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...

Descripción completa

Detalles Bibliográficos
Autor: Tirado Vélez, Jesús
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
id ES_880fc4d0ccc144d70f62e0ff75b55c0c
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/30323
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Machine Learning techniques to detect manoeuvres in GEO satellites
Técnicas de Aprendizaje Automático para la detección de maniobras en satélites GEO
title Machine Learning techniques to detect manoeuvres in GEO satellites
spellingShingle Machine Learning techniques to detect manoeuvres in GEO satellites
Tirado Vélez, Jesús
1203.17 Informática
SSA
GEO
IA
detección de maniobras
SSA
GEO
AI
manoeuvre detection
title_short Machine Learning techniques to detect manoeuvres in GEO satellites
title_full Machine Learning techniques to detect manoeuvres in GEO satellites
title_fullStr Machine Learning techniques to detect manoeuvres in GEO satellites
title_full_unstemmed Machine Learning techniques to detect manoeuvres in GEO satellites
title_sort Machine Learning techniques to detect manoeuvres in GEO satellites
dc.creator.none.fl_str_mv Tirado Vélez, Jesús
author Tirado Vélez, Jesús
author_facet Tirado Vélez, Jesús
author_role author
dc.contributor.none.fl_str_mv Sarro Baro, Luis Manuel
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.17 Informática
SSA
GEO
IA
detección de maniobras
SSA
GEO
AI
manoeuvre detection
topic 1203.17 Informática
SSA
GEO
IA
detección de maniobras
SSA
GEO
AI
manoeuvre detection
description 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.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-10-03
2025
2025-09-01
2025
2025-09-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14468/30323
url https://hdl.handle.net/20.500.14468/30323
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:e-spacio. Repositorio Institucional de la UNED
instname:Universidad Nacional de Educación a Distancia
instname_str Universidad Nacional de Educación a Distancia
reponame_str e-spacio. Repositorio Institucional de la UNED
collection e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869412522893770752
spelling Machine Learning techniques to detect manoeuvres in GEO satellitesTécnicas de Aprendizaje Automático para la detección de maniobras en satélites GEOTirado Vélez, Jesús1203.17 InformáticaSSAGEOIAdetección de maniobrasSSAGEOAImanoeuvre detectionLa 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.The rapid expansion of space activities and the proliferation of objects in orbit increase the complexity of space surveillance and the risk of collisions, motivating more automated and robust manoeuvre detection capabilities. Traditional satellite manoeuvre detection methods rooted in orbital propagation consistency checks and statistical outlier analysis can struggle with subtle or noisy behaviour. This work proposes and compares machine learning approaches to detect GEO satellite repositioning manoeuvres from publicly available TLE data. A five-year dataset with nearly 5 million TLEs for 1,449 GEO objects is analyzed. The input data have been processed to obtain the satellites’ geographic positions (latitude, longitude, and altitude) sampled daily. The dataset was augmented with repositioning manoeuvres labeled by a simple detection algorithm and then manually curated to suppress false positives. Four machine learning models -Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM) network, Transformer and Random Forest- are evaluated and their results were systematically compared to each other after fine tuning their hyperparameters with grid search and 3-fold cross-validation. The metrics used for comparison were confusion matrix, accuracy, and training time. The performance of the different models, as a function of the elapsed days since the manoeuvre started, was also compared to assess them in a scenario close to routine space surveillance operations. This study demonstrates that machine learning models can effectively identify GEO repositioning manoeuvres in a TLE series, offering a complement to traditional catalogue maintenance techniques. Future work could address reduction of false alarms in highly imbalanced operational settings, temporal localization of manoeuvre, and extensibility to other orbital regimes.Sarro Baro, Luis Manuele-Spacio UNED20252025-10-0320252025-09-0120252025-09-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/30323reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/303232026-06-06T12:38:31Z
score 15,812429

Similares en LA Referencia