This thesis deals with the scheduling problem for a constellation of Earth observation satellites, focusing on modelling the attitude dynamics to assess the tasking capabilities. A target selection algorithm is developed considering the time dependent manoeuvres between targets and the time-dependent value of the observed targets. Further, a closed-loop dynamics simulation is carried out to assess the agility of the 6U platform and verify the results of the algorithm. The work does not intend to present definitive numerical results, rather the goal is to develop a holistic framework that allows appraising the performance of a platform and the fulfilment of the mission objectives, aiming to maximise the collective value of the observed targets. Given the inputs in terms of platform, sensor, orbit and list of targets, this work serves to simulate the target selection and imaging at an arbitrary day and time for a chosen observation window. / Denna studie behandlar problemet med schemaläggning för en konstellation av jordobservationssatelliter och fokuserar på att modellera attityddynamiken för autonomt utförda uppgifter med beaktande av satellitens kapacitet. En målvalsalgoritm utvecklades med hänsyn till både tidsberoende manövrar mellan målen och tidsberoende värden för de observerade målen. Dessutom utfördes en simulering av styrdynamik i ett slutet system för en 6U-plattform för att bedöma och verifiera målvalsalgoritmen. Arbetet avser inte att presentera definitiva numeriska resultat, utan syftet var att utveckla ett helhetsramverk för möjlig bedömning av plattformens prestanda och att studera plattformens förmåga att välja mål som maximerar det samlade värdet av de observerade målen. Med givna ingångsvärden i form av plattform, sensor, omloppsbana samt lista over mål, ger detta arbete möjlighet att simulera satellitens val av mål i en avbildning vid en godtycklig dag och tid för ett valt observationsfönster.

Earth Observation is the gathering of information about planet Earth’s system via Remote Sensing technologies for monitoring land cover types and their changes. Through the years, image classification techniques have been widely studied and employed to extract useful information from Earth Observation data such as satellite imagery. One of the most attractive use cases is the monitoring of polar regions, that recently observed some dramatic changes due to global warming. Indeed drifting ice caps and icebergs represent threats to ship activities and navigation in polar areas, and the risk of collision with land-derived ice highlights the need to design a robust and automatic Sea-Ice classification for delivering up-to- date and accurate information. To achieve this goal, satellite data such as Sentinel-1 Synthetic Aperture Radar images from the European Union’s Copernicus program can be given in input to a Deep Learning classifier based on Convolutional Neural Networks capable of giving the content categorization of such images as output. For the task at hand, the availability of labeled data is generally scarce, there- fore the problem of learning with limited labeled data must be faced. There- fore, this work aims at leveraging the broader pool of unlabeled satellite data available to open up new classification solutions. This thesis proposes a Semi-Supervised Learning approach based on Generative Adversarial Networks. Such an architecture takes in input both labeled and unlabeled data and outputs the classification results exploiting the knowledge retrieved from both the data sources. Its classification performance is evaluated and it is later compared with the Supervised Learning approach and the Transfer Learning approach based on pre-trained networks. This work empirically proves that the Semi-Supervised Generative Adversarial Networks approach outperforms the Supervised Learning method, improving its Overall Accuracy by at least 5% in configurations with less than 100 training labeled samples available in the use cases under evaluation, achieving performance comparable to the Transfer Learning approach and even over- coming it under specific experimental configurations. Further analyses are then performed to highlight the effectiveness of the proposed solution. / Jordobservation är samlingen av information om jordklotets system via fjärravkänningstekniker för övervakning av landskapstyper och deras förändringar. Under årens lopp har bildklassificeringstekniker studerats