ASTM-PROTOTYPE: Uzay Trafik Kontrol ve Çarpışma Yönetimi

Bu proje Türkiye Uzay Ajansı'nın Milli Uzay Programı'nda belirtilen 'Uzay Nesnelerinin Yerden Gözlemi ve Takibi' (Hedef 7) stratejisi doğrultusunda; ülkemizin uzay trafik yönetimi alanındaki yazılım kabiliyetini artırmak, yerli ve milli karar destek mekanizmaları geliştirmek amacıyla tasarlanmış bir Ar-Ge prototipidir.

Proje; Alçak Dünya Yörüngesi (LEO) uydularının çarpışma risklerini (Conjunction Assessment) yönetmek ve optimal kaçınma manevralarını planlar. Backend, hesaplama yoğunluklu uzay mekaniği görevlerini yöneten FastAPI üzerine kurulmuştur. Frontend ise etkileşimli bir Dashboard, Uydu Kataloğu ve Canlı Harita Görselleştirmesi sunan modern bir HTML/JavaScript arayüzüdür.

Temel Özellikler

Backend

• Çarpışma Tarama (Conjunction Screening):
  • Broad Phase: Uyduları coğrafi olarak gruplayarak (KD-Tree ile O(N logN)) potansiyel çarpışma adaylarını hızla eler/budar (processing/pruner.py).
  • Narrow Phase: Kalan aday çiftler için SGP4 modeli ve Skalar Optimizasyon (Bisection/Brent) kullanarak En Yakın Geçiş Zamanı (TCA) ve En Kısa Mesafe'yi (Miss Distance) hassas bir şekilde hesaplar.
  • Bilinen sınırlama (bkz. KNOWN_LIMITATIONS.md): Broad-phase budama TEK bir anlık görüntüde (tarama anı, t0) çalışır; 2 saatlik analiz penceresi içinde TCA'sı t0'a göre uzak olan (ama t0 anında 300km'den fazla mesafede olan) çiftler budama aşamasını hiç geçemeyebilir. Yüksek bağıl hızlı (dolayısıyla en riskli) yakınlaşmalar bu etkiden en çok etkilenenlerdir.
• Manevra Optimizasyonu (Maneuver Optimization):
  • Çarpışma riskini azaltmak için gereken minimum DeltaV (yakıt maliyeti) vektörünü bulmak için kısıtlanmış L-BFGS-B (Box-Constrained Broyden–Fletcher–Goldfarb–Shanno) algoritmasını kullanır.
  • Manevra, TCA'dan belirli bir süre önce (örneğin 1 saat) yapılan anlık (impulsive) bir hız değişimi olarak modellenir.
• Veri Yönetimi: SQLite veritabanı kullanarak TLE verilerini ve çarpışma uyarılarını kaydeder.

Yapay Zeka ve SSA (Uzay Durum Farkındalığı) Modülü

Sistem, ham TLE verilerini kullanarak uyduların davranışlarını ve gizli görev parametrelerini analiz eden bir Makine Öğrenmesi (ML) katmanı içerir:

