Machine Learning aplicado a la propagación de alta precisión de trayectorias de satélites

La predicción precisa de las posiciones de los satélites es fundamental para una amplia gama de aplicaciones, que van desde las comunicaciones y navegación por satélite hasta la teledetección y la planificación de misiones espaciales. La capacidad de predecir con precisión las trayectorias de los satélites proporciona información crítica para el funcionamiento seguro y eficiente de estos sistemas espaciales. Sin embargo, debido a las diversas fuerzas y perturbaciones que afectan a los satélites en órbita, lograr una predicción precisa enfrenta desafíos técnicos y científicos significativos. Para la modelización de trayectorias existen principalmente dos tipos de modelos: los analíticos, como SGP4 y SDP4; y los de alta precisión, como HPOP. Como su nombre indica, los de la segunda familia aportan más fiabilidad; sin embargo, el coste computacional es demasiado elevado para realizar predicciones a medio o largo plazo. En el presente trabajo se utiliza el paquete de R asteRisk para la creación de un conjunto de datos de entrenamiento y validación y, posteriormente, desarrollar modelos de redes neuronales para corregir las predicciones realizadas por un modelo analítico y así obtener predicciones precisas en un tiempo reducido. Previamente a la creación del conjunto de datos se desarrolla un método de optimización de los parámetros del modelo SGP4 y SDP4, de modo que en el conjunto de datos se pudieron incluir tanto las predicciones con los parámetros base como con los parámetros optimizados. Por tanto, también se pudo estudiar cómo variaba la capacidad de predicción del error de las redes neuronales según si los parámetros orbitales de SGP4 y SDP4 habían sido previamente optimizados o no. Todo esto es posible gracias la gran cantidad de datos disponibles sobre trayectorias de satélites en un formato estandarizado, ya sean archivos RINEX o archivos TLE.