Može li umjetna inteligencija bolje predvidjeti kada će nekontrolirani satelit pasti na Zemlju?

Kada satelit ili ostatak rakete izgubi kontrolu, stručnjaci ne pokušavaju odmah odrediti točnu točku pada. Prvi je problem procijeniti kada će objekt prijeći granicu na kojoj počinje ponovni ulazak u atmosferu. Na tu procjenu snažno utječe atmosferski otpor, a on se mijenja s gustoćom gornje atmosfere, Sunčevom aktivnošću i oblikom objekta.

Novo istraživanje predlaže hibridni model koji kombinira klasičnu orbitalnu dinamiku i neuronsku mrežu. Fizikalni dio propagira putanju, dok model tipa Seq2Seq LSTM procjenjuje kako se kroz vrijeme mijenja balistički koeficijent, odnosno koliko se objekt učinkovito suprotstavlja atmosferskom otporu. Prognoza se osvježava svaka tri sata.

Autori su metodu testirali retrospektivno na tri poznata događaja: sovjetskoj sondi Cosmos-482, svemirskom teleskopu NEOWISE i gornjem stupnju rakete CZ-4B. U sva tri slučaja predviđeno vrijeme bilo je unutar navedene nesigurnosti u odnosu na dostupno referentno vrijeme ili opažanje.

Za Cosmos-482 model je procijenio prolazak kroz prag od 80 kilometara u 06:22 UTC uz nesigurnost od 11,4 minute. Za NEOWISE je prognoza iznosila 00:54 UTC 2. studenoga 2024. uz nesigurnost od 7,8 minuta, a za gornji stupanj CZ-4B 22:45 UTC 26. ožujka 2023. uz nesigurnost od 13,2 minute.

Brojke zvuče precizno, ali treba ih pravilno tumačiti. Sva tri slučaja već su završila, pa je riječ o takozvanom hindcastu: model je testiran na prošlim događajima. To nije isto što i uspješno predviđanje objekta koji se još nalazi u orbiti, ima kraću povijest praćenja ili prolazi kroz razdoblje neuobičajene Sunčeve aktivnosti.

Bolja procjena vremena može pomoći pri organizaciji promatranja, upozoravanju javnosti i planiranju rada službi koje prate svemirski otpad. Međutim, vrijeme nije isto što i mjesto pada. Mala pogreška u trenutku ulaska može se zbog velike orbitalne brzine pretvoriti u veliku razliku u lokaciji, pa su potrebni i precizni podaci o putanji, obliku i masi objekta.

Istraživanje pokazuje zašto će budući sustavi za praćenje svemirskog otpada vjerojatno spajati fizikalne modele i strojno učenje. Umjetna inteligencija može prepoznati promjene koje je teško ručno modelirati, ali konačna procjena mora ostati vezana uz mjerenja i jasno navedenu nesigurnost.