• Görev Sınıflandırma (Calibrated Random Forest): 7.500+ uyduluk UCS veri seti ile eğitilen model; eğim, basıklık, periyot, perije ve apoje verilerinden (Kepler'in 3. Kanunu ile türetilmiş) uydunun kullanım amacını ~%90 doğrulukla tahmin eder. Ham olasılık çıktıları CalibratedClassifierCV (sigmoid, çapraz doğrulamalı) ile kalibre edilerek güven (confidence) skorlarının gerçek isabet oranını yansıtması sağlanır.
• Anomali Tespiti (Isolation Forest + Local Outlier Factor Ensemble): Isolation Forest global/eksen-hizalı aykırılıkları, Local Outlier Factor (LOF) ise yoğun bir kümenin içindeki lokal aykırılıkları yakalar; iki yöntemden biri anomali derse nesne işaretlenir (OR mantığı, kaçırılan gerçek bir anomalinin maliyetinin fazladan bir uyarıdan daha yüksek olduğu prensibiyle).
• Yörünge Rejimi Kümeleme (Gaussian Mixture Model): Uyduları fiziksel özelliklerine göre LEO, MEO, GEO, HEO ve VLEO olarak 5 ana kümede gruplandırır; K-Means'in sert (hard) küme sınırları yerine olasılıksal (soft) üyelik ataması kullanır.
• Manevra Tespiti (Mean-Element Farkı): tle_history tablosunda arşivlenen ardışık TLE çiftlerinden mean orbital elementleri (yarı-büyük eksen, eğim, dış merkezlik) faz/mean-anomaly bilgisinden bağımsız olarak çıkarır; aradaki farktan tanjantsal ve normal ΔV bileşenlerini fizik formülüyle (dairesel yörünge yaklaşımı) türeterek İrtifa Değişimi, Düzlem Değişimi, Eksantriklik Değişimi veya Kombine manevra tiplerini sınıflandırır.
• Sönümlenme (Decay) Analizi: BSTAR sürüklenme katsayısı ve irtifa verilerini hibritleyerek uydunun atmosfere düşme riskini (Düşük/Orta/Yüksek) hesaplar.
• Teknik Performans Raporu: Modelin başarı metriklerini (Accuracy, F1-Score, ROC-AUC, Confusion Matrix) radar grafikler ve ısı haritaları ile anlık olarak sunar.

Yer İstasyonu Planlama & Kapasite Analizi (Ground Station Scheduling)

Büyüyen pocketqube/IoT uydu constellation operatörleri için, sınırlı yer istasyonu sayısıyla artan uydu sayısı arasındaki operasyonel darboğazı modeller:

• AOS/LOS Hesabı: Mevcut SGP4 propagasyon altyapısını (processing/propagator.py) yer istasyonuna göre topocentric elevasyon açısına (AltAz dönüşümü) genişletir; bir uydunun istasyon üzerinden geçiş penceresini (Acquisition/Loss of Signal) ve maksimum elevasyonunu hesaplar.
• Çakışma Tespiti: Aynı istasyonda zaman içinde örtüşen geçiş pencerelerini ve çakışma oranını tespit eder.
• İstasyon-Bağımlı EFT Greedy Çizelgeleme: Her geçiş penceresi kendi istasyonunun geometrisine bağlı olduğundan, çizelgeleme istasyon başına bağımsız bir tek-kaynak (single-resource) problemi olarak Earliest-Finish-Time greedy algoritmasıyla çözülür (tek kaynak için ispatlanmış optimal).
• Kapasite Planlama Senaryoları: 525km/97.5° SSO referans yörünge profiline yakın gerçek Celestrak nesneleri (tle_service.get_satellites_by_orbit_profile, debris/ISS gibi alakasız yörünge aileleri elenerek) kullanılarak, 3/10/30/80 uydu × 1/2/3 istasyon ızgarasında kapasite kaybını (kaçırılan geçiş oranı) karşılaştırır ve "kaybı %50 azaltmak için kaç ek istasyon gerekir" sorusuna geriye-doğru arama ile cevap üretir.

Bulgu: Kutup İstasyonu Darboğazı

Bu senaryolardan çıkan en önemli sonuç: istasyon eklemek kapasiteyi otomatik artırmıyor. SSO/polar yörüngeli (97.5° inklinasyon) uydular, kutup-bölgesi istasyonlarından (örn. Svalbard, 78°N) her turda görülür (günde ~10-15 kez), orta enlemden (örn. Ankara, 40°N) ise sadece birkaç kez. Yeni eklenen istasyon da yüksek-görünürlük (kutup) bölgesindeyse, kapasiteden çok talebi büyütüp mevcut darboğazı genişletebiliyor:

Uydu	1 İstasyon	2 İstasyon (+Svalbard)	3 İstasyon (+Punta Arenas)
25	%37.8 kayıp	%52.8 kayıp	%50.0 kayıp
80	%54.6 kayıp	%73.3 kayıp	%70.0 kayıp

