Methodology and tools to detect and monitor space debris: towards an integrated system for space situational awareness

This thesis addresses the increasing need for enhanced Space Situational Awareness (SSA) by developing an integrated system capable of ingesting, analysing, and interpreting satellite orbital data. Realised during an industrial internship at Leonardo, the work aligns with the objectives of the Interoperable Data Lake (IDL) project, which promotes distributed data architectures for space research and industry. An automated process has been implemented to build a historical database of TLEs (Two-Line Elements), enabling both object-specific and population-wide orbital analyses, orbit propagation, and error estimation. Statistical studies have been carried out to characterize orbital population dynamics and assess the strengths and limitations of the SGP4 propagation model. The system integrates a neural LSTM model to improve orbit prediction accuracy, and a HGB regressor to estimate the size of debris with uncatalogued dimensions. Furthermore, tools have been developed to plan objects observation sessions with the Telescopio Nazionale Galileo, and to associate past observational results with the transit of monitored objects, helping filter false detections from astrophysical phenomena of interest. The work includes the creation of a dataset of TLE data and metadata to test ingestion and query logic of the IDL. The results demonstrate the system’s capability to provide accurate, scalable analyses and highlight the potential of machine learning to improve the precision of orbit propagation and to determine unknown objects sizes. This thesis contributes a reproducible pipeline and novel tools for orbital object monitoring, with implications for risk mitigation and future research in space traffic management.

Questa tesi affronta la crescente necessità di rafforzare la Space Situational Awareness (SSA) mediante lo sviluppo di un sistema integrato capace di acquisire, analizzare e interpretare dati orbitali satellitari. Il lavoro è stato svolto nell’ambito di un tirocinio industriale presso Leonardo e si inserisce negli obiettivi del progetto Interoperable Data Lake (IDL), che promuove architetture distribuite per la gestione di dati spaziali a supporto della ricerca e dell’industria. È stato implementato un processo automatizzato per la costruzione di un database storico di TLE (Two-Line Elements), che consente l’analisi orbitale sia a livello di singolo oggetto che su scala di popolazione, la propagazione dell’orbita e la stima degli errori associati. Sono stati inoltre condotti studi statistici per caratterizzare le dinamiche della popolazione orbitale e valutare punti di forza e limiti del modello di propagazione SGP4. Il sistema integra un modello neurale LSTM per migliorare la precisione delle previsioni orbitali, e un regressore HGB per stimare la dimensione di detriti spaziali non catalogati. Sono stati anche sviluppati strumenti per pianificare sessioni osservative con il Telescopio Nazionale Galileo e per associare i risultati osservativi passati al transito di oggetti monitorati, contribuendo a filtrare i falsi positivi da fenomeni astrofisici di interesse. Il lavoro include infine la creazione di un dataset di TLE e metadati finalizzato a testare le logiche di ingestion e interrogazione dell’architettura IDL. I risultati ottenuti dimostrano la capacità del sistema di fornire analisi accurate e scalabili, e mettono in luce il potenziale del machine learning per migliorare la propagazione orbitale e stimare la dimensione non nota di oggetti. La tesi fornisce una pipeline riproducibile e strumenti innovativi per il monitoraggio degli oggetti orbitali, con implicazioni per la mitigazione del rischio e per futuri sviluppi nella gestione del traffico spaziale.