System Level Analysis and Management of Orbital Debris Using Empirical Dynamic Modeling

Resumen Técnico: Análisis y Gestión de Nivel de Sistema de Desechos Orbitales Mediante Modelado Dinámico Empírico

Enunciado del Problema
Los desechos orbitales representan una amenaza crítica para las operaciones espaciales globales y la sostenibilidad de la economía espacial. A partir de 2022, más de 15.000 objetos de desechos en la Órbita Terrestre Baja (LEO) plantean riesgos de colisión para los satélites activos, con el potencial de que eventos de fragmentación catastrófica (síndrome de Kessler) aumenten exponencialmente las poblaciones de desechos. Si bien la literatura existente aborda los desechos mediante políticas, remediación técnica y análisis de costo-beneficio económico, estos enfoques a menudo dependen de modelos paramétricos que requieren suposiciones extensas sobre la mecánica del sistema o datos históricos extensos. Además, los modelos tradicionales tienen dificultades para capturar la dinámica compleja, no lineal y bidireccional del entorno de desechos, particularmente cuando los datos son limitados (por ejemplo, solo ~60 puntos de datos anuales desde 1960) y los estados del sistema están fuera del equilibrio. Existe una necesidad distinta de herramientas que puedan comprender las implicaciones a nivel de sistema de las soluciones para desechos utilizando variables observables limitadas sin conocimiento previo de las ecuaciones físicas subyacentes.

Metodología
Los autores proponen un marco basado en datos fundamentado en el Modelado Dinámico Empírico (EDM), arraigado en el Teorema de Incrustación de Takens. Este enfoque trata el entorno de desechos orbitales como un sistema dinámico donde las variables (conteo de desechos, número total de objetos, tasas de lanzamiento) comparten una variedad de atractor común del sistema. La metodología procede a través de cuatro etapas clave:

1. Reconstrucción del Atractor: En lugar de hipotetizar funciones de medición paramétricas ($\Phi$) o funciones de evolución dinámica ($\Psi$), el método utiliza datos de monitoreo de series temporales para reconstruir un "atractor sombra". Al utilizar el mapeo de coordenadas de retardo con una dimensión de incrustación ($E$) y un retardo de tiempo ($\tau$), el espacio de estados del sistema se recupera a partir de variables observables (por ejemplo, conteos anuales de desechos).
2. Proyección Simplex: Esta técnica pronostica estados futuros identificando los vecinos más cercanos en la variedad sombra reconstruida y proyectándolos hacia adelante. Se utiliza inicialmente para determinar la dimensión de incrustación óptima ($E$) y evaluar la habilidad de predicción ($\rho$).
3. Mapeo Cruzado Convergente (CCM): Este método verifica las relaciones causales entre las variables del sistema. Al probar si la reconstrucción del espacio de estados de una variable (por ejemplo, número total de objetos) puede predecir otra (por ejemplo, conteo de desechos), los autores confirman la causalidad bidireccional, asegurando que las variables pertenecen al mismo sistema dinámico.
4. Mapeo S (Mapeo Lineal Global Ponderado Localmente Secuencial): Reconociendo que la Proyección Simplex (que depende únicamente de los vecinos más cercanos) no logró capturar la naturaleza de auto-propagación de las colisiones de desechos, los autores emplean el Mapeo S. Este método realiza una regresión lineal ponderada localmente en todo el conjunto de datos, permitiendo el análisis de la no linealidad mediante un parámetro de localización ($\theta$). El Mapeo S proporciona derivadas parciales para cuantificar la fuerza y el signo de las interacciones entre variables.

Resultados Clave

• Dinámica del Sistema: El análisis CCM confirmó un fuerte vínculo causal bidireccional entre el número de objetos de desechos en LEO y el número total de objetos en LEO. La dimensión de incrustación óptima se determinó en $E=4$.
• Rendimiento de Pronóstico: Si bien la Proyección Simplex ($E=4$) logró una habilidad de predicción del 96,6%, predijo de manera poco realista una estabilización de la población de desechos. El Mapeo S, con un parámetro de localización óptimo de $\theta=7$, logró una habilidad de predicción del 97,1% y pronosticó correctamente un aumento continuo de los desechos, prediciendo más de 30.000 objetos de desechos (>10 cm) en LEO para 2050 bajo las tendencias actuales. Este pronóstico basado en datos superó la media de una simulación de Monte Carlo de 25.000 ejecuciones utilizando el modelo evolutivo DAMAGE, sugiriendo la inclusión de dinámicas complejas como explosiones y colisiones no capturadas completamente por los modelos paramétricos estándar.
• Simulaciones de Política: Los autores simularon tres escenarios de mitigación efectivos desde el año 2000:
  • Disposición Post-Misión (PMD): Reducción de la vida útil de disposición post-misión (por ejemplo, de 25 años a 5 o 0 años). La política de PMD de 10 años mostró la mayor efectividad (51,14% de mitigación para 2050), superando a la política de 5 años debido a la cadencia específica de eventos de desorbitación que interactúan con la dinámica del sistema.
  • Reducción de Lanzamientos: Reducción de los lanzamientos anuales hasta un 40%. Esto produjo una mitigación máxima del 19,55%, pero se señaló como menos realista dado el crecimiento de las mega-constelaciones.
  • Remediación Activa de Desechos (ADR): Eliminación de 100 a 3.000 piezas de desechos aleatorias anualmente. Incluso con 3.000 eliminaciones/año, la mitigación fue solo del 16,59%. La simulación mostró que sin apuntar a objetos específicos de alto riesgo, la ADR tiene rendimientos decrecientes a medida que la población se recupera.

Significado y Afirmaciones
El artículo afirma representar un avance significativo en la capacidad de comprender los impactos de alto nivel de la política de sistemas espaciales utilizando datos limitados. Al enmarcar los desechos orbitales como un proceso dinámico en lugar de un inventario estático, el marco EDM propuesto permite:

• Descubrimiento Causal: Identificar dinámicas fundamentales del sistema y vínculos causales sin requerir comprensión mecánica previa del sistema.
• Cuantificación de Políticas: Proporcionar una base cuantitativa de cómo cambios específicos en las políticas (como las reglas de PMD) alteran la trayectoria futura de la población de desechos.
• Eficiencia de Datos: Reconstruir con éxito la mecánica del sistema y pronosticar estados futuros con solo ~60 puntos de datos, un logro difícil para los modelos paramétricos tradicionales.

Los autores concluyen que, si bien el método tiene limitaciones, específicamente su dependencia de patrones de datos empíricos pasados y su incapacidad para ponderar objetos de desechos específicos por riesgo, ofrece una herramienta novedosa y libre de ecuaciones para el análisis holístico del sistema. Los resultados sugieren que reducir las vidas útiles de disposición post-misión es actualmente la estrategia de mitigación más viable y efectiva en comparación con las reducciones de lanzamientos o la remoción activa aleatoria de desechos. Se sugiere trabajo futuro para incorporar variables de series temporales más diversas (por ejemplo, masa de lanzamientos, eventos de desechos específicos) y analizar los impactos económicos y ambientales de las soluciones para desechos.