Machine Learning calibration of satellite platform magnetometer data

Kevin Styp-Rekowski

doi:10.18453/rosdok_id00004838

Kevin Styp-Rekowski

Machine Learning calibration of satellite platform magnetometer data

Universität Rostock, 19.02.2024

https://doi.org/10.18453/rosdok_id00004838

Abstract: Diese Forschung untersucht die Entwicklung des Erdmagnetfeldes und betont die Bedeutung präziser Daten. Die Dissertation führt einen maschinellen Lernansatz zur Verbesserung der Kalibrierung von Magnetometern auf nicht dedizierten Satelliten ein, um die Probleme der groben Kalibrierung zu lösen. Angewendet auf die GOCE- und GRACE-FO-Missionen, verbessert die Methodik die Datenpräzision erheblich und ermöglicht wissenschaftliche Anwendungen. Diese Arbeit erhöht die Datenverfügbarkeit für geomagnetische Studien und ebnet den Weg für die Anwendung auf zukünftige Satellitenmissionen.

Dissertation Freier Zugang

Titel:

Machine Learning calibration of satellite platform magnetometer data

Beteiligte Personen:

Kevin Styp-Rekowski[VerfasserIn]
	0000-0001-8267-521X
	1369127588
Claudia Stolle[AkademischeR BetreuerIn]
	0000-0002-5717-1623
	129785350
	IAP Kühlungsborn
Odej Kao[AkademischeR BetreuerIn]
	118183850
	TU Berlin
Alexander V. Grayver[AkademischeR BetreuerIn]
	0000-0003-1132-3705
	1036760677

Beteiligte Körperschaften:

Universität Rostock[Grad-verleihende Institution]
	38329-6
Universität Rostock. Mathematisch-Naturwissenschaftliche Fakultät[Grad-verleihende Institution]
	2147083-2

Zusammenfassung:

This research explores the evolution of Earth's magnetic field, emphasizing the importance of accurate data for analysis and prediction. The dissertation introduces a novel Machine Learning-based approach to enhance the calibration of platform magnetometers on non-dedicated satellites, addressing the challenges of their rough calibration. The methodology, applied to the GOCE and GRACE-FO missions, significantly improves data accuracy, enabling scientific application. This work increases data availability for geomagnetic studies and sets the stage for future applications in satellite missions. [Englisch]

Diese Forschung untersucht die Entwicklung des Erdmagnetfeldes und betont die Bedeutung präziser Daten. Die Dissertation führt einen maschinellen Lernansatz zur Verbesserung der Kalibrierung von Magnetometern auf nicht dedizierten Satelliten ein, um die Probleme der groben Kalibrierung zu lösen. Angewendet auf die GOCE- und GRACE-FO-Missionen, verbessert die Methodik die Datenpräzision erheblich und ermöglicht wissenschaftliche Anwendungen. Diese Arbeit erhöht die Datenverfügbarkeit für geomagnetische Studien und ebnet den Weg für die Anwendung auf zukünftige Satellitenmissionen. [Deutsch]

Dokumenttyp:

Dissertation

Einrichtung:

Mathematisch-Naturwissenschaftliche Fakultät

Sprache:

Englisch

Sachgruppe der DNB:

004 Informatik

500 Naturwissenschaften

530 Physik

Umfang:

1 Online-Ressource (VIII, 107 Seiten)