Daha güçlü bulgu: Bu sıralı sonucun "yanlış istasyon seçimi" değil yapısal bir kısıt olduğunu doğrulamak için, sabit liste sırası yerine her adımda kalan tüm adayları deneyip kaybı en çok azaltanı seçen bir greedy en-iyi-istasyon araması çalıştırıldı. Greedy doğru çalışıyor, kutup-bölgesi istasyonlarını (Punta Arenas, Reykjavik, Fairbanks) bilerek en sona bırakıyor (örn. 10 uydu/1 istasyon için seçilen sıra: Singapore→Perth→Toronto→Quito→Cape Town→Wellington→Tokyo→Punta Arenas→Reykjavik→Fairbanks). Buna rağmen 12 adaylık havuzun tamamı en iyi sırayla eklense bile hiçbir senaryoda %50 kayıp-azaltma hedefine ulaşılamadı. Bu, basit coğrafi istasyon eklemenin (en iyi seçimle bile) yeterli olmayabileceğine işaret eden bir gözlem — yüksek-verim/çoklu-anten istasyon veya inter-satellite link gibi farklı bir yer-segmenti stratejisi gerekebilir, ama bu kesin bir çözüm değil, bir hipotezdir.

Gerçek dünyada SSO ağırlıklı yer gözlem operatörleri bu nedenle kutup/yarı-kutup bölgesinde çoklu istasyon veya yüksek-verim yer segmentine yatırım yapar. Modelin varsayımları (10° elevasyon eşiği, istasyon başına tek-kanal, 12 aday lokasyon, 24 saatlik pencere) altında geçerli bir gözlemdir, kesin bir imkansızlık iddiası değildir. Detaylı analiz ve tam senaryo tablosu: RELEASE.md.

Veri ve Varsayımlar Şeffaflığı

Parametre	Etiket
TLE verisi	Gerçek (Celestrak stations/visual/debris/resource, canlı fetch)
Senaryo uydu seçimi	Gerçek veri, referans SSO profiline en yakın nesneler — operatörün kendi constellation'ı değil, benzer yörünge fiziğine sahip gerçek nesneler
İstasyon koordinatları	Gerçek koordinat, varsayımsal aday havuzu (fiilen kurulu istasyon iddiası yok)
min_elevation_deg=10°	Mühendislik varsayımı, SATCOM endüstri pratiğine uygun (ITU-R P.618), operatöre özgü kalibre edilmemiş
Tarama adımı / senaryo süresi / uydu sayıları	Mühendislik varsayımları (performans-hassasiyet dengesi, günlük döngü, büyüme tahmini)

Tam tablo ve gerekçeler: RELEASE.md.

Bakım Etki Analizi (Maintenance Impact Analyzer)

Bir yer istasyonunda planlanan bakım çalışmasının (anten söküm, yazılım güncellemesi vb.) hangi uydu geçişlerini kaybettireceğini hesaplar:

• B → Ömür Dönüşümü:* 1976 US Standard Atmosphere piecewise-exponential atmosfer modeli (150–1000 km) ile TLE'deki B* sürüklenme katsayısından tahmini yörünge ömrü türetilir; ömre göre uyduya bir "kayıp önceliği" ağırlığı atanır (<180 gün → 3.0, 180-365 gün → 2.0, >365 gün → 1.0).
• B Regresyonu:* B*, tek bir TLE anlık görüntüsü yerine tle_history tablosundaki geçmiş kayıtlara doğrusal regresyon uygulanarak hesaplanır — bozunma trendi hızlanan bir uydu daha yüksek ağırlık alır.
• Pencere Skorlama: 7 günlük ufku 30 dakikalık adımlarla tarayarak her aday bakım penceresi için maliyet puanını (kayıp geçişlerin süre × ağırlık toplamı) hesaplar ve en iyi/en kötü zaman aralıklarını sıralar.

Detaylı doğrulama sonuçları: RELEASE.md.

