Machine Learning techniques to detect manoeuvres in GEO satellites
La rápida expansión de las actividades espaciales y la proliferación de objetos en órbita aumentan la complejidad de la vigilancia espacial y el riesgo de colisiones, lo que requiere de unas capacidades de detección de maniobras más automatizadas y robustas. Los métodos tradicionales de detección de...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad Nacional de Educación a Distancia |
| Repositorio: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | español |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/30323 |
| Acceso en línea: | https://hdl.handle.net/20.500.14468/30323 |
| Access Level: | acceso abierto |
| Palabra clave: | 1203.17 Informática SSA GEO IA detección de maniobras AI manoeuvre detection |
| Sumario: | La rápida expansión de las actividades espaciales y la proliferación de objetos en órbita aumentan la complejidad de la vigilancia espacial y el riesgo de colisiones, lo que requiere de unas capacidades de detección de maniobras más automatizadas y robustas. Los métodos tradicionales de detección de maniobras de satélites basados en comprobaciones de consistencia de la propagación orbital y el análisis estadístico de valores atípicos con umbrales diseñados manualmente pueden tener dificultades ante comportamientos anómalos o ruidosos. Este trabajo propone y compara diferentes modelos de aprendizaje automático para detectar maniobras de reposicionamiento de satélites GEO a partir de una serie de datos temporal de TLEs públicos. El estudio analiza un conjunto de datos de cinco años con casi 5 millones de TLEs de 1.449 objetos GEO. Esta serie de datos ha sido procesada para obtener la posición geográfica de los satélites (latitud, longitud y altitud) muestreada diariamente. El conjunto de datos se ha extendido con las maniobras de reposicionamiento etiquetadas mediante un sencillo algoritmo de detección cuya salida se ha depurado manualmente para suprimir falsos positivos. Se han evaluado cuatro modelos de aprendizaje automático Red Neuronal Convolucional (CNN), red Long Short-Term Memory (LSTM), Transformer y Random Forest— y sus resultados se han comparado sistemáticamente tras ajustar los hiperparámetros mediante grid search y validación cruzada (3-fold ). Las métricas empleadas para la comparación han sido la matriz de confusión, la precisión (accuracy) y el tiempo de entrenamiento. También se ha comparado el rendimiento de los distintos modelos en función de los días transcurridos desde el inicio de la maniobra para evaluarlos en un escenario cercano a las operaciones rutinarias de vigilancia espacial. Este estudio demuestra que los modelos de aprendizaje automático pueden identificar eficazmente maniobras de reposicionamiento GEO en series TLE, ofreciendo un complemento a las técnicas tradicionales de mantenimiento de catálogo. Trabajos futuros podrían abordar la reducción de falsas alarmas en contextos operacionales como éste, altamente desbalanceados, la localización temporal precisa de la maniobra y la extrapolación de este estudio a otros regímenes orbitales. |
|---|