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.