/resolutie).
• IMERG (GPM): Voor "Storm Hunting" (stormjacht). Globale neerslagdata (10 km/resolutie).

Deze datasets fungeren als de "ground truth" voor de onboard lookahead-sensor.

B. Supplementaire Geostationaire Data

Om de lange-termijn horizon te vergroten, wordt data van geostationaire satellieten gebruikt:

• GOES (East/West): Voor cloud data over Noord- en Zuid-Amerika (10 minuten cadans).
• Meteosat: Voor neerslagdata over de Atlantische Oceaan en Afrika (15 minuten cadans).
  Deze data fungeert als een "extended lookahead" die de volledige baan van de simulatie bestrijkt, maar heeft een lagere resolutie en een bepaalde latentie (vertraging) ten opzichte van de onboard data.

C. Nutmodellen (Utility Models)

Vier scenario's worden getest om verschillende wetenschappelijke doelen te simuleren:

1. Cloud Avoidance (CA): Vermijd wolken, observeer heldere lucht.
2. Cloud Avoidance with Population Density (CAPD): Vermijd wolken, prioriteer dichtbevolkte gebieden.
3. Cloud Avoidance with Random Targets (CART): Vermijd wolken, observeer specifieke, willekeurig verdeelde doelen (bijv. vulkanen).
4. Storm Hunting (SH): Zoek en observeer gebieden met hoge neerslagintensiteit.

D. Hiërarchische Planning Framework

Om de explosieve groei van de zoekruimte door de lange horizon te beheersen, introduceren de auteurs een hiërarchische planner:

1. Hoog niveau (Long-term Blueprint): Een algoritme gebruikt de geostationaire data om een globale verdeling van de 100 beschikbare observaties over de hele vlucht te plannen. Dit gebeurt in polynomiale tijd.
   • Uniform (U): Verdeelt observaties gelijkmatig (geen geostationaire data).
   • Preinformed (P): Verdeelt op basis van bekende statische doelen (bijv. bevolkingsdichtheid).
   • Geostationary Satellite Data-Informed (GSDI): Verdeelt observaties op basis van de voorspelde nuttigheid uit de geostationaire data.
2. Lag niveau (Short-term Execution): Een Beam Search-algoritme (diepte 10, breedte 3) genereert gedetailleerde acties voor korte vensters (10 cycli van 4 seconden). Dit algoritme volgt het globale blueprint maar past zich aan op basis van de actuele onboard lookahead-data en rekening houdend met manoeuvreerbeperkingen (slewing).

3. Belangrijkste Bijdragen

• Integratie van Geostationaire Data: Het paper toont aan dat het combineren van geostationaire data met traditionele onboard lookahead-data de planning significant verbetert, zelfs met data-ongenauwkeurigheden.
• Hiërarchische Architectuur: Een nieuwe planningstructuur die de complexiteit van lange-termijn planning oplost door het probleem te splitsen in een globale verdeling (polynomiale tijd) en lokale optimalisatie (zoekalgoritme).
• Analyse van Scenario-afhankelijkheid: Het onderzoek identificeert dat de voordelen van deze aanpak sterk afhankelijk zijn van de verdeling van de doelen (sparsiteit vs. frequentie).

4. Resultaten

De prestaties werden gemeten als percentage van de theoretische bovengrens (Upper Bound).

• Algemene Prestatie: Hiërarchische planners overtreffen traditionele greedy-algoritmes gemiddeld met een factor van 2,44.
• Invloed van Geostationaire Data (GSDI vs. Traditioneel):
  • Bij Cloud Avoidance (CA) en Random Targets (CART): De prestatieverschillen zijn klein. Doelen zijn hier frequent of willekeurig verspreid, waardoor de lokale zoekalgoritmen goed kunnen reageren zonder lange-termijn planning.
  • Bij Population Density (CAPD) en Storm Hunting (SH): De GSDI-planner presteert tot 41% beter dan de beste traditionele planners.
    • Reden: In deze scenario's zijn de hoogst nuttige doelen (dichtbevolkte gebieden, zware stormen) spaars verspreid (sparse clusters). Een planner die alleen kijkt naar de korte horizon mist deze clusters vaak. De geostationaire data stelt de planner in staat om observaties proactief te reserveren voor deze specifieke, verre locaties.
• Voorspellingskwaliteit: Hoewel de geostationaire data niet perfect is (ongeveer 80% nauwkeurigheid voor wolken), is de algemene patroonherkenning voldoende om betere globale beslissingen te nemen dan wanneer er helemaal geen lange-termijn data is.

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat het integreren van data van geostationaire satellieten een krachtige strategie is om de efficiëntie van dynamische satellietobservaties te verhogen.

• Kerninzicht: De meerwaarde van "extended lookahead" data is het grootst in dynamische scenario's waar doelen spaars verspreid zijn (zoals stormen of specifieke stedelijke gebieden). In deze gevallen kan een planner niet wachten tot de satelliet dichtbij is; hij moet van tevoren weten waar hij moet zijn.
• Toekomstperspectief: De methode biedt een pad naar meer autonome missies voor het observeren van zeldzame, dynamische gebeurtenissen (zoals vulkaanuitbarstingen, algenbloei's of stormen) op aarde en andere hemellichamen. De auteurs plannen verdere onderzoek naar onzekerheidsmanagement in de data en "just-in-time" commandostrategieën vanaf de grond.

Kortom, door een hiërarchische aanpak te combineren met multi-bron data, kunnen satellieten hun beperkte observatiemiddelen veel effectiever inzetten dan met traditionele, kortetermijnplanning alleen.