Various studies have demonstrated the use of GRACE data in hydrological and oceanographic research. Recent years have also seen progress in assimilating GRACE-derived TWSA maps in hydrological models, with applications in spatial downscaling of TWSA, partitioning e.g. soil moisture and groundwater, and hydrological drought forecast. However, assimilation of GRACE data in more complex models aids in improving various variables of the coupled water, energy and carbon cycles, in particular when combined with other remote sensing observations. Even if the contribution of satellite gravity data in such multivariate reanalyses to more 'distant' variables like soil temperature, leaf area index or water use efficiency may appear limited, this approach enables one to create physically consistent and realistic descriptions of hundreds of state variables, with only few directly observed. These reanalyses can the be used further as 'synthesized ground truth' for testing hypotheses on climate change and anthropogenic drivers via scenario simulations. In the presentation, I will provide a few examples and suggest new lines of research, also in view of the upcoming missions.

Die GRACE/GRACE-FO Mission erfasst seit mehr als zwei Jahrzehnten die monatlichen Schwankungen des Erdschwerefelds. Eine Fehlerquelle bei der Schwerefeldbestimmung ist die Ungenauigkeit der Ausrichtung der Satelliten entlang ihrer Umlaufbahn. Die Fehler bei der Bestimmung dieser Ausrichtung pflanzen sich über die Korrekturen der Antennenzentren auf die Entfernungsmessung zwischen den beiden Satelliten fort.

Im Vergleich zu GRACE verfügt GRACE-FO über eine dritte, zusätzliche Sternkamera. In Kombination mit den Gyroskopen führt dies in der Regel dazu, dass die Fehler bei der Lagebestimmung der Satelliten vernachlässigbar klein bleiben. Seit sich GRACE-FO jedoch in einem Modus zur Verlängerung der Missionsdauer befindet, welcher größere Abweichungen bei der Ausrichtung der beiden Satelliten zueinander erlaubt, spielen diese fortgepflanzten Fehler jedoch wieder eine größere Rolle.    

Im Zuge dieser Arbeit werden vollbesetzte Kovarianzmatrizen für die Korrekturen der Antennenzentren in das stochastische Modell der Schwerefeldbestimmung miteinbezogen. Hierbei wird die entsprechende Level-1A-Datenprozessierung einschließlich der Sensorfusion der Sternkamera- und Gyroskopdaten sowie der Schätzung der Varianzkomponenten intern durchgeführt. Das stochastische Modell wird dahingehend erweitert, dass räumliche Abhängigkeiten am Sternenhimmel sowie zeitliche Korrelationen berücksichtigt werden. Der Einfluss auf die Residuen und die Qualität des monatlichen Schwerefeldes wird im Zuge der Bestimmung der ITSG-Schwerefeldlösung am Institut für Geodäsie der Technischen Universität Graz analysiert. 

Eine präzise regionale Schwerefeldmodellierung ist essenziell für die Weiterentwicklung der modernen geodätischen Infrastruktur. Insbesondere ist eine hochauflösende Geoidbestimmung grundlegend für den Aufbau des International Height Reference Frame (IHRF), um konsistente physikalische Höhen auf globaler Ebene zu gewährleisten und globale Anwendungen wie das Meeresspiegel-Monitoring und die Beobachtung von Massenvariationen zu ermöglichen.

Während klassische Verfahren, wie Integralformeln oder die harmonische Analyse, bei der effizienten Kombination großer Datensätze und heterogener Randbedingungen an ihre Grenzen stoßen, bieten Methoden des maschinellen Lernens neue Chancen. Dieser Beitrag untersucht das Potenzial von Physics-Informed Neural Networks (PINNs) für die Modellierung des regionalen Geoids.

Der Fokus der Untersuchung liegt auf der Entwicklung eines Frameworks für das topografisch anspruchsvolle Testgebiet Colorado. Im Gegensatz zu rein datengetriebenen Ansätzen integrieren PINNs die Laplace-Gleichung und Randbedingungen direkt in die Verlustfunktion des neuronalen Netzes und ermöglichen so eine konsistente Verknüpfung des Modells mit geodätischen Beobachtungen.

Die Validierung des Modells erfolgt zunächst auf Basis synthetischer Daten. Diese Daten bestehen aus dem Störpotenzial und Schwereanomalien, die aus dem GGM EIGEN-6C4 bis zu einem maximalen Grad und Ordnung von 2190 abgeleitet wurden. Ein besonderer Schwerpunkt liegt auf der Robustheitsanalyse, wobei speziell die Empfindlichkeit des PINN-Modells gegenüber künstlich verrauschten Eingangsdaten untersucht wird. Dies dient der Überprüfung der Hypothese, dass die implizite physikalische Regularisierung von PINNs im Vergleich zu herkömmlichen Methoden eine filternde Wirkung besitzt und dadurch die Rekonstruktionsgüte des Potenzials steigert.

Um den Mehrwert der physikalischen Information zu quantifizieren, wird eine umfassende Benchmark-Analyse durchgeführt, bei der das PINN-Modell einem klassischen, rein datengetriebenen Multilayer Perceptron (MLP) gegenübergestellt wird.

