9.04.2025
Eine Infrarotkamera namens Dalek setzt die Suche nach außerirdischen Technosignaturen fort
In 2021, the Office of the Director of National Intelligence (ODNI) released a report detailing recently-declassified information on Unidentified Aerial Phenomena (UAP). Since then, the Department of Defense has released annual reports on UAP through the All-domain Anomaly Resolution Office (AARO). Nevertheless, there is still a lack of publicly available scientific data. To address this, a new study led by the Harvard-Smithsonian Center for
Astrophysics (CfA) and the Galileo Project proposes an All-Sky Infrared Camera (Dalek) to search for potential indications of extraterrestrial spacecraft.
The study was led by Laura Domine, a member of the Keto-Galileo Postdoctoral Fellowship at Harvard University and a researcher with the Galileo Project. She was joined by fellow researchers from the CfA, the Galileo Project, the Whitin Observatory, the Scientific Coalition for UAP Studies, and Atlas Lens Co. The paper summarizing their proposal was presented at the 2025 Lunar and Planetary Science Conference (2025 LPSC), which took place from
March 10th to 14th in The Woodlands, Texas.
The instrument they describe in their paper is nicknamed Dalek, given its resemblance to the machine antagonists from the Doctor Who franchise (image above). This instrument builds on recommendations made by NASA in a 2023 independent study, where they stated:
Im Jahr 2021 veröffentlichte das Büro des Direktors des Nationalen Geheimdienstes (ODNI) einen Bericht mit kürzlich freigegebenen Informationen zu unbekannten Luftphänomenen (UAP). Seitdem veröffentlicht das Verteidigungsministerium jährliche Berichte zu UAP über das All-domain Anomaly Resolution Office (AARO). Dennoch mangelt es weiterhin an öffentlich zugänglichen wissenschaftlichen Daten. Um diesem Problem zu begegnen, schlägt eine neue Studie unter der Leitung des Harvard-Smithsonian Center for Astrophysics (CfA) und des Galileo-Projekts den Einsatz einer All-Sky-Infrarotkamera (Dalek) vor, um nach möglichen Hinweisen auf außerirdische Raumfahrzeuge zu suchen. Die Studie wurde von Laura Domine geleitet, Mitglied des Keto-Galileo Postdoctoral Fellowship an der Harvard University und Forscherin des Galileo-Projekts. Ihr schlossen sich Forscherkollegen vom CfA, dem Galileo-Projekt, dem Whitin-Observatorium, der Scientific Coalition for UAP Studies und der Atlas Lens Co. an. Das Papier, das ihren Vorschlag zusammenfasst, wurde auf der Lunar and Planetary Science Conference 2025 (LPSC) vorgestellt, die vom 10. bis 14. März in The Woodlands, Texas, stattfand. Das in ihrem Papier beschriebene Instrument trägt den Spitznamen „Dalek“ aufgrund seiner Ähnlichkeit mit den Maschinen-Antagonisten aus der Doctor Who-Reihe (Bild oben). Dieses Instrument baut auf Empfehlungen der NASA aus einer unabhängigen Studie aus dem Jahr 2023 auf, in der es heißt:
"[P]urpose-built future sensors for UAP detection should be designed to adjust on millisecond timescales to aid better detection. In lockstep, alert systems should detect and share transient information quickly and uniformly... Multisensor platforms are important for providing a complete picture of a UAP event. An object's motion should be
recorded, as well as its shape (imaging data), color (multispectra or hyperspectral data) and any sounds and other characteristics."
Zukünftige Sensoren zur Erkennung von UAPs sollten so konzipiert sein, dass sie sich im Millisekundenbereich anpassen, um eine bessere Erkennung zu ermöglichen. Warnsysteme sollten gleichzeitig flüchtige Informationen schnell und einheitlich erfassen und weitergeben. Multisensor-Plattformen sind wichtig, um ein vollständiges Bild eines UAP-Ereignisses zu erhalten. Die Bewegung eines Objekts sollte ebenso aufgezeichnet werden wie seine Form (Bilddaten), Farbe (Multispektren- oder Hyperspektraldaten) sowie alle Geräusche und andere Merkmale.
Their paper details this multimodal, multispectral ground-based observatory, the first instrument to undergo commissioning at the Galileo Institute's development site, and the calibration process. Professor Avi Loeb, the Frank B. Baird Jr. Professor of Science at Harvard University, the Director of the Institute for Theory and Computation (2007-present) within the CfA, is also the Head of the Galileo Project (2021-present). As he told Universe
Today via email:
Ihr Artikel beschreibt detailliert dieses multimodale, multispektrale bodengebundene Observatorium, das erste Instrument, das am Entwicklungsstandort des Galileo-Instituts in Betrieb genommen wurde, sowie den Kalibrierungsprozess. Professor Avi Loeb, Frank B. Baird Jr. Professor of Science an der Harvard University, Direktor des Instituts für Theorie und Berechnung (seit 2007) am CfA und Leiter des Galileo-Projekts (seit 2021), erklärte Universe Today per E-Mail:
"Often U.S. government data is classified, either because it was collected by classified sensors or because it is not fully understood and could potentially be relevant for national security. When in doubt, the data is not released to the public or the scientific community.