och använts för att extrahera användbar information från jordobservationsdata som satellitbilder. Ett av de mest attraktiva användningsfallen är övervakningen av polära regioner, som nyligen observerade några dramatiska förändringar på grund av den globala uppvärmningen. Driftande istäcken och isberg representerar ett verkligt hot mot fartygsaktiviteter och navigering inom polära områden, och risken för kollision med land-baserad is belyser behovet av att utforma en robust och automatisk Hav-Is-klassificering för att leverera aktuell och korrekt information. För att uppnå detta mål kan satellitdata som Sentinel-1 Synthetic Aperture Radar-bilder från Europeiska unionens Copernicus-program ges som input till en Deep Learning-klassificerare baserad på Convolutional Neural Networks som kan ge innehållskategorisering av sådana bilder som output. För den aktuella uppgiften är tillgängligheten av märkt data i allmänhet otillräcklig, därför måste problemet med inlärning med begränsad mängd märkt data ställas inför rätta. Därav syftar detta arbete till att utnyttja den bredare samlingen av omärkt satellitdata som finns tillgänglig för att öppna nya klassificeringslösningar. Denna avhandling föreslår en Semi-Supervised Learning-strategi baserad på Generative Adversarial Networks. En sådan arkitektur tar som input både märkt och omärkt data, och matar ut klassificeringsresultat som utnyttjar den kunskap som hämtats från båda datakällorna. Dess klassificeringsprestanda ut- värderas och jämförs senare med tillvägagångssättet Supervised Learning och metoden Transfer Learning baserat på förtränade nätverk. Detta arbete bevisar empiriskt att Semi-Supervised Generative Adversarial Network överträffar metoden Supervised Learning och förbättrar dess totala noggrannhet med minst 5% i konfigurationer med mindre än 100 tränings- märkta prover tillgängliga i användningsfallen under utvärdering, vilket uppnår prestanda som både är jämförbar med Transfer Learning-metoden och överlägsen jämte den under specifika experimentella konfigurationer. Ytterligare analyser utförs sedan för att belysa effektiviteten hos den föreslagna lösningen.

The Concurrent Design Platform 4 (CDP4®) is a collaborative Model-Based Systems Engineering (MBSE) software tool conceived for architecting complex systems. Nevertheless, there are limitations concerning the manageable number of system options. The upcoming Siemens tool for generative engineering, Simcenter™ Studio, is attempting to overcome this limitation by enabling automatic synthesis and evaluation of architecture variants. The motivation for the Generative Concurrent Design (GCD) project as a collaboration between RHEA, Siemens and OHB is to develop a combined prototype of these two tools. This thesis presents a modelling of Copernicus Next Generation (CNG) space component, using generative capabilities in a typical Phase-0 study. It represents the third step of the bottom-up GCD validation process, intended to investigate how architecting differs among “Sub-system”, “Systems” and “Systems of Systems (SoS)”. Therefore, this work provides an architecting strategy which is generalizable for other SoS use-cases and contributes to assess whether extensions to ECSS-E-TM-10-25 are necessary to successfully support GCD. / Concurrent Design Platform 4 (CDP4®) är ett samarbetsverktyg för modellbaserad systemteknik (MBSE) som utformats för att bygga komplexa system. Dock finns det begränsningar vad gäller det antalet hanterbara systemalternativ. Det kommande Siemens-verktyget för generativ teknik, Simcenter™ Studio, försöker övervinna denna begränsning genom att möjliggöra automatisk syntes och utvärdering av arkitekturvarianter. Motivationen för Generative Concurrent Design (GCD) -projektet som ett samarbete mellan RHEA, Siemens och OHB är att utveckla en kombinerad prototyp av verktygen CDP4® och Simcenter™. Detta examensarbete presenterar en modellering av rymdkomponenten Copernicus Next Generation (CNG) med användning av generativa funktioner i en typisk fas-0-studie. Den representerar det tredje steget i GCD-valideringsprocessen nedifrån och upp, avsedd att undersöka hur arkitekturen skiljer sig åt mellan "Sub-system", "Systems" och "Systems of Systems (SoS)". Detta arbete ger därför en arkitektonisk strategi som är generaliserbar för andra SoS-användningsfall och bidrar till att bedöma om förlängningar till ECSS-E-TM-10-25 är nödvändiga för att framgångsrikt stödja GCD.