Please use this identifier to cite or link to this item: https://hdl.handle.net/11264/2983
Title: COMBINING MACHINE LEARNING AND GEOSPATIAL ANALYSIS FOR A BETTER UNDERSTANDING OF COMPLEX AIRSPACE ENVIRONMENTS
Authors: Vincent-Boulay, Nicolas
Royal Military College of Canada
Marsden, Catharine
Keywords: Airspace Modelling
Discrete Global Grid Systems
Risk analysis
Machine learning
Aircraft trajectory clustering
Issue Date: 19-Nov-2026
Abstract: The growing availability of large historical aerospace datasets, together with rising air traffic volumes and the emergence of new air vehicle types and operations, creates new opportunities for data-driven analysis of increasingly complex airspace environments. However, aircraft surveillance, weather, and other aerospace datasets differ substantially in spatial structure, temporal resolution, physical meaning, and data volume, complicating their integration and reuse across analytical applications. This thesis develops and evaluates a modular, reusable, data-driven four-dimensional airspace-modelling methodology that leverages large historical aerospace datasets while managing the associated computational requirements. The methodology was implemented using historical Automatic Dependent Surveillance–Broadcast (ADS-B) aircraft trajectories from the OpenSky Network and NOAA NEXRAD weather radar data over the New York metropolitan airspace. A Discrete Global Grid System (DGGS) was used to associate heterogeneous observations with common three-dimensional locations and time references. Three experiments evaluated the methodology. Experiment #1 developed representative DGGS-based airspace models and evaluated feature selection, dataset partitioning, and model generation and reuse, while verifying that the model information required by downstream analyses was preserved. Experiment #2 evaluated analytical reuse of the model through a location-based risk case study in which weather risk and midair-collision (MAC) risk indicators were independently derived and subsequently combined. Experiment #3 evaluated data-driven identification and interpretation of recurring operational patterns from trajectory-level airspace-model outputs using a selected KMeans implementation, category-granularity analysis, and comparison with independent aircraft-reference information. The results show that heterogeneous aircraft and weather observations can be integrated into reusable DGGS-indexed 4D model outputs while preserving the information required for subsequent analyses. Feature selection reduced model-generation time and saved output size, and dataset partitioning substantially reduced memory demand at the cost of additional processing time. Reusing previously generated model outputs enabled substantially faster repeated analyses. The risk experiment demonstrated that independently derived aircraft- and weather-related indicators can be co-indexed, interpreted, and combined within the same spatial and temporal reference. The clustering experiment identified recurring terminal-area and higher-altitude trajectory patterns without predefined behavioural labels. Post-clustering spatial and kinematic evidence supported their interpretation as operationally meaningful behaviour categories. Comparison of the 𝐾=5 and 𝐾=9 solutions demonstrated adjustable category granularity, and independent aircraft-reference information showed that operationally distinct behaviour categories can share the same dominant conventional aircraft classification. Together, the experiments demonstrate a reusable, data-driven airspace-modelling framework that separates the persistent representation of heterogeneous historical airspace data from the application-specific analyses subsequently applied to it. The methodology supports computationally practical model generation and reuse, the derivation and combination of multiple location-based analytical products, data-driven identification and post-clustering interpretation of recurring operational patterns, and visualization-supported analysis of complex 4D airspace environments.