However, the sky is not classified, and so the Galileo Project is operating an all-sky observatory at Harvard University and constructing two other observatories in Pennsylvania and Nevada that are searching for anomalous objects in the infrared, optical, radio, and audio bands."
Daten der US-Regierung werden häufig als geheim eingestuft, entweder weil sie von geheimen Sensoren erfasst wurden oder weil sie nicht vollständig verstanden werden und möglicherweise für die nationale Sicherheit relevant sein könnten. Im Zweifelsfall werden die Daten weder der Öffentlichkeit noch der wissenschaftlichen Gemeinschaft zugänglich gemacht. Der Himmel ist jedoch nicht geheim, und so betreibt das Galileo-Projekt ein Himmelsobservatorium an der Harvard University und errichtet zwei weitere Observatorien in Pennsylvania und Nevada, die nach anomalen Objekten im Infrarot-, optischen, Radio- und Audiobereich suchen.
As Loeb detailed, these three observatories detect about 100,000 objects per month each and have already obtained data on about 1 million objects. This is the largest database systematically assembled on NEOs, which the Galileo Project analyzes using machinelearning software. This software consists of a You Only Look Once (YOLO) model for object detection and a Simple Online and Realtime Tracking (SORT) algorithm for trajectory reconstruction.
These algorithms are trained on familiar objects (planes, drones, balloons, birds, satellites, etc.), which allows them to sort through all observed UAPs and detect outliers. In addition, the paper contains a rundown of the observatory's first five months of operation. As the team stated in their paper, roughly 500,000 objects were detected in this period. About 16% of the trajectories they reconstructed (~80,000) were flagged as outliers at a 95% confidence level and manually examined with infrared images.
Wie Loeb detailliert darlegte, erfassen diese drei Observatorien jeweils etwa 100.000 Objekte pro Monat und haben bereits Daten zu etwa einer Million Objekten gesammelt. Dies ist die größte Datenbank, die systematisch zu NEOs aufgebaut wurde. Das Galileo-Projekt analysiert sie mithilfe von Machine-Learning-Software. Diese Software besteht aus einem You Only Look Once (YOLO)-Modell zur Objekterkennung und einem Simple Online and Realtime Tracking (SORT)-Algorithmus zur Rekonstruktion der Flugbahn. Diese Algorithmen werden an bekannten Objekten (Flugzeugen, Drohnen, Ballons, Vögeln, Satelliten usw.) trainiert, wodurch sie alle beobachteten UAPs sortieren und Ausreißer erkennen können. Darüber hinaus enthält die Studie einen Überblick über die ersten fünf Betriebsmonate des Observatoriums. Wie das Team in seiner Studie feststellte, wurden in diesem Zeitraum rund 500.000 Objekte erfasst. Etwa 16 % der rekonstruierten Flugbahnen (~80.000) wurden mit einer 95-prozentigen Sicherheit als Ausreißer markiert und manuell mit Infrarotbildern untersucht.
From these, 144 trajectories remained ambiguous, which they state are likely mundane objects that cannot be further classified without information, distance, and other sensor data. Said Loeb:
Davon blieben 144 Flugbahnen unklar. Sie geben an, dass es sich wahrscheinlich um alltägliche Objekte handelt, die ohne Informationen, Entfernung und andere Sensordaten nicht weiter klassifiziert werden können. Loeb sagte:
"In the first five months of commissioning data reported in this paper, we studied half a million objects and assessed our ability to classify them without distance information. In the future, we hope to measure distances to objects based on triangulation by multiple detectors spaced apart within each observatory. This will allow us to determine the velocity and acceleration of various types of objects and clearly identify anomalous ones."
In den ersten fünf Monaten der Inbetriebnahme der in diesem Artikel veröffentlichten Daten haben wir eine halbe Million Objekte untersucht und unsere Fähigkeit bewertet, sie ohne Entfernungsinformationen zu klassifizieren. Zukünftig hoffen wir, die Entfernung zu Objekten mithilfe von Triangulation durch mehrere, in jedem Observatorium verteilte Detektoren messen zu können. Dies wird es uns ermöglichen, die Geschwindigkeit und Beschleunigung verschiedener Objekttypen zu bestimmen und anomale Objekte eindeutig zu identifizieren.
