Combinazione di Tecniche di Ottimizzazione e Machine Learning per lo Scheduling dei Satelliti e l'Osservazione di Marte ​

Space exploration is central to modern science and technology, contributing to our understanding of the Solar System and driving innovations in various domains, such as defense, telecommunications, and environmental monitoring. Exploration is performed by space missions, which are complex and resource-intensive, requiring efficient planning and management. The main problem faced in this context is the Satellite Scheduling Problem (SSP), which aims to optimize the timing and allocation of satellite tasks under multiple constraints. This doctoral thesis addresses the SSP in outer space missions, and solves it by using a variety of optimization and machine learning techniques. The first part of the thesis reviews existing SSP literature and applications to establish a general solution framework. The second part introduces the core case study of the research: the Mars Observation Scheduling Problem (MOSP), defined in collaboration with the Italian National Institute of Astrophysics. MOSP concerns the optimal scheduling of observations by MARSIS, the radar sounder onboard the Mars Express satellite, with the goal of maximizing high-quality coverage of the Martian South Pole—where subsurface liquid water was first detected in 2018. The problem is formulated as an Integer Linear Programming model derived from the Maximal Covering Location Problem. To address it, a predict-then-optimize framework is proposed, integrating machine learning–based predictions of observation quality with optimization techniques. The model is then further extended to account for the intrinsic stochasticity of the problem, arising from environmental and operational variability. Stochasticity is sampled through scenarios and the resulting optimization problem is solved by means of both exact and heuristic decomposition methods. The third part of the thesis offers a further examination of MOSP from multiple perspectives, by using a set of cutting-edge methodologies. In detail, it proposes Explainable Artificial Intelligence methods, such as SHAP and Explainable Boosting Machines, to enhance model interpretability and reveal the influence of observation parameters on data quality. It also uses automatic image detection techniques to analyze MARSIS radargrams and identify subsurface layers that may indicate the presence of liquid water. It then explores the application of Quantum Computing to MOSP, by reformulating it as a Quadratic Unconstrained Binary Optimization problem and solving the resulting model with a Quantum Annealing technique. The proposed methodologies enable automated and adaptive scheduling for satellite observations. They are currently in use at the MARSIS Operation Center in Rome to support the scheduling of MARSIS observations. They also establish a general framework that can be easily applied to future space observation missions. Overall, this work contributes to the development of interpretable, data-driven, and computationally efficient planning systems for next-generation planetary exploration.

L’esplorazione spaziale è fondamentale per la scienza e la tecnologia moderne, contribuendo alla nostra comprensione del Sistema Solare e guidando innovazioni in vari settori, come la difesa, le telecomunicazioni e il monitoraggio ambientale. L'esplorazione viene effettuata tramite missioni spaziali, che sono complesse e richiedono molte risorse, necessitando di una pianificazione e una gestione efficienti. Il problema principale affrontato in questo contesto è il Satellite Scheduling Problem (SSP), che mira a ottimizzare i tempi e l'allocazione delle attività satellitari sotto molteplici vincoli. Questa tesi di dottorato affronta l'SSP nelle missioni spaziali e lo risolve utilizzando una varietà di tecniche di ottimizzazione e apprendimento automatico. La prima parte della tesi esamina la letteratura e le applicazioni SSP esistenti per stabilire un quadro generale. La seconda parte introduce il caso di studio principale della ricerca: il Mars Observation Scheduling Problem (MOSP), definito in collaborazione con l'Istituto Nazionale Italiano di Astrofisica. MOSP riguarda la programmazione ottimale delle osservazioni da parte di MARSIS, il radar a bordo del satellite Mars Express, con l'obiettivo di massimizzare la copertura di alta qualità del Polo Sud marziano —dove l'acqua liquida sotterranea è stata rilevata per la prima volta nel 2018. Il problema è formulato come un modello di programmazione lineare intera derivato dal maximal covering location problem. Per risolvere questo problema, viene proposto un framework di previsione e successiva ottimizzazione, che integra previsioni della qualità delle osservazioni basate sull'apprendimento automatico– con tecniche di ottimizzazione. Il modello viene poi ulteriormente esteso per tenere conto della stocasticità intrinseca del problema, derivante dalla variabilità ambientale e operativa. La stocasticità viene rappresentata attraverso scenari e il problema di ottimizzazione risultante viene risolto mediante metodi di decomposizione sia esatti che euristici. La terza parte della tesi offre un'ulteriore analisi del problema da molteplici prospettive, utilizzando una serie di metodologie all'avanguardia. Nel dettaglio, propone metodi di intelligenza artificiale spiegabile, come SHAP e Explainable Boosting Machines, per migliorare l'interpretabilità del modello e rivelare l'influenza dei parametri di osservazione sulla qualità dei dati. Utilizza inoltre tecniche di rilevamento automatico delle immagini per analizzare i radargrammi MARSIS e identificare gli strati sotterranei che potrebbero indicare la presenza di acqua liquida. Esplora quindi l'applicazione del Quantum Computing al MOSP, riformulandolo come un problema di ottimizzazione binaria quadratica non vincolata e risolvendo il modello risultante tramite Quantum Annealing. Le metodologie proposte consentono una pianificazione automatizzata e adattiva delle osservazioni satellitari. Attualmente sono in uso presso il Centro Operativo MARSIS di Roma per supportare la programmazione delle osservazioni MARSIS. Stabiliscono inoltre un quadro generale che può essere facilmente applicato alle future missioni di osservazione spaziale. Nel complesso, questo lavoro contribuisce allo sviluppo di sistemi di pianificazione interpretabili, basati sui dati e computazionalmente efficienti per l’esplorazione planetaria di prossima generazione.