Data-Driven Mission Recommendation for LEO Satellites using Random Forest and Hybrid Deep Learning Forecasting

Imagine que o céu acima de nós esteja repleto de pequenos robôs de alta velocidade chamados satélites. Estes não são apenas câmeras flutuantes; são máquinas complexas que precisam "comer" energia para realizar seus trabalhos, como tirar fotos ou enviar sinais. Eles obtêm seu alimento do sol, mas o sol não brilha sobre eles o tempo todo. Quando voam para a sombra da Terra, precisam confiar em uma bateria, de forma muito semelhante ao que o seu telefone faz quando você esquece o carregador. O grande desafio para as pessoas no solo que controlam esses robôs é saber exatamente quanta "energia de bateria" resta antes de pedirem ao satélite para realizar uma nova tarefa que consome muita energia. Se pedirem demais, o satélite pode desmaiar e falhar em sua missão.

Por muito tempo, descobrir isso era como tentar prever o tempo olhando para as nuvens e esperando pelo melhor. Operadores experientes usavam seus pressentimentos e anos de memória para decidir se um satélite tinha energia suficiente. Mas as memórias podem ser nebulosas, e pessoas diferentes podem fazer palpites diferentes. Este artigo apresenta uma nova maneira de resolver esse quebra-cabeça usando um "cérebro digital" que aprende com seis anos de história. Ele combina dois tipos de matemática inteligente: uma que detecta padrões repetitivos (como o nascer e o pôr do sol) e outra que aprende com os detalhes bagunçados e residuais. O objetivo é transformar um sentimento vago em uma lista escrita clara de quais tarefas o satélite pode realizar com segurança agora mesmo.

---

O Dilema Energético do Satélite

Conheça o LAPAN-IPB, um satélite orbitando 500 quilômetros acima da Indonésia. É um satélite polar, o que significa que ele voa rapidamente sobre os polos Norte e Sul, circulando a Terra cerca de 15 vezes por dia. Cada vez que voa sobre a Indonésia, ele tem uma janela curta — cerca de 10 a 15 minutos — para falar com as estações terrestres. Durante essa pequena janela, os operadores no solo podem enviar novas instruções, como "tire uma foto desta floresta" ou "escaneie o oceano".

Mas aqui está o problema: o satélite está funcionando com uma bateria. Entre essas curtas janelas, ele passa um tempo no escuro (eclipse), vivendo de sua energia armazenada. Se a bateria estiver muito baixa e os operadores enviarem um comando que use muita energia, o satélite poderá sofrer um colapso ou perder sua capacidade de funcionar.

Por anos, os operadores na Agência Nacional de Pesquisa e Inovação (BRIN) na Indonésia tiveram que tomar essas decisões de vida ou morte baseadas em "conhecimento tácito". Essa é uma forma elegante de dizer "pressentimento construído com experiência". Se um operador estivesse lá há dez anos, ele poderia saber: "Ah, a bateria parece um pouco baixa hoje, então vamos pular a missão pesada da câmera". Mas se um novo operador assumisse, ele não teria essa experiência. Ele poderia errar o palpite, ou dois operadores poderiam discordar sobre a mesma situação. Não havia um livro de regras escrito, nenhum rastro de auditoria claro e nenhuma maneira de provar por que uma decisão foi tomada.

O Novo "Copiloto Digital"

Este artigo descreve um novo sistema projetado para substituir esse palpite por um mecanismo de recomendação baseado em dados. Pense nele como um copiloto que lê os sinais vitais do satélite e entrega ao operador uma lista classificada de tarefas seguras. O sistema foi construído usando seis anos de dados (de janeiro de 2019 a dezembro de 2024), que incluíram mais de 25.000 registros da voltagem e corrente da bateria do satélite.

Os pesquisadores dividiram o problema em três etapas principais, usando uma mistura inteligente de estatística clássica e aprendizado profundo moderno.

1. Prevendo a Voltagem Futura
Primeiro, o sistema precisa adivinhar qual será a voltagem da bateria na próxima vez que o satélite falar com o solo. Para fazer isso, eles usaram um modelo "Híbrido". Imagine tentar prever a maré. Você sabe que a maré sobe e desce em um ciclo regular (essa é a parte fácil). Mas, às vezes, uma tempestade ou um vento forte muda o nível da água inesperadamente (essa é a parte difícil).

Os pesquisadores usaram um modelo estatístico chamado SARIMAX para lidar com o ciclo regular e previsível de carga e descarga da bateria. Em seguida, usaram um modelo de Aprendizado Profundo (especificamente um tipo chamado LSTM) para entender os restos bagunçados e imprevisíveis. Ao combiná-los, obtiveram uma previsão muito precisa. Em seus dados de teste, este modelo híbrido foi capaz de prever a voltagem com um erro médio de apenas 0,1042 V (Volts). Isso é incrivelmente preciso, especialmente porque a voltagem da bateria geralmente orbita entre 16 e 17 Volts.

