Am 10. Mai 2025 kehrte ein sowjetisches Raumschiff, das ursprünglich für eine Landung auf der Venus gebaut wurde, zur Erde zurück. Cosmos-482, das 1972 gestartet wurde, war aufgrund eines Fehlers der oberen Raketenstufe in der Erdumlaufbahn gestrandet und kreiste 53 Jahre lang um die Erde. In seinen letzten Tagen prognostizierten mehrere Raumfahrtagenturen und Forschungsgruppen, wann und wo das Objekt abstürzen würde. Roscosmos meldete später, dass es im Indischen Ozean westlich von Jakarta niederging.
Cosmos-482 ist kein Einzelfall. Bis Ende 2025 befanden sich laut der Europäischen Weltraumorganisation (ESA) 25.060 katalogisierte Objekte in der niedrigen Erdumlaufbahn, fast doppelt so viele wie ein Jahrzehnt zuvor. Viele alte Satelliten und ausgediente Raketenstufen werden eines Tages unkontrolliert zurückfallen und könnten an jedem Ort der Erde landen.
Neue Methode zur Vorhersage von Wiedereintritten
In einer Studie, die in Acta Astronautica veröffentlicht wurde, kombinieren Forscher zwei Werkzeuge, um diese Abstürze vorherzusagen: ein neuronales Netzwerk und die Gesetze der Orbitalmechanik. Die Arbeit wurde von M. Khawariz Andaristiyan vom Forschungszentrum für Satellitentechnologie der indonesischen Nationalen Forschungs- und Innovationsagentur (BRIN) geleitet, unterstützt von Affiani Machmudah, Wahyudi Hasbi und Ridanto Eko Poetro vom Institut Teknologi Bandung.
Ein Objekt, das sich dem Ende seiner Lebensdauer in der Umlaufbahn nähert, bewegt sich noch mit etwa 7,8 Kilometern pro Sekunde. Ein Fehler von einer Minute in der Vorhersage des Absturzzeitpunkts verschiebt den Landeort um etwa 460 Kilometer entlang der Flugbahn, während ein Fehler von einer Stunde den Ort um etwa 28.000 Kilometer verschieben kann. Um den Landeort zu bestimmen, muss daher zunächst der Zeitpunkt des Wiedereintritts präzise vorhergesagt werden.
Die Rolle des Luftwiderstands
Der Luftwiderstand in der oberen Atmosphäre bremst diese Objekte ab. Wenn die Sonne aktiv ist, erwärmt sie die obere Atmosphäre, die sich ausdehnt, wodurch die Luftdichte in einer bestimmten Höhe zunimmt und niedrige Umlaufbahnen schneller zerfallen. Die Sonnenaktivität folgt einem Zyklus von etwa 11 Jahren, und die drei untersuchten Abstürze fanden alle in den aktiven Jahren der Sonne zwischen 2023 und 2025 statt.
Die Stärke des Luftwiderstands wird durch den ballistischen Koeffizienten gemessen: der Widerstandsbeiwert multipliziert mit der Querschnittsfläche, dividiert durch die Masse. Ein kompaktes Objekt wie eine Kugel bietet der Luft immer die gleiche Fläche, während eine taumelnde Raketenstufe oder ein Satellit mit großen Solarpanels ständig unterschiedliche Flächen präsentiert. In den letzten Tagen vor dem Absturz, wenn die Bremswirkung am stärksten ist, werden oft nur noch wenige Tracking-Daten verfügbar. Eine gängige Vereinfachung besteht darin, den Koeffizienten auf einem geschätzten Wert aus früheren Tracking-Daten festzuhalten.
Die neue Methode teilt die Arbeit zwischen Physik und maschinellem Lernen auf. Die Bewegung des Objekts folgt den Newtonschen Gesetzen, daher wird sie unter Berücksichtigung der Erdanziehungskraft, der Abflachung der Erde und des Luftwiderstands berechnet, der durch ein Standardmodell der oberen Atmosphäre bestimmt wird. Der ballistische Koeffizient, der sich ständig ändert, wird hingegen von einem neuronalen Netzwerk gelernt.