La disponibilité croissante de vastes ensembles de données aérospatiales historiques, combinée à l’augmentation du volume du trafic aérien et à l’émergence de nouveaux types d’aéronefs et d’opérations, crée de nouvelles possibilités d’analyse fondée sur les données dans des environnements d’espace aérien de plus en plus complexes. Toutefois, les données de surveillance des aéronefs, les données météorologiques et les autres données aérospatiales diffèrent considérablement quant à leur structure spatiale, leur résolution temporelle, leur signification physique et leur volume, ce qui complique leur intégration et leur réutilisation dans différentes applications analytiques. Cette thèse développe et évalue une méthodologie modulaire, réutilisable et fondée sur les données pour la modélisation quadridimensionnelle de l’espace aérien à partir de vastes ensembles de données aérospatiales historiques, tout en gérant les exigences de calcul qui leur sont associées. La méthodologie a été mise en oeuvre à partir de trajectoires historiques d’aéronefs provenant de la surveillance dépendante automatique en mode diffusion (ADS-B) du réseau OpenSky et de données de radar météorologique NEXRAD de la NOAA couvrant l’espace aérien de la région métropolitaine de New York. Un système de grille globale discrète (DGGS) a été utilisé afin d’associer des observations hétérogènes à des positions tridimensionnelles et à des références temporelles communes. Trois expériences ont permis d’évaluer la méthodologie. La première expérience a permis de développer des modèles représentatifs de l’espace aérien fondés sur un DGGS et d’évaluer la sélection de variables, le partitionnement des jeux de données ainsi que la génération et la réutilisation des modèles, tout en vérifiant la préservation de l’information requise pour les analyses subséquentes. La deuxième expérience a évalué la réutilisation analytique du modèle au moyen d’une étude de cas de risque fondée sur la localisation, dans laquelle des indicateurs de risque météorologique et de risque de collision en vol (MAC) ont été dérivés indépendamment puis combinés. La troisième expérience a évalué l’identification et l’interprétation, fondées sur les données, de structures opérationnelles récurrentes à partir de trajectoires extraites du modèle d’espace aérien, au moyen d’une implémentation KMeans sélectionnée, d’une analyse de la granularité des catégories et d’une comparaison avec des données indépendantes de référence sur les aéronefs. Les résultats montrent que des observations hétérogènes relatives aux aéronefs et aux conditions météorologiques peuvent être intégrées dans des sorties de modèles 4D réutilisables et indexées par DGGS tout en conservant l’information requise pour les analyses subséquentes. La sélection de variables a réduit le temps d’exécution des modèles et la taille des sorties enregistrées; le partitionnement des jeux de données a considérablement réduit les besoins en mémoire au prix d’un temps de traitement supplémentaire; et la réutilisation de sorties de modèles générées antérieurement a permis des analyses répétées sensiblement plus rapides. L’expérience portant sur le risque a démontré que des indicateurs dérivés indépendamment des données d’aéronefs et des données météorologiques peuvent être co-indexés, interprétés et combinés selon les mêmes références spatiales et temporelles. L’expérience de regroupement a permis d’identifier des structures de trajectoires récurrentes en environnement terminal et à plus haute altitude sans recourir à des étiquettes comportementales prédéfinies. L’analyse spatiale et cinématique effectuée après le regroupement non supervisé a permis d’interpréter ces structures comme des catégories de comportement opérationnel; la comparaison des solutions 𝐾=5 et 𝐾=9 a démontré une granularité de catégorisation ajustable; et la comparaison avec des données indépendantes de référence sur les aéronefs a montré que des catégories comportementales opérationnellement distinctes peuvent partager la même classification conventionnelle dominante des aéronefs. Dans leur ensemble, les trois expériences démontrent un cadre réutilisable de modélisation de l’espace aérien fondé sur les données qui sépare la représentation persistante de données historiques hétérogènes de l’espace aérien des analyses propres aux différentes applications qui lui sont ensuite appliquées. La méthodologie permet une génération et une réutilisation des modèles réalisables sur le plan computationnel, la dérivation et la combinaison de multiples produits analytiques fondés sur la localisation, l’identification fondée sur les données et l’interprétation postérieure au regroupement de structures opérationnelles récurrentes, ainsi que l’analyse d’environnements complexes d’espace aérien 4D appuyée par la visualisation.
URI: https://hdl.handle.net/11264/2983
Appears in Collections:Theses

Files in This Item:
File Description SizeFormat 
Combining machine learning and geospatial analysis for a better understanding of complex airspace environments.pdfCombining machine learning and geospatial analysis for a better understanding of complex airspace environments12.7 MBAdobe PDFView/Open


Items in eSpace are protected by copyright, with all rights reserved, unless otherwise indicated.