Neural network surrogate modelling for earth observation missions

Projecte realitzat en el marc d’un programa de mobilitat amb l'École Nationale Supérieure de l'Aéronautique et de l'Espace i l'empresa Astrium.
[ANGLÈS] The first part of the document is a review of the main characteristics of surrogate models and a special attention has been given to Artificial Neural Networks (ANN) in order to develop these models. Their architecture, the input and output spaces dimension, the learning process or their generalisation capabilities are some of these characteristics. In the second part of the document we try to figure out how to apply these techniques in the context of an Earth observation mission. In a first application we are able to reduce the computational cost of the model employed on the ground during the planification of the mission. A second application is developped to be implemented onboard in order to recompute the manoeuvres with a reduced computational cost. It is shown that this could increment the satellite’s reactivity and pointing accuracy.
[CASTELLÀ] La primera parte del documento es un análisis de las principales características de los modelos de substitución con una especial atención a las Redes Neuronales Artificiales. Su arquitectura, la dimensión de los espacios de entrada y salida, el proceso de aprendizaje I la capacidad de generalización son algunas de las características. En la segunda parte del documento se han aplicado estas técnicas en el contexto de una mision de observación de la Tierra. En una primera aplicación se consigue reducir el coste computacional del modelo utilizado en el segmento Tierra para planificar la mision. Una segunda aplicación se ha desarrollado para ser implementada abordo del satélite para recalcular las maniobras con un menor coste computacional. Se muestra como esta estrategia puede incrementar la capacidad de reación y precisión de actitud del satélite.
[CATALÀ] La primera part del document és una anàlisi de les principals característiques dels models de substitució amb una especial atenció a les Xarxes Neuronals Artificials. La seva arquitectura, la dimensió dels espais d'entrada i sortida, el procès d'aprenentatge i la capacitat de generalització són algunes d'aquestes característiques. En la segona part del document s'han aplicat aquestes tècniques en el context d'una missió d'observació de la Terra. En una primera aplicació s'ha aconseguit reduir el cost computacional del model utilitzat al segment Terra durant la planificació de la missió. Una segona aplicació s'ha desenvolupat per ser implementada a bord del satèl·lit per recalcular els maniobres amb un menor cost computacional. Es mostra com aquesta estratègia pot incrementar la capacitat de reacció i la precisió d'actitud del satèl·lit