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.

Physikalische Höhensysteme sind essenziell für die Beobachtung klimarelevanter Prozesse wie Meeresspiegeländerungen, Massenumlagerungen und Oberflächendeformationen. Bestehende physikalische Höhensysteme basieren jedoch auf regionalen Realisierungen, die an lokale Datums und Pegelstationen gebunden sind, was zu systematischen Inkonsistenzen und einer eingeschränkten zeitlichen Stabilität führt. Das International Height Reference System (IHRS) wurde definiert, um ein global konsistentes, potentialbasiertes Höhensystem bereitzustellen. Optische Atomuhren bieten eine neuartige Möglichkeit, da sie über die chronometrische Nivellementierung einen direkten Zugang zu Schwerepotentialdifferenzen ermöglichen; ein systematischer Rahmen für deren Integration in geodätische Referenzsysteme fehlt jedoch bislang.

Diese Arbeit entwickelt und testet ein uhrenfähiges (clock-ready) Realisierungsrahmenwerk für physikalische Höhensysteme, das Uhrennetzwerke, Schwerefeldinformationen und klassische Höhendaten integriert. Als realistisches europäisches Testgebiet wird das European Vertical Reference Frame (EVRF2019) verwendet, ergänzt durch bestehende und geplante Glasfaserverbindungen zwischen aktuellen und zukünftigen Uhrenstandorten. Schwerepotentialdifferenzen und deren zeitliche Variationen zwischen ausgewählten Uhrenstandorten werden modelliert, wobei Oberflächendeformationen und Massenumlagerungseffekte berücksichtigt werden. Diese modellierten Potentialunterschiede werden anschließend in simulierte Uhrenbeobachtungen überführt, die den Leistungsniveaus aktueller und zukünftiger optischer Uhren entsprechen. Dieser Ansatz ermöglicht die Validierung des Rahmens ohne ein dichtes operatives Uhrennetzwerk, bleibt jedoch vollständig kompatibel mit einer zukünftigen Integration realer Uhren- und Quantengravimetrie-Beobachtungen.

Als komplementärer methodischer Bestandteil wird die uhrenbasierte Vereinheitlichung regionaler Höhensysteme in geschlossenen Simulationsketten für Europa und Brasilien untersucht, wobei realistische Netzwerkkonfigurationen, Verbindungstechnologien und Rauschcharakteristiken berücksichtigt werden. Die Ergebnisse zeigen, dass bei Uhrenunsicherheiten im Bereich von 10⁻¹⁸ und optimierten Uhrenverteilungen regionale Höhensysteme mit einer Genauigkeit von 1–2 cm auf ein vordefiniertes Datum vereinheitlicht und konsistent mit dem globalen Geoid verbunden werden können. Insgesamt zeigt diese Arbeit, dass ein uhrenfähiges, dynamisch kontrolliertes Höhensystem bereits in einer vor-operativen Form unter Nutzung bestehender geodätischer Infrastruktur realisiert werden kann und eine klare Perspektive für die zukünftige Integration realer Uhrendaten und quantengravimetrischer Beobachtungen bietet.