juliensimon/space-track-tle-history

Space-Track TLE历史数据集是一个完整的地球轨道上每个被跟踪物体的两行元素（TLE）轨道数据档案，时间跨度为1959年至2026年。数据集包含2.38亿条TLE记录，覆盖了5万多个被跟踪物体，包括活跃卫星、火箭残骸和碎片。数据来源于Space-Track.org的批量导出，以zstd压缩的Parquet文件形式提供，每年一个文件，总计11 GB。该数据集适用于多种用途，如轨道预测、碰撞风险评估、碎片跟踪和大气阻力建模。README还详细介绍了数据模式、文件大小、相关数据集以及如何使用SGP4/SDP4传播器传播TLE数据。The Space-Track TLE History dataset is a complete archive of Two-Line Element (TLE) orbital data for every tracked object in Earth orbit, spanning from 1959 to 2026. It includes 238 million TLE records covering over 50,000 tracked objects such as active satellites, rocket bodies, and debris. The data is sourced from Space-Track.org bulk exports and is provided in zstd-compressed Parquet files, one per year, totaling 11 GB. The dataset is designed for various use cases including orbit prediction, collision risk assessment, debris tracking, and atmospheric drag modeling. The README also details the schema, file sizes, related datasets, and how to propagate the TLE data using the SGP4/SDP4 propagator.

搜集汇总

数据集介绍

构建方式

该数据集通过整合美国太空监视网络（US Space Surveillance Network）经由Space-Track.org发布的年度批量双行轨道根数（TLE）导出文件构建而成。构建过程覆盖了自1959年至2026年期间所有被追踪地球轨道物体的完整档案，原始数据未经筛选或分类处理，以每年一个zstd压缩的Parquet文件形式存储，总计包含约2.38亿条记录，数据规模达11GB。这种构建方式确保了历史轨道状态观测的连续性与完整性，为轨道力学研究提供了坚实的数据基础。

特点

本数据集作为目前公开可用的最大规模、机器学习就绪的轨道元素数据集，其核心特点在于时间跨度长达68年，涵盖了超过5万个被追踪物体，包括活跃卫星、火箭箭体以及空间碎片。数据集中每条记录均包含NORAD编号、历元时间、轨道倾角、偏心率等原始轨道参数，并衍生出近地点高度等关键指标。数据集以按年份分区的Parquet格式组织，支持流式加载，便于进行大规模时序分析与轨道演化研究，尤其适用于空间态势感知与长期轨道预测任务。

使用方法

使用者可通过Hugging Face的datasets库直接加载特定年份或整个数据集，并利用流式模式处理海量数据。数据集支持与DuckDB等工具结合进行高效SQL查询，例如追踪特定卫星的长期轨道变化或分析碰撞碎片云的演化。对于轨道位置计算，建议结合SGP4/SDP4传播器使用最近的历元数据进行传播；而对于历史分析，轨道元素本身可直接用于研究高度衰减、大气阻力建模等。该数据集还可与相关的卫星编目、发射日志等数据集通过NORAD编号进行关联，以支持更全面的空间交通管理与碎片演化分析。

背景与挑战

背景概述

在空间态势感知与轨道动力学研究领域，对地球轨道上人造物体的精确追踪与状态预测是保障航天活动安全、管理空间交通以及应对空间碎片威胁的核心基础。Space-Track TLE History数据集由研究人员Julien Simon于2026年构建并公开，其数据源自美国太空军第18太空防御中队通过Space-Track.org发布的批量两行轨道根数历史档案。该数据集系统收录了自1959年至2026年间所有被追踪空间物体的轨道观测记录，涵盖超过2.38亿条数据，涉及五万余个目标，包括活跃卫星、火箭残骸与碰撞碎片等。作为目前规模最大、可直接用于机器学习研究的公开轨道元素数据集，它为轨道预测、碰撞风险评估、碎片演化分析及大气阻力建模等前沿研究提供了前所未有的长时序、高覆盖度的数据支撑，显著推动了空间科学领域的数据驱动研究进程。

当前挑战

该数据集致力于解决空间物体轨道状态精确表征与演化预测这一复杂领域问题，其核心挑战在于轨道动力学的高度非线性与摄动因素的多样性，包括大气阻力、地球非球形引力、太阳辐射压及第三体引力等，使得基于历史TLE数据的长期精确预测极为困难。在数据集构建过程中，挑战主要源于原始数据的异构性与规模性：需从跨越近七十年的分散档案中整合、清洗并标准化海量两行轨道根数记录，确保时间戳、坐标系与物理量纲的一致性；同时，处理因观测系统升级、数据格式变迁及部分历史记录缺失所带来的数据完整性问题，并需在保持数据原始性的基础上，高效组织与存储数百GB量级的时序数据，以支持大规模分析与机器学习模型的直接调用。

常用场景

经典使用场景

在空间态势感知领域，轨道数据的长期积累对于理解航天器动力学行为至关重要。Space-Track TLE History数据集以其跨越近七十年的完整两行轨道元素记录，为轨道预测研究提供了经典的应用场景。研究者可基于该数据集，利用时间序列预测方法，分析卫星轨道参数的长期演变规律，例如通过国际空间站数十年的高度变化数据，揭示其轨道维持策略与大气阻力影响的相互作用，从而构建更为精准的轨道演化模型。

衍生相关工作

基于该数据集丰富的轨道历史信息，已衍生出多项经典研究工作。在空间碎片研究领域，学者们利用其构建了高保真的碎片演化模型，如用于模拟碎片长期分布与再入预测的数值仿真工具。在机器学习交叉领域，该数据集被用于开发基于深度学习的轨道异常检测算法与高精度轨道预报模型。此外，数据集常与卫星编目（SATCAT）等关联数据集结合，用于开展跨数据源的航天器全生命周期分析与归属识别研究，进一步拓展了空间数据科学的边界。

数据集最近研究

最新研究方向

在空间态势感知领域，Space-Track TLE History数据集正推动轨道动力学与机器学习的前沿融合。研究者们利用其跨越近七十年的海量轨道元素记录，开发深度学习模型以预测卫星及空间碎片的长期演化轨迹，尤其关注巨型星座部署带来的轨道拥挤问题。近期热点聚焦于碰撞风险评估算法的优化，通过分析历史碰撞事件如2009年宇宙-铱星撞击产生的碎片云演化，提升对近地空间交通管理的预警能力。该数据集为大气密度反演、再入预测等研究提供了前所未有的时间序列基准，深刻影响着空间可持续性与安全治理的科学决策。