基于机器学习的低轨卫星高精度轨道预报

作     者：唐宇 张伟 李星星 付元辰 张柯柯 

作者机构：武汉大学测绘学院 

出 版 物：《武汉大学学报(信息科学版)》 (Geomatics and Information Science of Wuhan University)

年 卷 期：2024年

核心收录：

学科分类：08[工学] 0804[工学-仪器科学与技术] 

基　　金：国家重点研发计划(2021YFB2501102) 

主　　题：轨道预报 机器学习 神经网络 低轨卫星 

摘      要：高精度低轨卫星预报轨道是全球低轨导航增强应用的基础。目前应用较为广泛的动力学外推方法存在着受动力学模型精度影响大、预报误差累积快的问题。为弥补这一缺陷，将机器学习方法与动力学外推法结合以提升低轨卫星轨道预报精度，并对支持向量机（support vector machine， SVM）、反向传播（back propagation， BP）神经网络和长短期记忆（long short term memory， LSTM）神经网络3种机器学习方法在低轨卫星轨道预报中的适用性进行了深入分析。利用Sentinel-3A卫星2019-01-01—2019-07-14的数据集进行了预报时长为180 min的短期轨道预报实验，对模型最优参数进行了探究，基于各模型最优参数配置进行轨道预报实验。结果表明，三种机器学习方法均能有效提升低轨卫星轨道预报精度，提升效果在不同预报时长下存在明显差异。当轨道预报时间为20 min，LSTM神经网络模型对预报轨道的精度提升效果（38.1%）显著优于SVM（-0.1%）与BP（-1.2%），预报轨道精度可达1.07 cm（3D）。当预报时长大于40 min，SVM和BP模型效果优于LSTM模型。在预报时长达到180 min时SVM和BP模型仍可以实现6-7 cm的轨道预报精度，相比于传统动力学法提升了约50%。