ماموریت‌های خصوصی

شبکه اعماق فضایی ناسا: چگونه فضاپیماها با زمین ارتباط برقرار می‌کنند

شبکه اعماق فضایی (DSN) مجموعه‌ای از رادیوتلسکوپ‌های جهانی ناسا است که امکان برقراری ارتباط با فضاپیماها را فراهم می‌آورد. تماس‌های راه دور با این شبکه قابل مقایسه نیستند.

شبکه اعماق فضایی ناسا: چگونه فضاپیماها با زمین ارتباط برقرار می‌کنند
شبکه اعماق فضا یکی از تأسیسات آزمایشگاه پیشرانش جت ناسا است که در آن بسیاری از مأموریت‌های فضایی این سازمان طراحی، ساخته و مدیریت می‌شوند. (اعتبار تصویر: نولا تیلور رد)
توسط مونا علی اکبرخان افجه
4 دقیقه مطالعه

سه ایستگاه در نقاط مختلف جهان ارتباط با فضاپیماها را در حین سفر در منظومه شمسی و حتی در حال خروج از آن ممکن می‌سازند.

این شبکه، بخشی از زیرساخت‌های حیاتی ناسا است که تصاویری از نخستین قدم انسان روی ماه ارسال کرد، نقشی اساسی در نجات فضانوردان آپولو ۱۳ ایفا کرد، و اولین تصاویر از سیارات دیگر را بازگرداند.

در سال ۱۳۴۱هجری شمسی، اولین سال فعالیت DSN، این شبکه با سه فضاپیما ارتباط داشت. تا سال ۱۳۹۱هجری شمسی، DSN توانست با ۳۳ فضاپیما در سراسر منظومه شمسی ارتباط برقرار کند، از جمله ماهواره‌های وویجر که در حال ترک منظومه شمسی هستند.

NASA1
یک پلاک محل “مرکز جهان” را مشخص می‌کند، لقبی که به مرکز فرماندهی شبکه فضای عمیق داده شده است. (اعتبار تصویر: نولا تیلور رد)

توزیع جهانی ایستگاه‌ها

امروزه DSN شامل سه ایستگاه است که تقریباً با فاصله ۱۲۰ درجه در سراسر جهان قرار دارند. هر فضاپیما در هر زمان می‌تواند در خط دید یکی از این ایستگاه‌ها باشد. هر ایستگاه دارای چندین دیش سهموی است، از جمله یک دیش ۷۰ متری. این شبکه توانایی دریافت سیگنال‌های بسیار ضعیف از فضاپیماهای دوردست را دارد.

تاریخچه و توسعه DSN

در دی ۱۳۳۶، آزمایشگاه پیشرانش جت (JPL) که در آن زمان زیر نظر ارتش ایالات متحده فعالیت می‌کرد، ایستگاه‌های ردیابی سیار در نیجریه، سنگاپور و کالیفرنیا مستقر کرد تا سیگنال‌های ماهواره Explorer 1 را دریافت کند. چند ماه بعد، JPL تحت نظارت ناسا قرار گرفت و DSN برای مدیریت یکپارچه ارتباطات مأموریت‌های فضایی عمیق تأسیس شد.

NASA2
ایستگاه‌های شبکه فضای عمیق در گلدستون کالیفرنیا، مادرید اسپانیا و کانبرا استرالیا قرار دارند. (اعتبار تصویر: ناسا)

مکان‌های کلیدی DSN

  • گلدستون در صحرای موهاوی، نخستین ایستگاه DSN بود که به دلیل دوری از منابع تداخل رادیویی انتخاب شد.
  • مرکز ارتباطات کانبرا (CDSCC) در استرالیا در سال ۱۳۴۳هجری شمسی افتتاح شد و هنوز فعال است. این ایستگاه در مأموریت آپولو نقش مهمی داشت.
  • مرکز ارتباطات مادرید (MDSCC) در اسپانیا نیز در همان سال راه‌اندازی شد.

نقش‌های کلیدی در مأموریت‌ها

DSN نقش حیاتی در مأموریت‌های آپولو ایفا کرد، از جمله ارسال اولین تصاویر تلویزیونی از قدم گذاشتن نیل آرمسترانگ روی ماه در سال ۱۳۴۷ هجری شمسی و کمک به بازگرداندن فضانوردان آپولو ۱۳. همچنین DSN اولین تصاویر نزدیک از مریخ و عطارد را از مأموریت‌های مارینر دریافت کرد. در مأموریت وویجر، این شبکه داده‌های سیارات و عکس معروف “نقطه آبی کمرنگ” زمین را ارسال کرد.

علاوه بر ارتباطات، DSN برای انجام پژوهش‌های علمی نیز استفاده می‌شود. با بررسی سیگنال‌ها، این شبکه می‌تواند فاصله دقیق تا فضاپیما را محاسبه کند و از رادار برای بررسی سیارک‌ها یا مطالعه منابع رادیویی مانند تپ‌اخترها استفاده کند.

کنترل شبکه DSN

کنترل DSN توسط JPL در پاسادینا، کالیفرنیا انجام می‌شود. مرکز کنترل شامل مجموعه‌ای از کامپیوترها و صفحه‌نمایش‌هایی است که مأموریت‌های مختلف را پیگیری می‌کنند. این مرکز به عنوان “مرکز جهان” شناخته می‌شود و نقش اصلی در مدیریت مأموریت‌های فضایی ناسا دارد.

DSN با پشتیبانی از مأموریت‌های بین‌المللی، از جمله مأموریت‌های سازمان‌های فضایی اروپا، ژاپن و هند، نشان‌دهنده همکاری علمی جهانی است. بدون DSN، بسیاری از داده‌های علمی از فضاپیماها هرگز به زمین نمی‌رسید.

منابع:space.com
این مقاله را به اشتراک بگذارید
مونا علی اکبرخان افجه
توسط مونا علی اکبرخان افجه
دانشجوی دکتری ژئوفیزیک گرایش لرزه شناسی هستم. ژئوفیزیک به بررسی ابعاد زمین و اتفاقاتی مانند زلزله و لرزه هایی که توسط فعالیت انسان به‌وجود می‌آید، می پردازد. فعالیت در حوزه زمین و فضا از علاقه مندی ام است.
نظر بدهید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

جدیدترین مطالب

import numpy as np import h5py data='/content/drive/MyDrive/SILIXA_iDAS015_181219184621_fieldID000212.h5' data1=h5py.File(data,'r') print(data1.keys()) display(data1) display(data) raw_data = data1['DasRawData']['RawData'] x_axis = np.arange(raw_data.shape[1]) t_axis = np.arange(raw_data.shape[0]) print(x_axis.shape) print(t_axis.shape) import matplotlib.pyplot as plt import numpy as np ns = 30000 fs = 1000 dx = 1.021 nx = 3136 GL = 10 x = np.arange(nx) * dx def u(x, t): return np.exp(-(x - t)**2) def calculate_result(x): return 1/10 * (u(x - 5, t) - u(x + 5, t)) traces = [] for t in range(0,30000): tr = [calculate_result(x_val) for x_val in x] traces.append(tr) traces_array = np.array(traces) print(f"traces_array : {traces_array.shape}")
ساختار کلان در ژرفای کهکشان‌ها؛ چگونه ذهن ما از کیهان عقب می‌ماند؟

جدیدترین های تکنوتا