Machine Learning techniques to detect manoeuvres in GEO satellites

Tirado Vélez, Jesús

Publicación:
Machine Learning techniques to detect manoeuvres in GEO satellites

dc.contributor.author	Tirado Vélez, Jesús
dc.contributor.director	Sarro Baro, Luis Manuel
dc.date.accessioned	2025-10-03T13:00:00Z
dc.date.available	2025-10-03T13:00:00Z
dc.date.issued	2025-09
dc.description.abstract	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.	es
dc.description.abstract	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.	en
dc.identifier.citation	Tirado Vélez, Jesús. Trabajo Fin de Máster: "Machine Learning techniques to detect manoeuvres in GEO satellites". Universidad Nacional de Educación a Distancia (UNED), 2025
dc.identifier.uri	https://hdl.handle.net/20.500.14468/30323
dc.language.iso	es
dc.relation.center	E.T.S. de Ingeniería Informática
dc.relation.degree	Máster universitario en Ingeniería y Ciencia de Datos
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.uri	Atribución-NoComercial-SinDerivadas 4.0 Internacional
dc.subject	1203.17 Informática
dc.subject.keywords	SSA	es
dc.subject.keywords	GEO	es
dc.subject.keywords	IA	es
dc.subject.keywords	detección de maniobras	es
dc.subject.keywords	SSA	en
dc.subject.keywords	GEO	en
dc.subject.keywords	AI	en
dc.subject.keywords	manoeuvre detection	en
dc.title	Machine Learning techniques to detect manoeuvres in GEO satellites	en
dc.title	Técnicas de Aprendizaje Automático para la detección de maniobras en satélites GEO	es
dc.type	tesis de maestría	es
dc.type	master thesis	en
dspace.entity.type	Publication