Für jedes Objekt wird zunächst die Geschichte des Koeffizienten aus 11 Jahren öffentlicher Tracking-Daten analysiert, um zu messen, wie schnell die Umlaufbahn schrumpft. Ein Netzwerk mit Gedächtnis, das für Sequenzen entwickelt wurde, lernt dann, den Koeffizienten für das spezifische Objekt basierend auf dessen Vergangenheit und Prognosen der Sonnen- und geomagnetischen Aktivität vorherzusagen.
Während der Vorhersage arbeiten die beiden Teile abwechselnd: Alle drei Stunden, entsprechend dem Rhythmus, in dem ein Standardindex der geomagnetischen Aktivität aktualisiert wird, erhält das Netzwerk die neue Umlaufbahn und gibt einen aktualisierten Koeffizienten zurück. Die Berechnung endet bei einer Höhe von 80 Kilometern, die als Schwelle für den Wiedereintritt gilt. Um die Unsicherheit der Vorhersage zu schätzen, wird das Netzwerk 100 Mal mit zufällig deaktivierten Teilen ausgeführt; die Streuung der Ergebnisse gibt ein Zeitfenster für die Unsicherheit des vorhergesagten Zeitpunkts.
Erfolgreiche Tests an bereits abgestürzten Objekten
Die Methode wurde an drei bereits abgestürzten Objekten getestet. Für Cosmos-482 lag die Vorhersage bei 06:22 UTC mit einer Unsicherheit von 11,4 Minuten; Roscosmos meldete 06:24 UTC. Für NEOWISE, ein NASA-Infrarotteleskop, das 2009 gestartet wurde, lag die Vorhersage bei 00:54 UTC am 2. November 2024 mit einer Unsicherheit von 7,8 Minuten; die Missionswebsite meldete 00:49 UTC. Für die Oberstufe einer chinesischen Long March 4B-Rakete, die 2006 gestartet wurde, lag die Vorhersage bei 22:45 UTC am 26. März 2023 mit einer Unsicherheit von 13,2 Minuten; Trümmer wurden zwischen 22:33 und 22:36 UTC über Murcia und Almería in Südostspanien gesichtet. In allen drei Fällen lag der gemeldete Zeitpunkt innerhalb des vorhergesagten Unsicherheitsfensters.
Die Methode zeigt, dass die Vorhersage des ballistischen Koeffizienten die Genauigkeit der Absturzzeit deutlich verbessert. Bei Cosmos-482, einem kompakten Objekt, verschiebt sich die Vorhersage nur um fünf Minuten, wenn der Koeffizient konstant gehalten wird. Bei NEOWISE mit seinen Solarpanels und Sonnenschutz sowie bei der Raketenstufe, die zum Taumeln neigt, verschiebt sich die Vorhersage jedoch um 31 bzw. 36 Minuten, was außerhalb des Unsicherheitsfensters liegt und weiter von den gemeldeten Zeiten entfernt ist.
Diese Tests waren sogenannte Hindcasts: Sie verwendeten Tracking-Daten bis kurz vor dem Absturz, ähnlich wie die Rekonstruktionen, die Agenturen nach einem Absturz veröffentlichen. Drei Objekte sind jedoch eine begrenzte Stichprobe, und jedes wurde mindestens 11 Jahre lang verfolgt, ein voller Sonnenzyklus. Die eigentliche Herausforderung besteht darin, Objekte vorherzusagen, die sich noch in der Umlaufbahn befinden, darunter auch jüngere mit einer kürzeren Historie. Dies ist der nächste Schritt der Forschung.
Als angewandter Mathematiker sehe ich in dieser Arbeit eine Lehre, die über Satelliten hinausgeht. Wo die Gleichungen bekannt sind, wie bei der Schwerkraft, sollten wir sie lösen. Wo sie unbekannt sind, wie bei der Interaktion eines taumelnden Objekts mit einer von der Sonne beeinflussten Atmosphäre, können Daten einem Netzwerk beibringen, die Lücke zu schließen. Hier sind Physik und maschinelles Lernen keine Konkurrenten: Jedes deckt ab, was das andere nicht kann.
- Quelle: Phys.org