'Du kan inte slå vad du inte kan se' är en vanlig fras inom sport och härleddes ursprungligen för att beskriva baseball pitcher Walter Johnsons snabbboll. Men detsamma gäller saker med en mer seriös spinn, som några av de miljontals skräpbitar som flyter i låg jordomloppsbana (LEO). Nu har ett team av forskare kommit fram till ett nytt bildsystem som gör det möjligt för myndigheter och regeringar att noggrant spåra en del av skräpet som belamrar LEO och potentiellt äventyrar mänsklighetens framtida expansion till stjärnorna.
Den faran beskrevs först av Donald Kessler 1978 och är nu allmänt känd som ' Kesslers syndrom ”. I ett sådant scenario blir skräpfältet som omger jorden så dåligt att det blockerar åtkomst till (eller från) rymden. För att undvika ett sådant öde kommer mänskligheten så småningom att behöva hitta på sätt att hantera rymdskräp. Att hoppas att föremål som lämnas att förfalla i LEO och brinner upp i atmosfären inte är en hållbar begränsningsstrategi.
Visuell skildring av Kesslers syndrom.
Kredit: NASA Orbital Debris Program Office
En sådan begränsningsstrategi har hittills visat sig svår att utveckla. Att förstå och spåra hur många objekt som faktiskt finns där uppe är en av de stora utmaningarna för en sådan ansträngning. Många bitar är extremt små, roterar väldigt snabbt och rör sig ännu snabbare. Dessa kombinerade egenskaper gör dem mycket svåra att hålla reda på.
Traditionellt använder forskare en av två avbildningstekniker, kallad 'enpunktsmigrering av korskorrelationer' respektive 'Kirchoff-migrering'. Enpunktsmigrering har särskilt dålig upplösning, vilket gör det svårt att bestämma den exakta storleken och positionen för ett objekt. Den påverkas dock inte mycket av förändringar i atmosfären. Alternativt påverkas Kirchoffs migration negativt av atmosfäriska fluktuationer, men ger en mycket högre upplösning.
Nyfiken Droid YouTube-video som diskuterar Kesslers syndrom.
Kredit: Nyfiken Droid YouTube-kanal
Den nya metod som utvecklats av forskarna, känd som rank-1 imaging, ger det bästa av två världar. Den har en liknande upplösning som Kirchoff-migrering, samtidigt som den är nästan immun mot atmosfärisk interferens, som enpunktsmigrering.
Hemligheten bakom rank-1:s framgång ligger i dess algoritm. En av de svåraste delarna med att spåra ett LEO-omloppsobjekt är att spåra det tillräckligt länge för att få en högupplöst bild. Den primära utmaningen för den spårningen har att göra med objektets rotation, vilket kan kasta bort även de bästa spårningsalgoritmerna på grund av hur det ändrar objektets reflektivitet.
Resultatet av de olika algoritmerna till indata som visas i huvudbilden. Vänster: enpunktsmigrering. Center: rank-1-algoritm, höger: Kirchoff-migrering
Kredit: Matan Leibovich, George Papanicolaou, Chrysoula Tsogka
Rank-1 försöker uppskatta snurrhastigheten för ett objekt för att förstå dess föränderliga albedo. Brute tvingande spin-uppskattningar för att passa data skulle kunna fungera, men är tids- och beräkningskrävande. Istället använder rank-1-algoritmen data som fångas av själva objektet för att informera dess spårningsalgoritm om riktningen och hastigheten för dess spin. Med dessa uppskattningar är spårningsobjekt mycket lättare, vilket gör att algoritmen sedan kan få en bild med högre upplösning.
Hittills har systemet endast använts på modeller och har ännu inte avbildat ett objekt direkt i LEO. Algoritmen presterade dock utmärkt med modelldata som tillhandahålls, särskilt jämfört med de två konkurrerande algoritmerna. Med lite mer utveckling och lite tid att spåra verkliga objekt kan rank-1-algoritmen bli en del av mänsklighetens arsenal för att bekämpa det växande hotet att bli utelåst från rymden. Om inte annat kommer vi åtminstone att kunna se hotet komma.
Läs mer:
SIAM Nyheter - Avbildning av rymdskräp i hög upplösning
Innovation News Network: Nya bilder av rymdskräp gör att forskare kan förhindra rymdkollisioner
SIAM Journal of Imaging Sciences: Korrelationsbaserad avbildning för roterande satelliter
UT: Rymdskräp kan vara katastrofalt för framtida uppdrag (och Google Earth tittar...)
Ledbild:
Visuella skildringar av data som matas in i de tre algoritmerna som testas.
Kredit: Matan Leibovich, George Papanicolaou och Chrysoula Tsogka