A Tracklet-Score Metric for a passive-optical Telescope Network

De hemel boven ons is niet langer leeg. Hij is gevuld met een stille, kolkende verkeersstroom van door mensen gemaakte objecten, van actieve satellieten die onze wereldwijde communicatie aandrijven tot de talloze fragmenten van puin die zijn achtergelaten door decennia aan ruimteactiviteit. Om dit verkeer veilig en voorspelbaar te houden, moeten astronomen en ingenieurs deze objecten constant volgen, wetende waar ze zich precies bevinden en waar ze naartoe gaan. Deze taak steunt op netwerken van telescopen die de hemel observeren en korte blikken op deze objecten vangen terwijl ze de lucht doorkruisen. Elke blik is niet slechts een enkele foto, maar een korte reeks waarnemingen die een 'tracklet' wordt genoemd. Deze tracklets zijn de ruwe bouwstenen die worden gebruikt om banen te berekenen en te voorspellen of twee objecten met elkaar kunnen botsen. Echter, niet elke blik is even nuttig. Een telescoop met een kleine lens kan een heldere satelliet duidelijk zien, terwijl een grotere telescoop misschien een zwak, tollend stuk puin kan opvangen. Sommige waarnemingen worden direct naar de centrale database verzonden, terwijl andere pas uren later arriveren. De uitdaging voor de wetenschappers die deze netwerken beheren, is om te bepalen welke van deze duizenden dagelijkse blikken het meest waardevol zijn voor het accuraat en actueel houden van de catalogus van ruimteobjecten.

Johannes Herzog en Hauke Fiedler, onderzoekers bij het Duitse Aerospace Center (DLR), hebben een nieuwe manier ontwikkeld om deze vraag te beantwoorden. Ze hebben een scoringssysteem gecreëerd dat fungeert als een kwaliteitsbeoordeling voor elke individuele tracklet die door het SMARTnet-telescoopnetwerk wordt verzameld. In plaats van te proberen de complexe wiskunde binnen elke individuele waarneming te analyseren om de waarde ervan te beoordelen, kijkt hun methode naar de omstandigheden waaronder de waarneming werd gedaan. Ze stellen eenvoudige, praktische vragen: Hoe snel werd de data geleverd? Hoeveel foto's werden er in de sequentie genomen? Hoe lang heeft de telescoop het object geobserveerd? Was er een grote onderbreking waarbij het object uit het zicht verdween? En tot slot, hoe groot is de hoofdspiegel van de telescoop? Door aan elk van deze factoren een score toe te kennen en deze te combineren, produceren ze een enkel getal dat aangeeft hoeveel waarde een specifieke tracklet toevoegt aan de totale inspanning om het ruimteverkeer te monitoren.

De onderzoekers testten dit nieuwe systeem tegenover een oudere methode die al in gebruik was. De oude aanpak probeerde een tracklet te beoordelen door te kijken naar de precisie van de metingen zelf, waarbij de waargenomen positie en snelheid van het object werd vergeleken met een perfecte referentie. Hoewel dit grondig klinkt, stelden de auteurs vast dat het een grote tekortkoming had. Omdat het vertrouwde op het berekenen van snelheden en posities uit de data, kon een enkele gelukkige meting met een zeer lage foutmarge een tracklet duizenden malen waardevoller doen lijken dan hij in werkelijkheid was. Dit creëerde een chaotisch scoringssysteem waarbij sommige tracklets enorme, onrealistische scores ontvingen, terwijl anderen met een vergelijkbare praktische waarde bijna waardeloos werden beoordeeld. Het was alsof je een boek beoordeelde enkel op basis van de dikte van één pagina, terwijl je het verhaal volledig negeert.

