Record #341188 - GSI Repository

DFG project G:(GEPRIS)526203185

Zurückliegende und zukünftige hochgenaue und konsistente Erdorientierungsparameter für die Geodätische Forschung im Rahmen der Erdsystemwissenschaften (PROGRESS)

Coordinator	Dr.-Ing. Mathis Bloßfeld ; Dr. Robert Dill ; Professor Dr. Urs Hugentobler
Grant period	2023 -
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)526203185

Note: Die genaue Kenntnis der Orientierung und Rotation der Erde ist von essentieller Bedeutung für eine Vielzahl von wissenschaftlichen und gesellschaftlichen Anwendungen wie z.B. der Kommunikation im erdnahen und tiefen Weltall, der globalen Positionierung und Navigation und schließlich der Beobachtung der Phänomene des globalen Wandels. Die Erdorientierungsparameter (EOPs) beschreiben die Lage der Erdrotationsachse vom Weltall und von der Erdoberfläche aus gesehen sowie die Rotationsrate der Erde selbst und deren Änderungen. Während die Lage der Erdrotationsachse vom Weltall aus gesehen sehr genau modelliert werden kann sind die Parameter von der Erdoberfläche aus gesehen (Erdrotationsparameter; ERP) nur über Beobachtungen der vier geodätischen Weltraumtechniken bestimmbar. Diese Techniken sind Laserentfernungsmessungen zum Mond und zu Satelliten (LLR, SLR), Dopplermessungen zu Satelliten (DORIS), das Globale Satellitennavigationssystem (GNSS) und Radiointerferometrie auf langen Basislinien (VLBI). Heutzutage sind die Kombinationsansätze zur Berechnung sowie der Vorhersage der ERP nicht konsistent und können aktuelle Genauigkeitsanforderungen nicht mehr bedienen. Dieses Projekt zielt auf die Entwicklung einer optimalen Kombinationsstrategie für endgültige und zeitnah verfügbare ERPs sowie die Vorhersage von ERPs basierend auf effektiven Drehimpulsdaten (EAMs) ab. Insbesondere wichtig sind dabei ein konsistentes mathematisches Modell aller Unbekannten und homogene Hintergrundmodelle aller Eingangsdaten. Des Weiteren liegt der Fokus dieses Projektes auf der Weiterentwicklung der Kombination auf Normalgleichungsebene (NEQ-Level), die durch eine geeignete Filtermethode (Kalman- oder informations-basierter Filter) vervollständigt wird. Für die Prädiktion werden Ansätze basierend auf EAM-Daten weiterentwickelt und das Potential von Methoden basierend auf künstlicher Intelligenz (AI) oder künstlichen neuralen Netzwerken (ANNs) untersucht.

Recent Publications

There are no publications

Record created 2023-08-14, last modified 2024-09-28

Similar records

Add to personal basket
Export as Author List with IDs BibTeX (UTF-8), EndNote XML, EndNote Text, RIS, MARC, Print MARC, MARCXML, DC,
Request correction
Submit fulltext

GSI Homepage \| GSI Library \| English Deutsch \| guest :: login GSI Repository
Search	Submit	Personalize Your alerts Your baskets Your searches	Help