2. Aprendendo as "Impressões Digitais de Energia"
Em seguida, o sistema precisava saber quanta energia cada missão específica utiliza. O satélite possui 20 tipos diferentes de missões (como "tirar uma foto", "escanear o oceano", etc.), e cada uma ativa interruptores diferentes e usa quantidades diferentes de energia.

Os pesquisadores ensinaram um classificador Random Forest (um tipo de aprendizado de máquina que funciona como uma equipe de árvores de decisão) a reconhecer a "impressão digital de energia" de cada missão. Eles observaram a corrente e a voltagem da bateria durante missões passadas para ver como cada uma se "sentia". No entanto, eles tiveram que ser cuidadosos. O satélite envia dados muitas vezes durante uma única passagem de 15 minutos. Se eles tratassem cada ponto de dado como uma lição separada, o computador ficaria confuso, pensando que estava aprendendo de 25.000 eventos diferentes quando, na verdade, estava apenas vendo o mesmo evento repetido várias vezes. Eles corrigiram isso agrupando os dados em "passagens", para que o computador aprendesse com 6.833 eventos únicos em vez de 25.000 duplicatas confusas.

O resultado? O computador aprendeu a identificar os 20 tipos de missão com um alto grau de precisão, acertando o tipo de missão cerca de 82% das vezes, e fazendo um ótimo trabalho mesmo com as missões raras e menos comuns.

3. A Verificação de Segurança e Classificação
Finalmente, o sistema une tudo. Ele pega a voltagem futura prevista e a compara com um "limite de segurança" para cada uma das 20 missões. De onde vieram esses limites? Os pesquisadores usaram um truque estatístico inteligente chamado limite superior de Tukey (Tukey upper fence). Imagine que você tem um monte de dados mostrando quão alta era a voltagem da bateria quando uma missão específica foi executada com sucesso no passado. O limite de Tukey encontra o "limite superior seguro" desse monte. Se a voltagem prevista for maior que este limite, a missão é segura.

Para garantir que esses limites fossem confiáveis, eles os verificaram de duas maneiras: uma usando os dados brutos e outra usando a lógica interna do modelo de aprendizado de máquina. Eles descobriram que, para todas as 20 missões, os dois métodos concordavam quase perfeitamente (a diferença era inferior a 0,0843 V, o que é menor do que o próprio erro de previsão). Isso significa que os limites de segurança são sólidos como uma rocha.

O Resultado: Uma Lista Clara e Classificada

Quando o satélite está prestes a fazer contato com o solo, o sistema executa um cálculo rápido. Ele prevê a voltagem da bateria, verifica contra os 20 limites de segurança e gera uma lista classificada.

• Missões Viáveis: Estas são as tarefas que a bateria definitivamente consegue suportar.
• A Classificação: O sistema não diz apenas "Sim" ou "Não". Ele classifica as missões "Sim" pelo seu margem de energia. Esta é a diferença entre a voltagem prevista e o limite de segurança.
  • Uma missão com uma margem enorme (ex: +0,77 V) é super segura.
  • Uma missão com uma margem minúscula (ex: +0,02 V) é tecnicamente possível, mas arriscada, como andar em uma corda bamba.

Isso dá ao operador um ponto de partida claro e baseado em evidências. Em vez de adivinhar, eles podem ver: "A Missão A é segura com uma grande margem, mas a Missão B está no limite". Se a bateria estiver baixa, o sistema pode dizer: "Apenas estas três tarefas de baixa potência são seguras hoje". Se a bateria estiver cheia, pode dizer: "Você pode fazer quase tudo, mas a Missção C é a mais segura".

Por Que Isso Importa

A maior vitória aqui não é apenas que a matemática funciona; é que o processo agora é reprodutível e auditável. Antes, se uma missão falhasse, você não poderia ter certeza se era porque o operador cometeu um erro de julgamento ou se o satélite apenas teve azar. Agora, cada decisão é apoiada por seis anos de dados e uma regra clara e documentada.

O sistema não substitui o operador humano; ele lhe dá um superpoder. Ele transforma um sentimento vago em uma lista de opções precisa e classificada, garantindo que, não importa quem esteja no turno, o satélite receba o melhor cuidado possível. Os pesquisadores descobriram que esta abordagem é estável, confiável e pronta para ajudar o satélite LAPAN-IPB a continuar voando com segurança por muitos anos.