The Earth's magnetic field is constantly changing, affecting climate, space weather, and more. To study it, scientists rely on data, especially from space-based instruments like onboard the Swarm satellites. However, getting precise data remains a challenge because there is only one high-precision mission currently in orbit. Non-dedicated satellites, equipped with platform magnetometers primarily used for navigation, offer a potential solution to this data scarcity. This dissertation explores the calibration of these magnetometers post-launch using Machine Learning, introducing a novel methodology to enhance the data availability.
By applying this approach to missions like GOCE and GRACE-FO, this dissertation explores using Machine Learning to calibrate these sensors post-launch. Incorporating physical laws like the Biot-Savart law into Machine Learning algorithms further improves the calibration process, enhancing accuracy and physical validity. The ultimate goal is to automate and refine the calibration process, addressing challenges posed by the initial rough calibration of platform magnetometers. By introducing a novel calibration methodology using Machine Learning, this research drives the field toward a more sophisticated and nuanced understanding of Earth’s magnetic field dynamics by monitoring the Earth with a true swarm of satellites.
Das Magnetfeld der Erde verändert sich ständig und beeinflusst das Klima, das Weltraumwetter und vieles mehr. Um es zu untersuchen, sind Wissenschaftler auf Daten angewiesen, insbesondere von weltraumgestützten Instrumenten, wie denen an Bord der Swarm-Satelliten. Die Gewinnung präziser Daten bleibt jedoch eine Herausforderung, da sich derzeit nur eine einzige hochpräzise Mission in der Umlaufbahn befindet. Nicht eigens dafür vorgesehene Satelliten, die mit Plattformmagnetometern ausgestattet sind, die in erster Linie der Navigation dienen, bieten eine mögliche Lösung für diesen Datenmangel. In dieser Dissertation wird die Kalibrierung dieser Magnetometer nach dem Start mit Hilfe von maschinellem Lernen untersucht und eine neue Methode zur Verbesserung der Datenverfügbarkeit vorgestellt.
Durch die Anwendung dieses Ansatzes auf Satellitenmissionen wie GOCE und GRACE-FO wird in dieser Dissertation die Verwendung von maschinellem Lernen zur Kalibrierung dieser Sensoren nach dem Start untersucht. Durch die Einbeziehung physikalischer Gesetze wie dem Biot-Savart Gesetz in Algorithmen des maschinellen Lernens wird der Kalibrierungsprozess weiter verbessert und die Genauigkeit und physikalische Gültigkeit erhöht. Das ultimative Ziel ist es, den Kalibrierungsprozess zu automatisieren und zu verfeinern, um die Herausforderungen der anfänglichen groben Kalibrierung von Plattformmagnetometern zu bewältigen. Durch die Einführung einer neuartigen Kalibrierungsmethodik unter Verwendung von maschinellem Lernen treibt diese Forschung das Feld in Richtung eines differenzierteren und nuancierteren Verständnisses der Dynamik des Erdmagnetfelds voran, indem die Erde mit einem echten Satellitenschwarm überwacht wird.