The increasing proliferation of space debris, intermittent space incidents, and the rapid emergence of massive LEO satellite constellations pose significant threats to satellites in orbit. Ground-based optical observations play a crucial role in space surveillance and space situational awareness (SSA). The Zhulong telescopic observation network stands as a pivotal resource in the realm of space object tracking and prediction. This publicly available network plays a critical role in furnishing essential data for accurately delineating and forecasting the orbit of space objects in Earth orbit. Comprising a sophisticated array of hardware components including precise telescopes, optical sensors, and image sensors, the Zhulong network synergistically collaborates to achieve unparalleled levels of precision in tracking and observing space objects. Central to the network’s efficacy is its ability to extract positional information, referred to as angular data, from consecutive images. These angular data serve as the cornerstone for precise orbit determination and prediction. In this study, the CPF (Consolidated Prediction Format) orbit serves as the reference standard against which the accuracy of the angular data is evaluated. The findings reveal that the angular data error of the Zhulong network remains consistently below 3 arcseconds, attesting to its remarkable precision. Moreover, through the accumulation of angular data over time, coupled with the utilization of numerical integration and least squares methods, the Zhulong network facilitates highly accurate orbit determination and prediction for space objects. These methodologies leverage the wealth of data collected by the network to extrapolate trajectories with unprecedented accuracy, offering invaluable insights into the behavior and movement of celestial bodies. The results presented herein underscore the immense potential of electric optic telescopes in the realm of space surveillance. By harnessing the capabilities of the Zhulong network, researchers and astronomers can gain deeper insights into the dynamics of space objects, thereby advancing our understanding of the cosmos. Ultimately, the Zhulong telescopic observation network emerges as a pioneering tool in the quest to unravel the mysteries of the universe.

The airborne electromagnetic (AEM) method can be used to effectively explore underground conductivity structures at high resolution. Conventional three-dimensional (3D) AEM inversions are mainly based on gradient-type deterministic methods; however, their results cannot be evaluated without bias because they only provide an updated model from an initial one. Here, we propose a footprint-driven stochastic approximation (FSA) method for 3D time-domain AEM inversion. We first adopt a compressed sensing strategy to speed up the forward modeling process, where random K-set ( K≥1) data are sampled with a preset sampling rate to guarantee a high-precision reconstruction. Then, we establish K-sets of stochastic inversion equations with a preconditioner consisting of the sampling rate and gradient noise and produce K different updates that have different focuses on the underground structure. The final model update in each iteration is obtained using a footprint-driven averaging technique that first considers the contributions of K-set models on the underground structures in terms of AEM footprint, then uses the mean value and standard deviation to determine whether each model is accepted or rejected. Numerical experiments show that the K updates of the FSA inversion gradually reveal similar structures as the inversion proceeds. The small uncertainty and acceptable relative accuracy further demonstrate the efficacy of the proposed parameter selection strategy. As such, the method can provide a reliable conductivity distribution with uncertainty for synthetic data, as well as a practical model from the Lisheen sulfide deposit.