L'imagerie satellitaire est un aspect crucial de la vie moderne. Par exemple, les estimations de croissance et de rendement des cultures sont en partie dérivées de l'imagerie satellitaire ; de même, qualité de l'air, la déforestation, et, bien sûr, la météo. L'imagerie satellitaire nécessite un bon matériel, comme un grand miroir sur le télescope, un grand capteur avec beaucoup de pixels, et une belle, plate-forme stable, comme les satellites environnementaux opérationnels géostationnaires-R (GOES-R).

Ce qui n'est pas si évident, c'est le côté logiciel. Pour suivre un système météo, par exemple, les images satellites doivent être alignées. La surface sphérique de la Terre est mappée sur un plan plat avec une grille fixe, et chaque pixel d'une image satellite doit correspondre à une position de grille connue.

C'est juste un problème de trig, droit?

A première vue, cela semble être un problème relativement simple :étant donné une page de trigonométrie et un stagiaire volontaire, le problème est résolu, droit? Bien, non. Cela s'avère être un problème assez difficile, surtout si vous désirez des informations plus spécifiques que "plus au Kansas". Dans une publication récente dans le SPIE Journal de télédétection appliquée, Bruce Gibbs de Carr Astronautics a tourné son attention vers l'augmentation de la précision de l'imagerie de GOES-R. Ce n'est pas souvent que la conception de filtres occupe une place centrale dans la recherche, mais c'est une de ces occasions.

Même si les satellites GOES sont géostationnaires, ils ne sont pas immobiles, ce qui a posé problème à l'équipe en charge de l'imagerie de base avancée (ABI). La position des satellites, l'orientation du satellite, et le miroir de l'ABI se déplace constamment. Ce dernier est particulièrement gênant lorsque la Terre éclipse le soleil, permettant au miroir de refroidir rapidement.

Pour le mettre en perspective, l'ABI est censé avoir une résolution de 0,5 km pour les images utilisant la lumière visible. Mais, une orbite géostationnaire vaut environ 36, 000 km au-dessus de la surface de la Terre, ce qui signifie que l'orientation doit être connue avec plus de précision que 0,0008 degrés. Pour y parvenir, les étoiles sont utilisées pour déterminer l'orientation. L'ABI prend une photo d'un champ d'étoiles et utilise les positions des étoiles d'un catalogue, en combinaison avec ses propres capteurs d'orientation, pour déterminer sa position et son orientation exactes avec une grande précision. Ces informations sont ensuite utilisées pour aligner les images.

Cependant, toutes les mesures sont associées à du bruit. Pour réduire le bruit du filtre, les concepteurs d'instruments et de satellites ont utilisé les paramètres opérationnels attendus de l'équipement pour créer un filtre de Kalman préprogrammé. Malheureusement, la performance du filtre était décevante.

Pas de filtre pour les âmes sensibles

Dans ce cas, un modèle du mouvement du satellite, la rotation et la déformation du miroir sont utilisées pour estimer une nouvelle orientation et position du satellite, en fonction de la dernière position et orientation connues. Les mesures sont également utilisées pour estimer la position et l'orientation. La position estimée et les données de mesure sont moyennées pour produire une estimation plus précise de la position et de l'orientation. Cette nouvelle position devient entrée pour la prochaine estimation.

La magie réside dans la façon dont les données de mesure et les données du modèle sont moyennées. Ce n'est pas un processus simple, avec une trentaine de paramètres à ajuster. Ainsi, le filtre de Kalman, tel que fourni, n'a pas fonctionné comme prévu. Cependant, la surprise la plus désagréable était que le réglage manuel du filtre ne fonctionnait pas non plus. À la fin, il a été déterminé que les paramètres du filtre devraient être déterminés à la volée plutôt que d'utiliser un ensemble de paramètres fixes (mais régulièrement mis à jour).

Le résultat est un filtre de Kalman qui détermine comment il combine les données de modèle et de mesure via un processus de minimisation statistique. La minimisation est obtenue en examinant la corrélation (plus précisément, la covariance) dans le bruit entre les paramètres. Un jeu de paramètres optimisé minimisera la covariance (ce qui signifie que les paramètres de filtre sont au maximum indépendants les uns des autres). D'où, un très difficile, problème multidimensionnel a été réduit à une séquence de procédures de minimisation à une ou deux dimensions.

En comparant les deux filtres, Gibbs a montré que le bruit d'orientation était réduit de 40 à 50 pour cent à environ 0,0002 degrés. La preuve, cependant, est dans les données d'imagerie. En appliquant le filtre aux images obtenues en 2017, Gibbs a réussi à convaincre les opérateurs d'instruments d'adopter la nouvelle conception de filtre.