Satellieten interfereren met astronomische gegevens: kan AI een oplossing bieden?

Satellieten interfereren met astronomische gegevens: kan AI een oplossing bieden?

Astronomen hebben een machine learning-algoritme ontwikkeld dat met hoge nauwkeurigheid satellietsporen in beelden van de nachtelijke hemel kan detecteren. Dit model maakt de interpretatie van gegevens eenvoudiger en zou het mogelijk kunnen maken om de randen weg te nemen die steeds vaker problemen veroorzaken in de astronomie.

Technologie zal het probleem zijn “Photobombs” van internetcommunicatiesatellieten kunnen de problemen niet oplossen, maar kunnen wel de impact ervan op sommige telescoopbeelden helpen verminderen. Onderzoekers prezen het werk vorige maand tijdens de algemene vergadering van de Internationale Astronomische Unie (IAU) in Kaapstad.

“Machine learning en kunstmatige intelligentie kunnen helpen, want als je genoeg gegevens hebt, kun je classificeren, oké, zo ziet een satelliet eruit”, zegt Siegfried Eggl, astrofysicus aan de Universiteit van Illinois Urbana-Champaign. Maar het aantal satellietlanceringen en -ontwikkelingen verloopt in een ‘ontbijttempo’, voegt hij eraan toe, en onderzoekers ‘doen hun best om de achterstand in te halen’.

Groeiende dreiging

De afgelopen vijf jaar hebben bedrijven als SpaceX in Hawthorne, Californië, Eutelsat OneWeb in Londen en Amazon's Project Kuiper in Redmond, Washington, duizenden communicatiesatellieten in een lage baan om de aarde gelanceerd. Er zijn er nog veel meer gepland, waaronder een megaconstellatie met 12.000 satellieten genaamd G60 Starlink, die gelanceerd zal worden door Shanghai Spacecom Satellite Technology in China. “Er staan ​​nu ongeveer een miljoen satellieten op het register van ambities voor de toekomst”, zei Richard Green, directeur van het IAU Center for Protecting Dark and Quiet Skies from Satellite Constellation Interference, tijdens een sessie op de Algemene Vergadering van de IAU.

Deze satellieten bieden snelle breedbandinternettoegang aan mensen over de hele wereld, maar zijn dat ook steeds ontwrichtender voor astronomen — ze verschijnen als heldere strepen in luchtbeelden en kunnen waarnemingen over het gehele elektromagnetische spectrum beïnvloeden. Gevoelige telescopen met brede gezichtsvelden worden bijzonder getroffen door deze satellietvervuiling. Er wordt bijvoorbeeld geschat dat bij de komende Vera Rubin-telescoop meer dan een derde van de opnamen aangetast zou kunnen worden.

“Astronomie is tegenwoordig een wetenschap waarbij grote hoeveelheden gegevens betrokken zijn, en er is geen mens die naar alle beelden kan kijken die elke nacht zijn opgenomen en de strepen kan zien”, zegt Eggl. “Machine learning kan hierbij helpen.”

Om een ​​programma te ontwikkelen om satellietsporen in telescoopbeelden te identificeren, heeft María Romero-Colmenares, een datawetenschapper aan de Universiteit van Atacama in Chili, een machine learning-algoritme onder toezicht getraind op tienduizenden beelden gemaakt door een netwerk van telescopen in Chili, Spanje, Mexico, Vietnam en Zuid-Korea. “We wisten wanneer en waar [in de lucht] we de satelliet moesten observeren, en maakten één waarneming met een satelliet en één zonder”, zegt Romero-Colmenares, die een gelijk aantal heldere en vervuilde beelden produceerde. Toen zij en haar collega's het model toepasten op openbaar beschikbare gegevens van de WASP-projecten (Wide Angle Search for Planets) en het Hongaarse Automated Telescope Network, kon het algoritme 96% van de satellietsporen identificeren.

Het detecteren van de strepen is een belangrijke stap in de richting van het elimineren ervan uit beelden en gegevens, zegt Jeremy Tregloan-Reed, een astrofysicus aan de Universiteit van Atacama die samen met Romero-Colmenares aan het project werkte. De volgende uitdaging zal zijn om tools te ontwikkelen die de satellietsporen daadwerkelijk kunnen verwijderen en tegelijkertijd de onderliggende gegevens kunnen behouden. Dit is alleen mogelijk in gevallen waarin de satelliet niet zo helder is dat deze de pixels van een beeld verzadigt en vervaagt in de omringende pixels, zegt Tregloan-Reed. Als er een overflow optreedt, kunnen de onderliggende gegevens niet worden opgeslagen.

Tegen eind volgend jaar hopen onderzoekers een open-source app en programma te ontwikkelen waarmee observatoria en amateurastronomen vervuilde beelden en gegevens kunnen identificeren en opruimen. Dergelijke maatregelen zullen waarschijnlijk succesvol zijn op kleine telescopen met laaggevoelige camera's.

Sterachtige bliksem

Andere vormen van satellietverontreiniging blijken zelfs nog moeilijker te beheersen. Wanneer zonnepanelen en andere vlakke oppervlakken op satellieten het licht opvangen, produceren ze bliksemschichten kortstondige astronomische transiënten soortgelijke energie-uitbarstingen die milliseconden tot jaren kunnen duren.

‘Aangezien deze flitsen erg kort zijn, soms wel een milliseconde, is de beweging van de satelliet tijdens deze flitsen verwaarloosbaar en krijgen we een perfect sterachtige flits’, zegt Sergey Karpov, astronoom aan het Centraal-Europese Instituut voor Kosmologie en Fundamentele Fysica in Praag. Er is "geen echte manier om deze flitsen te onderscheiden van de astrofysische transiënten die we willen detecteren - afgezien van het rechtstreeks vergelijken van hun locatie met catalogi van satellietbanen", voegt hij eraan toe.

Elektronische apparatuur in satellieten kan ook onbedoelde straling uitzenden, waardoor waarnemingen van de nagloeiing van de oerknal worden verstoord, zegt Eggl. Astronomen hopen dat het bestuderen van deze straling, bekend als kosmische microgolfachtergrondstraling, Beantwoord vragen over de uitdijing van het heelal wordt. De volgende generatie satellieten van SpaceX, waarmee het bedrijf vorig jaar begon te lanceren, zendt ongeveer 30 keer meer straling uit dan de vorige generatie. Dit soort straling is ongereguleerd en kan hele observatiebanden in gevaar brengen.

Eggl wijst erop dat AI-tools verloren gegevens niet echt kunnen reconstrueren, en dat het probleem zal verergeren naarmate er meer satellieten worden gelanceerd. “Als je witte verf over de Mona Lisa schildert, kun je op een gegeven moment niets meer doen, zelfs niet als je een machine learning-algoritme op alle werken van Da Vinci traint”, zegt Eggl. “Je kunt misschien wel raden hoe het schilderij eruit zou kunnen zien, maar de gegevens die je kwijtraakt, kunnen ze nooit reconstrueren.”

1. Bassa, C.G. et al. Astron. Astrofysica. 689, L10 (2024).

   Artikel
   Google Scholar

Referenties downloaden