Abschließend diskutieren wir die Übertragbarkeit dieser Erkenntnisse auf dichte terrestrische und satellitengestützte Datensätze und positionieren Deep Learning als ein robustes, komplementäres Werkzeug für die physikalische Geodäsie.

Die präzise Beobachtung des zeitvariablen Schwerefeldes der Erde ist von zentraler Bedeutung für die Untersuchung von Massenverlagerungen im Zusammenhang mit Klimawandel, Hydrologie, Kryosphärenentwicklung und festen Erddynamiken. Satellitengravimetrie-Missionen wie GRACE und GRACE Follow-On (GRACE-FO) haben das große Potenzial des Low-Low Satellite-to-Satellite Tracking (LL-SST) zur Bestimmung zeitlicher Schwerefeldvariationen gezeigt. Die Genauigkeit der Schwerefeldbestimmung hängt jedoch stark von der Qualität der Beschleunigungsmessungen (ACC) ab, die zur Modellierung nicht-gravitativer Kräfte verwendet werden. Konventionelle elektrostatische Beschleunigungsmesser (EA) weisen Einschränkungen hinsichtlich Langzeitstabilität und niederfrequentem Rauschen auf, wodurch alternative Sensorkonzepte und fortschrittliche Methoden zur Datenrekonstruktion zunehmend an Bedeutung gewinnen.

Diese Studie untersucht die Transplantation von Beschleunigungsdaten als vielversprechende Strategie für zukünftige GRACE-ähnliche Satellitengravimetrie-Missionen. Der vorgeschlagene Ansatz zielt darauf ab, Informationen über nicht-gravitative Beschleunigungen zwischen Satelliten zu rekonstruieren und zu übertragen, wodurch die Abhängigkeit von hochpräzisen Beschleunigungsmessern auf jedem einzelnen Satelliten der Konstellation reduziert werden kann. Verschiedene Missionsszenarien werden mithilfe geschlossener LL-SST-Simulationen analysiert, darunter Konfigurationen mit klassischen elektrostatischen Beschleunigungsmessern, quantenbasierten Cold-Atom-Interferometrie-(CAI)-Beschleunigungsmessern sowie hybriden EA–CAI-Systemen.

Ein besonderer Schwerpunkt liegt auf KI-basierten Ansätzen, bei denen Machine-Learning-Modelle verwendet werden, um Beziehungen zwischen Satelliten zu erlernen und degradierte oder fehlende ACC-Beobachtungen zu rekonstruieren. Die entwickelten Modelle ermöglichen eine datengetriebene Signaltransplantation zwischen Satelliten und unterstützen eine verbesserte Rekonstruktion nicht-gravitativer Beschleunigungen innerhalb der Prozesskette der Schwerefeldbestimmung.

Die Ergebnisse zeigen, dass KI-gestützte ACC-Transplantation die Rekonstruktion von Beschleunigungssignalen deutlich verbessern und die Qualität der Schwerefeldbestimmung steigern kann. Insbesondere hybride Missionsarchitekturen in Kombination mit Machine-Learning-Ansätzen stellen eine robuste und kosteneffiziente Alternative zu vollständig ausgestatteten Dual-Sensor-Konfigurationen dar, wobei eine vergleichbare Genauigkeit der Schwerefeldrekonstruktion erreicht wird. Darüber hinaus zeigt die Integration quantenbasierter Beschleunigungsmesser ein großes Potenzial zur Verbesserung der niederfrequenten Stabilität, welche eine zentrale Anforderung zukünftiger Satellitengravimetrie-Missionen darstellt.

Die vorgestellte Arbeit verdeutlicht das Potenzial der Kombination aus KI-basierter Signalrekonstruktion, Beschleunigungsdaten-Transplantation und Quantensensortechnologien zur Weiterentwicklung zukünftiger satellitengestützter Gravimetrie-Missionen. Diese Entwicklungen unterstützen das Design genauerer, robusterer und kosteneffizienterer GRACE-ähnlicher Missionskonzepte zur langfristigen Beobachtung des dynamischen Schwerefeldes der Erde.

Die globalen Navigationssysteme (GNSS) wie GPS, Galileo, GLONASS und BeiDou nutzen spezifische Modi der Lageregelung in den Phasen der Eklipse. In diesen Phasen nähert sich die Orbitalebene der Navigationssatelliten der Verbindungsachse Sonne-Erde an und erlaubt somit den Satelliten in den Erdschatten einzutreten.
Um dabei Stabilität und Funktionsfähigkeit zu gewährleisten, weichen die Satelliten von ihrer üblichen Lageregelung ab und vollführen teils komplexe Manöver.
Diese abweichenden Modi unterscheiden sich beträchtlich zwischen den Konstellationen, aber auch innerhalb der Konstellationen zwischen den verschiedenen Herstellern und Satellitengenerationen.

Im Jahr 2021 wurden die verfügbaren Modi in einem allgemeinen Rahmen für präzise Orbitbestimmung (POD) in die Open-Source-Software GROOPS integriert. Diese Präsentation gibt nun einen Überblick über die bestehende Implementierung, vergleicht sie mit alternativen Methoden und diskutiert die nötigen Anpassungen für die neueste Generation der GNSS Satelliten.