Tecniche di Machine Learning per Rilevamento di Meteore e Detriti Spaziali

In this thesis machine learning techniques have been investigated for the offline detection and track reconstruction of meteors and space debris in the Mini-EUSO experiment, flying on the ISS and facing Earth. An already existing algorithm called Stack-CNN, originally developed as an online trigger in an orbiting space debris remediation system, was adapted as an offline trigger both for meteors and space debris events. Regarding space debris, a feasibility study was performed in order to understand the detection limits of such events. The predicted tracks of Starlink satellites crossing the Mini-EUSO field of view have been reconstructed, but no events were triggered because of the absence of albedo. A similar approach was tested with full moon albedo, but because of the low intensity only big satellites close to the ISS could be detectable and no crossings were found. Therefore, the only configuration is Sun albedo at twilight times, but because of the low statistics (1h 6m 22s) and the high background, no events were triggered by the Stack-CNN. Finally, using data from the Siding Spring Observatory Himawari satellites have been triggered, proving that the Stack-CNN could detect space debris in a lower background configuration. Regarding meteors, the Stack-CNN outperforms a standard algorithm finding 76 new meteors in ≈28 min of data. Because of the many false positives (878) a Random Forest has been trained to classify the lightcurves, with a final performance of F1 = 90.7 %, 64 new meteors and 22 false positives. Meteor events were simulated to investigate the detection limits of the algorithm, which turned out to be events with absolute magnitude of +6, and to study the track reconstruction residuals, 46° for the azimuth and 17 km/s for the longitudinal speed. Finally, an implicit neural representation paired with the meteor kinematics has been trained and validated. The final performance is better than the Stack-CNN, with 29° for the azimuth residual and 13 km/s for the longitudinal speed residual.

In questa tesi sono state ricercate tecniche di Machine Learning per il rilevamento e il tracciamento offline di meteore e detriti spaziali nell’esperimento Mini-EUSO, a bordo della ISS e puntato verso Terra. Un algoritmo già esistente chiamato Stack-CNN, originariamente sviluppato come trigger online di un sistema orbitale per lo smaltimento di detriti spaziali, è stato adattato come trigger offline sia per meteore che detriti spaziali. Relativamente ai detriti spaziali, è stato svolto uno studio di fattibilità per comprendere i limiti di rilevamento di questi eventi. Sono state ricostruite le tracce di satelliti Starlink che hanno attraversato il campo di vista di Mini-EUSO, ma non sono stati rilevati eventi per mancanza di albedo. Uno studio simile è stato effettuato sfruttando l’albedo di luna piena, ma per via della bassa intensità solo grandi satelliti che orbitano molto vicino all’ISS sarebbero rilevabili e non sono stati trovati incroci. Di conseguenza, l’unica configurazione rimane albedo solare al crepuscolo, ma per via della bassa statistica (1h 6m 22s) e l’alto background, non sono stati rilevati eventi dalla Stack-CNN. Infine, utilizzando dati dall’osservatorio Siding Spring sono stati rilevati satelliti Himawari, dimostrando che la Stack-CNN potrebbe potenzialmente rilevare detriti spaziali in configurazioni di minore background. Relativamente alle meteore, la Stack-CNN ha una performance migliore di un algoritmo standard in quanto vengono rilevate 76 nuove meteore in ≈28 min di dati. Per via dei tanti falsi positivi (878) una Random Forest è stata addestrata per classificare le curve di luce con una performance finale di F1 = 90.7 %, 64 nuove meteore e 22 falsi positivi. Sono stati simulati eventi di meteora per studiare i limiti di rilevamento dell’algoritmo, che sono risultati essere eventi con magnitudine assoluta pari a +6, e per studiare i residui della ricostruzione della traccia, 46° per l’azimuth e 17 km/s per la velocità longitudinale. Infine, una rappresentazione neurale implicita accoppiata alla cinematica della meteora è stata addestrata e testata. La performance finale è migliore della Stack-CNN, con residuo dell’azimuth pari a 29° e residuo della velocità longitudinale pari a 13 km/s.