Das Weltraumkommando der Luftwaffe ist in den Dienst gestellt und somit ist auch der Weltraum ein Wirkraum für die Bundeswehr.
Zu einem aussagekräftigen Weltraum-Lagebild für ein handlungsfähiges Lagezentrum gehören auch Wettervorhersagen und Kollisionswarnungen. Ziel solcher Weltraumwetterprognosen ist es, Satelliten vor „Wetterumschwüngen“ im All zu schützen, die vielleicht die Elektronik eines Beobachtungssatelliten gefährden, oder Kollisionen, die zum Beispiel ein Solarpanel mit hoher Geschwindigkeit durchschlagen.
Um das zu optimieren, haben wir ein KI-Analysetool zur Weltraum-Wettervorhersage und eine KI-Anwendung zur Kollisionswarnung entwickelt, auf Basis der CIHBw-Entwicklungsplattform. Gemeinsam mit dem Data Analytics Team der BWI GmbH sind wir hierzu in einem „Team-of-Teams“ Ansatz mit dem Systemzentrum 25 für das Weltraumlagezentrum der Luftwaffe aktiv geworden.
Die KI wertet kontinuierlich alle für die Prognosen erhobenen Daten aus und gleicht sie mit den Erwartungswerten der Modelle ab. Fällt eine Datenquelle aus, ist die KI in der Lage, Daten über einen kurzen Zeitraum zu simulieren - um so das Gesamtbild weiterhin akkurat zu halten. Somit bleibt das Weltraumlagezentrum handlungsfähig und kann zum Beispiel Satelliten auf deren Umlaufbahn auf das berechnete Wetter vorbereiten.
Dahinter steckt nicht nur die Zusammenführung momentaner Einzeldaten, sondern auch die Erfassung kompletter Datenreihen über längere Zeiträume. Die Analysetools basieren auf MachineLearning-Systemen.
Für die Bundeswehr sind derartige KI-Prozesse Beispiele für die wichtigen neuen Fähigkeiten, die eine moderne Armee benötigt. Das KI-gestützte und -geschützte Weltraumwetter erhöht die Sicherheit von Satelliten im Orbit. Und die tragen wiederum zu kritischen Aufgaben, zuvorderst der Landes- und Bündnisverteidigung bei.
Die zweite KI-Anwendung soll vor Kollisionen im Weltraum warnen. Hierzu analysiert sie künftig Flugbahnen von unbekannten Objekten wie Satelliten und Weltraumschrott. Damit werden Muster in deren Bahnbewegung mit maschinellen Lernverfahren gefunden. Ziel ist es, Bahnen von unbekannten Low Earth Orbit (LEO)-Objekten so genau wie möglich zu bestimmen, um präzise Kollisionsanalysen durchzuführen. Parallel sollen diese Objekte in einem Katalog gesammelt und wieder identifizierbar gemacht werden.
