As imagens de satélite são um aspecto crucial da vida moderna. Por exemplo, o crescimento da safra e as estimativas de produção são parcialmente derivadas de imagens de satélite; Da mesma forma, qualidade do ar, desmatamento, e, claro, o clima. A imagem de satélite requer um bom hardware, como um grande espelho no telescópio, um grande sensor com muitos pixels, e um bom, plataforma estável, como os satélites ambientais operacionais geoestacionários-R (GOES-R).

O que não é tão óbvio é o lado do software. Para rastrear um sistema meteorológico, por exemplo, as imagens de satélite precisam ser alinhadas. A superfície esférica da Terra é mapeada para um plano plano com uma grade fixa, e cada pixel em uma imagem de satélite deve corresponder a uma posição de grade conhecida.

É apenas um problema de trigonometria, direito?

À primeira vista, isso parece um problema relativamente simples:dada uma página de trigonometria e um estagiário disposto, o problema está resolvido, direito? Nós vamos, não. Acontece que é um problema bastante difícil, especialmente se você deseja informações mais específicas do que "não estou mais no Kansas". Em publicação recente no SPIE Journal of Applied Remote Sensing, Bruce Gibbs da Carr Astronautics voltou sua atenção para aumentar a precisão das imagens do GOES-R. Não é sempre que o projeto do filtro ocupa o centro do palco na pesquisa, mas esta é uma daquelas ocasiões.

Mesmo que os satélites GOES sejam geoestacionários, eles não são estacionários, que apresentou um problema para a equipe responsável pelo imageador de linha de base avançado (ABI). A posição do satélite, a orientação do satélite, e o espelho do ABI muda constantemente. Este último é especialmente problemático quando a Terra eclipsa o sol, permitindo que o espelho esfrie rapidamente.

Para colocar em perspectiva, o ABI deve ter uma resolução de 0,5 km para imagens que usam luz visível. Mas, uma órbita geoestacionária tem cerca de 36, 000 km acima da superfície da Terra, o que significa que a orientação precisa ser conhecida com mais precisão do que 0,0008 graus. Para alcançar isto, as estrelas são usadas para determinar a orientação. A ABI tira uma foto de um campo de estrelas e usa as posições das estrelas de um catálogo, em combinação com seus próprios sensores de orientação, para determinar sua posição e orientação exatas com alta precisão. Esta informação é então usada para alinhar as imagens.

Contudo, todas as medições têm ruído associado a elas. Para reduzir o ruído do filtro, os projetistas de instrumentos e satélites usaram os parâmetros operacionais esperados do equipamento para criar um filtro de Kalman pré-programado. Infelizmente, o desempenho do filtro foi decepcionante.

Nenhum filtro para os fracos

Nesse caso, um modelo do movimento do satélite, a rotação e a deformação do espelho são usadas para estimar uma nova orientação e posição do satélite, com base na última posição e orientação conhecidas. As medições também são usadas para estimar a posição e a orientação. A posição estimada e os dados de medição são calculados para produzir uma estimativa mais precisa da posição e orientação. Esta nova posição se torna a entrada para a próxima estimativa.

A mágica está em como os dados de medição e os dados do modelo são calculados. Este não é um processo simples, com cerca de 30 parâmetros ímpares que requerem ajuste. Assim, o filtro Kalman, como fornecido, não teve o desempenho esperado. Contudo, a surpresa mais desagradável foi que o ajuste manual do filtro também não funcionou. No fim, foi determinado que os parâmetros do filtro teriam que ser determinados em tempo real, em vez de usar algum conjunto de parâmetros fixo (mas atualizado regularmente).

O resultado é um filtro de Kalman que determina como combina o modelo e os dados de medição por meio de um processo de minimização estatística. A minimização é obtida examinando a correlação (mais precisamente, a covariância) no ruído entre os parâmetros. Um conjunto de parâmetros otimizado irá minimizar a covariância (o que significa que os parâmetros do filtro são maximamente independentes uns dos outros). Portanto, muito difícil, O problema multidimensional foi reduzido a uma sequência de procedimentos de minimização uni ou bidimensionais.

Comparando os dois filtros, Gibbs mostrou que o ruído de orientação foi reduzido de 40 a 50 por cento para cerca de 0,0002 graus. A prova, Contudo, está nos dados de imagem. Ao aplicar o filtro às imagens obtidas em 2017, Gibbs conseguiu convencer os operadores do instrumento a adotar o novo design de filtro.