Συγκριτική αξιολόγηση μεθόδων βαθιάς μάθησης για πρόβλεψη τροχιάς δορυφόρων
Loading...
Files
Date
2026-10-08
Authors
Παπουτσή, Αγγελική Ειρήνη
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Στην εργασία συγκρίνοται μέθοδοι πρόβλεψης της τροχιάς δορυφόρων από δεδομένα TLE, σε επτά δορυφόρους χαμηλής τροχιάς των αποστολών Sentinel και για διάστημα δύο ετών (2024 έως 2026). Ως πραγματική τροχιά χρησιμοποιούνται τα προϊόντα υψηλής ακρίβειας AUX POEORB της υπηρεσίας Copernicus POD. Εξετάζονται τέσσερις προσεγγίσεις, η διάδοση του πιο πρόσφατου TLE με αλγόριθμο SGP4, η ανακατασκευή των παραμέτρων TLE κι η πρόβλεψη μελλοντικών TLE (σε χρονικούς ορίζοντες 1, 7 και 30 ημερών) με μοντέλα GRU encoder-decoder, κι η υβριδική προσέγγιση ML-dSGP4, στην οποία νευρωνικά δίκτυα διορθώνουν το διαφορίσιμο SGP4. Για κάθε μαθησιακή προσέγγιση εκπαιδεύεται ένα κοινό μοντέλο κι ένα ανά δορυφόρο, και κάθε πρόβλεψη μετατρέπεται σε θέση και συγκρίνεται με τη θέση POD. Κανένα μαθησιακό μοντέλο δεν ξεπέρασε το SGP4. Με TLE λίγων ωρών το SGP4 έχει διάμεσο σφάλμα θέσης περίπου 0.5 km. Το κοινό ML-dSGP4 μένει στο ίδιο επίπεδο αλλά είναι ελαφρώς χειρότερο (διάμεσος 0.63 έναντι 0.53 km), γιατί τα δίκτυα μαθαίνουν σχεδόν μηδενικές διορθώσεις. Τα GRU έχουν σφάλματα δεκάδων έως χιλιάδων χιλιομέτρων κι είναι χειρότερα από τη διάδοση του τελευταίου TLE στον ίδιο ορίζοντα σχεδόν σε όλα τα δείγματα. Στα GRU τα κοινά μοντέλα είναι σταθερά καλύτερα από τα μοντέλα ανά δορυφόρο. Η αβεβαιότητα ποσοτικοποιείται με σύμμορφη πρόβλεψη (split conformal prediction). Για το SGP4 μία σφαίρα ακτίνας περίπου 1.1 km περιέχει την πραγματική θέση στο 88.9% των περιπτώσεων για στόχο 90%. Η κάλυψη όμως εξαρτάται έντονα από την ηλικία του TLE, και πέφτει κάτω από τον στόχο εκεί που τα σφάλματα αλλάζουν από την περίοδο βαθμονόμησης στην περίοδο δοκιμής, όπως στο ML-dSGP4 και στην πρόβλεψη με GRU. Τέλος, τέσσερις μέθοδοι επεξηγησιμότητας (explainable ai, XAI) (Permutation Feature Importance, Integrated Gradients, Kernel SHAP, LIME) εφαρμόζονται στα 40 μοντέλα που προκύπτουν. Στα GRU ανά δορυφόρο κυριαρχεί το RAAN, ενώ στα κοινά μοντέλα αποκτούν σημασία η κλίση κι η μέση κίνηση, που ξεχωρίζουν τους δορυφόρους. Οι τρεις μέθοδοι με σημείο αναφοράς συμφωνούν σχεδόν πλήρως, αλλά εξαρτώνται έντονα από την επιλογή του σημείου αναφοράς.
Description
Keywords
Πρόβλεψη τροχιάς δορυφόρων, Βαθιά μάθηση, Αναδρομικά νευρωνικά δίκτυα, Ποσοτικοποίηση αβεβαιότητας, Σύμμορφη πρόβλεψη, Επεξηγήσιμη τεχνητή νοημοσύνη, Δορυφόροι χαμηλής τροχιάς