Events such as forest fires or floods are a danger to our Earth’s environment and the people living in it. The sooner they can be detected, the less damage they can cause. An idea arises: use satellites to monitor the Earth and relay information to prevention and rescue organizations in a very short time, regardless of accessibility from ground. PandionAI is a Swedish start-up that aims to create a constellation of satellites that will carry built-in machine learning models that analyze the Earth images and detect early on such environmental catastrophes. The aim of this thesis is to design a constellation for such purpose. In parallel, a target list that includes potential places of interest for such events will be developed and the constellation performance will be evaluated with it by defining Key Performance Indicators (KPIs). The target list has a dynamic nature as weather changes and climate evolves, so events of interest will be at different places in the globe as time passes. Because of this, four different target lists were developed, one per season. The events covered by the target lists are the environmental hazards: fires, floods, deforestation and CO2 footprint from factories. Constellation design is a highly complex problem due to its infinite possible solutions for a given purpose. Nevertheless, one can optimize for specific design parameters and assumptions. This thesis proposes a model in which for a given number of total satellites, multiple constellations are compared, and the search for the optimal design is performed given the defined KPIs. Constellations in the optimization process are designed applying the 2-D Lattice Flower Constellation method and adding the twin satellite concept. / Händelser som skogsbränder eller översvämningar är en fara för vår jords miljö och människorna som lever i den. Ju tidigare de kan upptäckas, desto mindre skada kan de orsaka. En idé uppstår: att använda satelliter för att övervaka jorden och vidarebefordra information till förebyggande och räddningsorganisationer på mycket kort tid, oavsett tillgänglighet från marken. PandionAI är en svensk start-up som vars mål är att skapa en konstellation av satelliter som ska bära inbyggda maskininlärningsmodeller som analyserar analyserar satelliters bilder bilder och tidigt upptäcker sådana miljökatastrofer. Syftet med denna uppsats är att utforma en konstellation för detta ändamål. Parallellt kommer en mållista som inkluderar potentiella platser av intresse för sådana händelser att utvecklas och konstellationens prestanda kommer att utvärderas med den genom att definiera Key Performance Indicator-parametrar (KPI). Mållistan har en dynamisk karaktär, eftersom väder och klimat varierar över året säsonger och händelser, så händelser av intresse kommer att finnas på olika platser i världen med tiden. På grund av detta utvecklades fyra olika mållistor, en per säsong. De händelser som omfattas av mållistorna är miljöriskerna: bränder, översvämningar, avskogning och CO2 fotavtryck från fabriker. Konstellationsdesign är ett mycket komplext problem på grund av dess oändliga många möjliga lösningar för ett givet syfte. Ändå kan man optimera för specifika designparametrar och antaganden. Denna studie syftar till att förslå en modell för ett totalt givet antal satelliter, där flera konstellationer jämförs och finna den optimala designen givet KPIerna. Konstellationer i optimeringsprocessen är designade med tillämpning av 2D Lattice Flower Constellation-metoden och användning av tvilling-satellit-konceptet till tvillingsatellitkonceptet.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-339452 |
Date | January 2023 |
Creators | Martín-Fuertes Brañas, Julia |
Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-EECS-EX ; 2023:733 |
Page generated in 0.0031 seconds