In contrast hiermee is het nieuwe scoringssysteem gebouwd op het idee dat de waarde van een tracklet voortkomt uit de betrouwbaarheid van de sensor en de strategie die gebruikt is om de opname te maken. De onderzoekers definieerden vijf belangrijke ingrediënten voor hun score. Ten eerste waarderen ze snelheid. Een tracklet die binnen één uur na de opname in de database arriveert, krijgt de hoogst mogelijke score voor tijdigheid, omdat onmiddellijke data cruciaal is voor het voorspellen van nauwe ontmoetingen tussen satellieten. Naarmate de vertraging groter wordt, daalt de score, maar deze verdwijnt nooit volledig, wat erkent dat zelfs oude data nuttig is voor het later verfijnen van banen. Ten tweede kijken ze naar het aantal foto's. Een sequentie met meer metingen is over het algemeen robuuster, wat helpt om fouten weg te filteren, dus de score stijgt naarmate het aantal toeneemt, hoewel deze langzamer groeit om te voorkomen dat extreem lange sequenties overgewaardeerd worden.

De derde factor houdt rekening met de duur van de observatie, zowel in tijd als in de hoek waarmee het object over de hemel beweegt. Dit is ontworpen om eerlijk te zijn voor alle soorten banen. Snel bewegende objecten in lage banen zijn mogelijk slechts enkele minuten zichtbaar, terwijl langzaam bewegende objecten in hoge banen urenlang geobserveerd kunnen worden. Het systeem kent punten toe als de observatie een aanzienlijke tijd of een aanzienlijk deel van de hemel beslaat, waarbij de betere van de twee maten wordt gekozen, zodat noch snelle noch langzame objecten worden benadeeld. De vierde factor controleert op onderbrekingen. Als de telescoop het zicht op het object voor een lange tijd verliest, bijvoorbeeld omdat het achter een ster langs trok, daalt de score licht, maar alleen als de onderbreking erg groot wordt. Dit zorgt ervoor dat operators niet gestraft worden voor de natuurlijke moeilijkheden bij het observeren van zwakke objecten of voor het testen van nieuwe strategieën. De laatste factor is de grootte van de primaire spiegel van de telescoop. Een grotere spiegel verzamelt meer licht, waardoor het netwerk zwakkere, kleinere objecten kan detecteren die kleinere telescopen simpelweg niet kunnen waarnemen. Deze capaciteit wordt zeer gewaardeerd, dus grotere spiegels krijgen hogere scores.

Om deze vijf ingrediënten om te zetten in een definitief getal, gaven de onderzoekers verschillende gewichten toe aan elk onderdeel. Ze besloten dat de snelheid waarmee de data arriveert en het aantal metingen dat het bevat, de meest kritieke factoren zijn, en gaven deze de hoogste belangrijkheid. De grootte van de telescoop en de onderbrekingen in de data worden als minder kritiek beschouwd en kregen lagere gewichten. Toen ze dit systeem toepasten op bijna drieënvijftig duizend tracklets die in 2023 werden verzameld, waren de resultaten opmerkelijk consistent. De scores vielen binnen een nauw en beheersbaar bereik, meestal tussen de 1,5 en 9,4. Dit staat in scherp contrast met de oude methode, die scores produceerde die wild sprongen over miljoenen verschillende waarden, wat het moeilijk maakte om de bijdragen van verschillende telescopen eerlijk te vergelijken.

De auteurs merken op dat deze nieuwe metriek geen instrument is om de prestaties van de mensen die de telescopen bedienen te beoordelen, aangezien verschillende partners verschillende missies en beperkingen hebben. In plaats daarvan dient het als een transparante manier om de algehele gezondheid en samenstelling van het netwerk te begrijpen. Het helpt hen te zien welke soorten observaties het meest voorkomen en hoe goed het netwerk de hemel bestrijkt. Door zich te richten op de kenmerken van de sensoren en het leveringsproces in plaats van te proberen elke individuele datapunt wiskundig te perfectioneren, hebben de onderzoekers een instrument gecreëerd dat zowel eenvoudiger als betrouwbaarder is. Het stelt het netwerk in staat om elke tracklet met een duidelijk gevoel voor de werkelijke waarde te behandelen, waardoor wordt gewaarborgd dat de catalogus van ruimteobjecten accuraat blijft en de veiligheid van onze orbitale omgeving behouden blijft.