Frontend

• Canlı Harita Görünümü: Leaflet.js haritası üzerinde, seçilen uyduların SGP4 ile hesaplanmış yörünge yollarını (Lat/Lon/Alt) görselleştirir.
• Çarpışma Analizi Arayüzü: Kritik Riskler (COLLISION) ve Yakın Formasyon Uçuşları/Kenetlenmeler (DOCKING) olaylarını ayırarak görüntüler.
• Manevra Planlama Modalı: Seçilen bir çarpışma uyarısı için, hedeflenen güvenli mesafeye ulaşmak için gereken optimal DeltaV değerlerini gösteren etkileşimli bir arayüz sunar.
• Manevra Tespiti Paneli: Katalogdaki uydular için otomatik taranan geçmiş manevra olaylarını (tip, Δa/Δi/Δe, tahmini ΔV, güven skoru) listeler.
• Canlı Yörünge Yenileme: Haritadaki uydu işaretçisi, 100 dakikalık hesaplama penceresinin sonuna yaklaştığında arka planda otomatik olarak yeni bir yörünge parçası çekerek kesintisiz takip sağlar.
• Sunucu Taraflı Sayfalama: Uydu Kataloğu, CDM Çarpışma Uyarıları, Manevra Tespiti ve SSA Zekası listeleri page/limit parametreleriyle sayfalanır; binlerce kaydın tamamı tek seferde DOM'a basılmaz.

ASTM-Demo Örneği

Demoyu izlemek için yukarıdaki görsele tıklayınız. Demo videosuna ve rapora docs dizininden ulaşabilirsiniz. Demo videosunu görüntülemek için view raw seçeneğine basıp videoyu indirebilirsiniz. Video Aralık 2025 tarihli olduğundan güncel modülleri ve değişiklikleri içermemektedir.

Kurulum ve Çalıştırma

Gereksinimler

• Python 3.10+
• Git

Adımlar

1. Projeyi Klonlama:

   git clone https://github.com/sebnembasak/astm-prototype
   cd astm-prototype

2. Sanal Ortam Oluşturma ve Bağımlılıkları Yükleme:

   # Sanal ortamı oluştur ve etkinleştir
   python -m venv .venv
   source .venv/bin/activate
   
   # Bağımlılıkları yükle
   pip install -r requirements.txt

3. Veritabanını Başlatma: Veritabanı tablolarını (raw_tles, conjunction_alerts) oluşturur.

   python backend/models/db.py
   # Çıktı: Veritabanı tabloları başarıyla oluşturuldu/güncellendi.

4. TLE Verilerini Çekme (İlk Yükleme): Celestrak'tan güncel uydu verilerini çeker ve yerel veritabanına kaydeder.

   python ingest/tle_fetcher.py

5. API Sunucusunu Başlatma: Uvicorn ile FastAPI uygulamasını çalıştırın.

   uvicorn main:app --reload

   Sunucu varsayılan olarak http://127.0.0.1:8000 adresinde başlayacaktır.

Erişilebilirlik

• Web Arayüzü: http://127.0.0.1:8000/
• API Dokümantasyonu (Swagger UI): http://127.0.0.1:8000/docs

Temel Hesaplama Modülleri

Modül	Dosya Yolu	Sorumluluk
SGP4 Propagatör	processing/propagator.py	TLE'den alınan yörüngeyi belirli bir zamana kadar ilerletir (r ve v vektörlerini TEME'de verir).
Koordinat Dönüşümü	processing/coord_utils.py	TEME (uzay) koordinatlarını haritada çizmek için Lat/Lon/Alt (Dünya yüzeyi) değerlerine çevirir
Budama (Pruner)	processing/pruner.py	cKDTree kullanarak binlerce uydu arasından sadece birbirine yakın olan aday çiftleri hızlıca seçer
Manevra Optimizasyonu	planner/optimizer.py	Scipy.optimize (L-BFGS-B) kullanarak çarpışma sonrası güvenli mesafeyi sağlayan minimum DeltaV değerini bulur
Manevra Tespiti	processing/maneuver_detection.py	Ardışık TLE'lerin mean orbital elementlerinden (faz-bağımsız) fizik tabanlı ΔV tahminiyle geçmiş manevraları tespit eder
Yer İstasyonu Görüş Geometrisi	processing/ground_station.py	TEME konumundan topocentric elevasyon açısı hesaplar, AOS/LOS geçiş pencerelerini bulur
Çakışma Tespiti (İstasyon)	processing/schedule_conflict.py	Aynı istasyonda zaman içinde örtüşen geçiş pencerelerini ve çakışma oranını tespit eder
Yer İstasyonu Çizelgeleme	planner/ground_scheduler.py	İstasyon-bağımlı Earliest-Finish-Time greedy algoritmasıyla çakışan geçişler arasından atama yapar
Bakım Etki Analizi	service/maintenance_service.py	B*'tan atmosfer modeliyle yörünge ömrü/ağırlık türetir, 7 günlük ufukta bakım penceresi maliyetini puanlar

