Loading...
机构名称:
¥ 1.0

1. 引言 随着太空环境的使用和商业化程度不断提高,以及太空发射的便利性不断提高,地球轨道上的活跃卫星和轨道碎片数量也不断增加。轨道碎片是指在地球轨道或重新进入地球大气层的人造非功能性物体(包括碎片和元素);自太空探索初期以来,碎片的数量远远超过在轨运行的航天器 [1]。2022 年 7 月,美国空间监视网络的太空物体目录(仅考虑直径大于 5 厘米的碎片)报告了 8,943 艘航天器和 16,393 块轨道碎片。巨型星座(可能包括数万颗联网卫星的舰队)的计划部署标志着卫星运行范式的转变,并将加速已经高度拥挤的低地球轨道 (LEO) 的密集化。随着卫星轨道上越来越拥挤的活跃航天器和轨道碎片,发生碰撞的风险也在增加。碎裂事件可能会产生更多的碎片,有可能导致凯斯勒综合症,这是一种假设的最坏情况(由唐纳德·凯斯勒博士于 1978 年首次提出),即一系列连锁碰撞及其产生的碎片云可能会使地球轨道无法使用 [2]。凯斯勒事件的直接后果可能是深远的,使电信、宽带互联网和天气预报等地面服务陷入瘫痪,同时也妨碍未来的太空利用或探索 [3]。尽管人们越来越意识到轨道碎片带来的风险,但由于监管和政策环境落后于太空的快速发展,减轻和防止碎片的努力受到限制。国际协议和国家立法旨在确保在人烟稀少的太空环境中安全运行,而这种环境与当今拥挤的轨道领域越来越不相似。 1967 年《外层空间条约》和随后的 1976 年《责任公约》构成了国际空间法的基础,确认了空间物体的所有权,但并未直接涉及轨道碎片。根据这些规则,发射国对在其境内发射的物体拥有所有权,其他国家未经发射国同意不得收集这些物体 [3]。此外,发射国有责任赔偿其空间物体造成的损害。在考虑这些空间法基本原则如何适用于轨道碎片时,仍然存在不确定性:尽管大多数国家认为轨道碎片是空间物体,但《外层空间条约》和《责任公约》并未提供明确的定义,而且由于我们对大多数空间物体的跟踪和识别能力有限,在发生碰撞时识别发射国变得很复杂。如果没有监管要求或其他直接激励措施来防止轨道碎片,航天器所有者、运营商和发射提供商在遵守减少轨道碎片产生和风险的自愿准则方面进展缓慢。欧洲空间局 (ESA) 报告称,估计近地轨道上 30% 到 70% 的有效载荷(不包括载人航天)在报废时遵守脱轨准则。ESA 进一步指出,遵守碎片缓解措施的比例正在提高,但仍不足以在长期内显著降低碰撞风险 [2]。轨道碎片带来的挑战与臭氧层损耗等全球环境挑战有着内在的相似之处。司法当局和国际机构不应因为收益不确定而推迟行动,而应行使预防原则——环境法的一项长期信条——该原则建议各国采取行动解决构成长期环境威胁的环境问题,即使没有证据表明会发生危害 [4]。 《关于消耗臭氧层物质的蒙特利尔议定书》的签署和随后的实施是一个显著的例子,表明国际社会有效地动员起来,即使在科学不断发展和不确定的情况下,也致力于解决人类活动对环境造成的有害影响。2022 年 5 月,加伯和兰德发表了一篇论文,建议研究蒙特利尔

从臭氧层损耗到轨道碎片

从臭氧层损耗到轨道碎片PDF文件第1页

从臭氧层损耗到轨道碎片PDF文件第2页

从臭氧层损耗到轨道碎片PDF文件第3页

从臭氧层损耗到轨道碎片PDF文件第4页

从臭氧层损耗到轨道碎片PDF文件第5页

相关文件推荐

2021 年

用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响,从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据,它们正在提供前所未有的空间环境实时表征,包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步,但仅靠它们是不够的。为了优化任务规划,许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事,但最近随着 21 世纪人工智能 (AI) 技术的应用,大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型,并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期(0 到 60 分钟)、中期(1 小时到 3 小时)和长期(3 到 48 小时)。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下,多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度,卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后,组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据,因此,使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明,在几乎所有情况下,这些预测技术都优于持久性,而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点,将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是,云层可以部分或完全遮挡目标,并阻止或要求降低光通信系统的数据速率。但是,通过准确表征和预测大气影响,可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统,该系统可生成高分辨率的大气衰减预测,以支持太空激光和监视应用的决策辅助。为了实现这一目标,HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据,并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测:1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时;最长 2+ 小时;最长 48 小时。最长 1 小时;最长 2+ 小时;最长 48 小时。

¥1.0