As Loeb detailed, these three observatories detect about 100,000 objects per month each and have already obtained data on about 1 million objects. This is the largest database systematically assembled on NEOs, which the Galileo Project analyzes using machinelearning software. This software consists of a You Only Look Once (YOLO) model for object detection and a Simple Online and Realtime Tracking (SORT) algorithm for trajectory reconstruction.
These algorithms are trained on familiar objects (planes, drones, balloons, birds, satellites, etc.), which allows them to sort through all observed UAPs and detect outliers. In addition, the paper contains a rundown of the observatory's first five months of operation. As the team stated in their paper, roughly 500,000 objects were detected in this period. About 16% of the trajectories they reconstructed (~80,000) were flagged as outliers at a 95% confidence level and manually examined with infrared images.
Wie Loeb detailliert darlegte, erfassen diese drei Observatorien jeweils etwa 100.000 Objekte pro Monat und haben bereits Daten zu etwa einer Million Objekten gesammelt. Dies ist die größte Datenbank, die systematisch zu NEOs aufgebaut wurde. Das Galileo-Projekt analysiert sie mithilfe von Machine-Learning-Software. Diese Software besteht aus einem You Only Look Once (YOLO)-Modell zur Objekterkennung und einem Simple Online and Realtime Tracking (SORT)-Algorithmus zur Rekonstruktion der Flugbahn. Diese Algorithmen werden an bekannten Objekten (Flugzeugen, Drohnen, Ballons, Vögeln, Satelliten usw.) trainiert, wodurch sie alle beobachteten UAPs sortieren und Ausreißer erkennen können. Darüber hinaus enthält die Studie einen Überblick über die ersten fünf Betriebsmonate des Observatoriums. Wie das Team in seiner Studie feststellte, wurden in diesem Zeitraum rund 500.000 Objekte erfasst. Etwa 16 % der rekonstruierten Flugbahnen (~80.000) wurden mit einer 95-prozentigen Sicherheit als Ausreißer markiert und manuell mit Infrarotbildern untersucht.
By comparison, classified studies performed by governmental agencies such as the AARO - which can often leverage distance estimations from radar data and multiple sensors - reported that ∼3% of the cases brought to their attention remained ambiguous. The ultimate goal, said Loeb, is to find the few (if any) outliers that could be considered evidence of a technologically advanced species (aka. technosignatures). Said Loeb:
Im Vergleich dazu berichteten geheime Studien von Regierungsbehörden wie der AARO – die oft Entfernungsschätzungen aus Radardaten und mehreren Sensoren nutzen –, dass etwa 3 % der ihnen gemeldeten Fälle unklar blieben. Das ultimative Ziel, so Loeb, sei es, die wenigen (wenn überhaupt) Ausreißer zu finden, die als Beweis für eine technologisch fortgeschrittene Spezies (auch bekannt als Technosignaturen) gelten könnten. Loeb sagte:
"Our goal is to check if there are any objects which display anomalous flight characteristics or shapes. Even if one in a million happened to show abilities beyond human-made technologies, it would constitute the biggest scientific discovery ever made. Such an object could suggest the existence of an extraterrestrial technological civilization from which we can learn about more advanced science and technology than humans developed over the past century."
Unser Ziel ist es, zu prüfen, ob es Objekte mit ungewöhnlichen Flugeigenschaften oder ungewöhnlichen Formen gibt. Selbst wenn nur eines von einer Million über Fähigkeiten verfügen würde, die über die Fähigkeiten menschlicher Technologien hinausgehen, wäre dies die größte wissenschaftliche Entdeckung aller Zeiten. Ein solches Objekt könnte auf die Existenz einer außerirdischen technologischen Zivilisation hindeuten, von der wir mehr über fortschrittlichere Wissenschaft und Technologie lernen können, als sie der Mensch im letzten Jahrhundert entwickelt hat.
Quelle: Universe Today
+++
CENAP Anmerkung: Wir beobachten bei unseren Recherchen und Fallbearbeitungen sehr wohl "ungewöhnliche Flugeigenschaften und auch Formen" welche uns die Zufallsbeobachter beschreiben welche sich dann als "normale Ursachen" herausstellen. So kann man die Bestrebungen des Galileo Projekts zwar als Ansatz verstehen, wenn eigentlich auf Verhaltensweisen von UAPs aufgebaut wird welche nur aus Deutungen und Falschauslegungen diverser Infrarot-Aufnahmen stammen. Wie umstritten diese Aufnahmen sind ist in den einschlägigen Foren bekannt, die einen lehnen sie ab andere belegen sie mit Fakten wie die Aufnahme der USS RUSSELL welche klar nur Unschärfeartefakte von Sternen sind. Diese Aufnahmen werden aber immer noch als "Beweis" gesehen und von den UFO Promotern verbreitet.
H.Köhler/CENAP