Test ve Doğrulama

Çekirdek uzay mekaniği modülleri (processing/conjunction.py, planner/optimizer.py) için tests/ dizininde deterministik birim testleri bulunur. Testler, gerçek SGP4/poliastro çağrıları yerine doğrusal hareket varsayan sahte (mock) propagator fonksiyonları kullanarak el ile doğrulanabilir kapalı-form sonuçlar üzerinden çalışır:

pytest tests/ -v

Proje Yapısı

Proje, Servis Katmanı Mimarisi (Service Layer Architecture) kullanılarak tasarlanmıştır.

Dizin	Amaç
backend/api	FastAPI router'ları, HTTP isteklerini (router_*.py) işler
service	İş mantığı katmanı. API ile çekirdek hesaplama (processing, planner) modüllerini bağlar
processing	Çekirdek uzay mekaniği ve matematiksel hesaplamalar (SGP4, koordinat dönüşümü, budama, çarpışma analizi).
planner	Optimizasyon motorunu ve manevra hesaplama algoritmalarını içerir.
ingest	Harici veri kaynaklarından (Celestrak) veri çekme işlemleri (tle_fetcher.py).
backend/models	Veritabanı şemaları ve bağlantı ayarları (db.py).
main.py	FastAPI uygulamasının ana giriş noktası.
assets/	CSS, JS ve görsel dosyaları.

Projenin bilinen sınırlamaları ve kaynaksız varsayımları şeffafça belgelenmiştir: KNOWN_LIMITATIONS.md.

Diyagramlar

Tüm diyagramların düzenlenebilir .drawio kaynakları ve açık/koyu tema PNG çıktıları docs/Diagrams/ altındadır.

Sistem Mimarisi (v1.4.0):

Çarpışma Tarama Pipeline (TLE'den Karara):

Kaçınma Manevrası Optimizasyonu (Sequence):

SSA / Yapay Zeka Pipeline:

Yer İstasyonu Kapasite Planlama — Modül Mimarisi & Akış:

Sistem hakkında detaylı bilgiye docs klasörü altındaki astm-rapor.pdf dosyasından ulaşabilirsiniz.

Ekran Görüntüleri

Aşağıdaki tüm görüntüler docs/Screenshots_v2/ klasöründedir ve v2.0.0 itibarıyla gerçek backend'e bağlı, gerçek veriyle (canlı Celestrak TLE'leri, gerçek TLE'lerden hesaplanan çarpışma/manevra/kapasite sonuçları) çekilmiştir — mock veri değildir. Eski (Aralık 2025) görüntüler docs/Screenshots/ altında arşiv olarak kalmıştır.

Operasyon Merkezi (Dashboard)

Katalogdaki toplam uydu sayısı, son taramada bulunan kritik risk sayısı ve tespit edilen gerçek manevra sayısını gösteren ana özet ekranı. Sağdaki "Hub Komutları" TLE güncelleme ve çarpışma taramasını tetikler.

Dashboard — Sayfa Açıklama Kutusu

Her sayfada bulunan katlanabilir "Bu sayfa ne anlatıyor?" kutusu — sayfadaki terimleri ve hesaplama mantığını teknik olarak açıklar.

Uydu Veritabanı

Celestrak'tan çekilen gerçek TLE kataloğu (300+ nesne) — yörünge parametreleri ve kaynak gruplarıyla listelenir.

Uydu Arama

İsme göre filtrelenmiş katalog araması (örnek: "ISS").

