Machine learning techniques to support the classification of satellite conjunction events

The ever-increasing number of objects in Earth’s orbit, composed by both active satellites and space debris, is becoming a problem for space safety. In recent years, many resources have been gathered to tackle this issue, from active debris removal to international agreements for safety in space. A lot of effort has been put into assisting collision avoidance activities through theoretical studies and space surveillance and tracking system services. Conjunction data messages are created by the orbit determination process, the objects database maintenance and the close approach screening, and contain the main information about conjunctions. They are constantly sent to the satellite owner/operator to decide whether to plan risk mitigation measures. To support this process and increase automation, in 2019 ESA publicly released a collection of CDMs, collected between 2015 and 2019, to propose a challenge consisting in improving their collision risk estimation through machine learning methods. This work focuses on using machine learning models to classify conjunction events as high risk or low risk. A parametric study on the influencing features appearing in CDMs is presented together with the introduction of new parameters. A selection of the parameters to use for machine learning training is then performed, by both a physical analysis and a ML analysis. This process has shown a considerable improvement over the use of raw data. The publicly available data is then treated to account for the imbalance by combining oversampling, undersampling, SMOTE and specific machine learning algorithms. For each one of the most commonly used risk thresholds, a machine learning algorithm is presented. For all the thresholds selected, the solution found seems to improve the current predictions. A filtering of non reliable events in term of risk estimation is also proposed, which allows for a great accuracy improvement, while maintaining a large portion of data.

Il numero sempre crescente di oggetti orbitanti la Terra, siano satelliti attivi o detriti spaziali, sta diventando una questione di massima importanza per la sicurezza spaziale. Negli ultimi anni, molte risorse sono state impiegate per contrastare questa problematica crescente, dalle operazioni di rimozione attiva dei detriti ad accordi internazionali riguardanti la sicurezza nello spazio. Gran parte dello sforzo è stato rivolto all’assistenza delle attività per evitare potenziali collisioni, grazie a studi teoretici e a sistemi per il monitoraggio orbitale. I "conjunction data messages" vengono creati attraverso il processo di determinazione delle orbite, il mantenimento di un database degli oggetti orbitanti e lo screening degli incontri ravvicinati, e contengono le più importanti informazioni riguardanti le potenziali collisioni. Questi messaggi vengono costantemente inviati agli operatori dei satelliti in modo da permettere la decisione per l’eventuale pianificazione di manovre atte a diminuire il rischio di incidenti. Per supportare questo processo e aumentare l’automazione, nel 2019 l’ESA ha rilasciato pubblicamente una collezione di "conjunction data messages", raccolti tra il 2015 e il 2019, con l’obbiettivo di proporre una competizione per migliorare la stima del rischio di collisione attraverso tecniche di machine learning. Questo lavoro focalizza la sua attenzione sull’utilizzo di modelli di machine learning per classificare le potenziali collisioni in alto e basso livello di rischio. Viene presentato uno studio parametrico sulle variabili presenti nei "conjunction data messages", insieme all’introduzione di nuovi parametri. Successivamente vengono selezionati i parametri in base al loro significato fisico e alla loro influenza sui modelli di machine learning. Questo processo mostra notevoli miglioramenti rispetto all’utilizzo di dati grezzi. Le tecniche di undersampling, oversampling, synthetic minority oversampling technique e specifici algoritmi di machine learning implementati hanno permesso di superare il problema dello squilibrio delle classi. Per ognuna delle principali soglie di rischio comunemente utilizzate, viene presentato un algoritmo di machine learning che permette di migliorare l’attuale previsione. In conclusione viene presentato un metodo di filtraggio delle previsioni considerate non affidabili. I risultati ottenuti mostrano un netto miglioramento dell’accuratezza della classificazione, pur mantenendo un alto numero di dati.