Çarpışma Analizi — Riskler

SGP4 ile yayılan gerçek TLE çiftleri arasında hesaplanan en yakın yaklaşım (TCA) listesi. Risk yüzdesi, mesafeye dayalı basit bir gösterge olup gerçek bir çarpışma olasılığı (Pc) değildir.

Çarpışma Analizi — Bilinen Sınırlama Uyarısı

Bu sayfanın açıklama kutusu, CSS modülleri arası epoch tutarsızlığı artefaktı gibi bilinen sınırlamaları doğrudan kullanıcıya bildirir (detay: KNOWN_LIMITATIONS.md).

Kaçınma Manevrası — Hesaplama Ekranı

Bir risk satırındaki "araç" ikonuyla açılan, hedef güvenli mesafe girilen optimizasyon ekranı.

Kaçınma Manevrası — Sonuç

scipy.optimize L-BFGS-B ile bulunan optimum ateşleme zamanı, gereken Delta-V ve yeni mesafe — gerçek sayısal optimizasyon çıktısı.

Kenetlenme & Formasyon

Mesafe ve bağıl hız eşiklerine göre "kenetli/formasyon" (DOCKING) olarak sınıflandırılan gerçek nesne çiftleri (örn. CSS/ISS modülleri).

Çarpışmayı Haritada İzleme

Bir yakınlaşma olayındaki iki nesnenin, TCA anındaki konumlarıyla haritada gösterimi.

Yörünge Simülasyonu (Canlı Harita)

Seçilen bir uydunun gerçek SGP4 propagasyonuyla hesaplanan yörünge izi. "CANLI TAKİP" ile marker'ın 1 saniyelik aralıklarla hareket ettiğini gösterir.

Manevra Tespiti

Ardışık TLE setleri arasındaki BSTAR/yarı-major eksen/eksantriklik/inklinasyon farklarından tespit edilen gerçek manevra olayları, değişen parametreye göre sınıflandırılmış (İrtifa Değişimi, Düzlem Değişimi, Eksantriklik Değişimi, Kombine).

SSA Zekası — Sınıflandırma ve Kümeleme

Yörünge rejimi haritası (GMM ile soft kümeleme) ve Random Forest ile yapılan görev/nesne sınıflandırması — kalibre edilmiş güven skorlarıyla.

SSA Zekası — Model Performans Raporu

Eğitilmiş modelin confusion matrix'i, sınıf bazlı precision/recall/F1 metrikleri ve özellik önem düzeyleri (feature importance) — UCS Satellite Database üzerinde gerçek eğitim sonucu.

Yer İstasyonu Kapasite Planlama — Sayfa Açıklaması

AOS/LOS, kapasite kaybı ve "Kutup İstasyonu Darboğazı" ana bulgusunun bu sayfadaki açıklaması.

Yer İstasyonu Kapasite Planlama — Genel Görünüm

Aday istasyon haritası ve senaryo parametreleri (uydu sayısı, istasyon sayısı, süre).

Yer İstasyonu Kapasite Planlama — Tekil Senaryo Sonucu

10 uydu / 2 istasyon senaryosu için gerçek SGP4 tabanlı geçiş hesaplamasıyla bulunan kapasite kaybı ve %50 azaltım için gereken ek istasyon sayısı (greedy en-iyi-istasyon araması).

Yer İstasyonu Kapasite Planlama — Tüm Senaryolar (Izgara)

3/10/30/80 uydu × 1/2/3 istasyon ızgarasının tam koşusu — her satırda, hedefe ulaşmak için greedy aramayla seçilen istasyonların sırası (kutup istasyonları ayrı renkle işaretli) doğrudan görünür sütun olarak gösterilir.

Bakım Etki Analizi

Ankara istasyonu için 4 saatlik bakım senaryosu — 7 günlük ufukta gerçek SGP4 geçişleriyle hesaplanan en iyi (yeşil, "Sıfır Kayıp") ve en kötü (kırmızı) bakım zaman aralıkları, B*'tan türetilen uydu ağırlıklarıyla puanlanmış.