Automatické určení oblasti pro detekci laserových útoků na piloty během přistání a vzletu

Abstract

Nelegální osvětlování letadel lasery představuje rostoucí bezpečnostní riziko zejména při přiblížení a odletu. I přes existující regulaci a technologie zůstává klíčovou otázkou, kde detekční prostředky nasadit, aby byly účinné. Cílem je automaticky identifikovat prostorová ohniska incidentů a jejich vazbu na publikované tratě. Na základě toho určit zóny zvýšeného rizika a poskytnout podklady pro plánování technických i operačních opatření. Na souboru 220 historických incidentů byla použita kombinace dvou metod shlukování a následné modelace jednosložkovou směsí normálních rozdělení, z níž byly odvozeny 95% elipsy. Ty byly porovnány se segmenty tras pro přílet a odlet, které byly vzorkovány po 150200 metrech. Jako validace byla na vybrané shluky aplikována kritéria. Optimální parametry identifikovaly 10 shluků, 32,3 % bodů tvořilo šum; metriky dosáhly Silhouette score 0,444 a DaviesBouldin Index 0,520. Elipsy jsou směrově sladěny s tratěmi, dominantní je osa přiblížení na dráhu 24 (průměrný podíl délky uvnitř elips ~0,66). U trajektorií bylo uvnitř elips určeno 870 rizikových bodů. Navržený rámec převádí syrová data do mála orientovaných, metrických zón, přímo porovnatelných s tratěmi a připravených k publikaci v mapových podkladech. Metoda je opakovatelná, provozně srozumitelná a vytváří praktický základ pro priorizaci opatření v civilním letectví.

Illegal illumination of aircraft with lasers is an increasing safety risk, especially during approach and departure. Despite existing regulations and technologies, the key question remains where to deploy detection assets to make them effective. The aim is to automatically identify spatial hotspots of incidents and their linkage to published procedures, and on that basis delineate higher-risk zones and provide inputs for planning technical and operational measures. On a dataset of 220 historical incidents, a combination of two clustering methods was applied, followed by modeling with a single-component Gaussian mixture from which 95% ellipses were derived. These were compared with segments of arrival and departure routes sampled every 150200 meters. As validation, information criteria were applied to selected clusters. The optimal parameters identified 10 clusters, with 32.3% of points labeled as noise; the metrics achieved a Silhouette score of 0.444 and a DaviesBouldin Index of 0.520. The ellipses are directionally aligned with the procedures, with the approach axis to Runway 24 dominant (average share of route length inside ellipses ~0.66). Along the trajectories, 870 risk points were identified inside the ellipses. The proposed framework converts raw data into a small number of oriented, metric zones directly comparable with flight procedures and ready for publication in mapping products. The method is repeatable, operationally interpretable, and provides a practical basis for prioritizing measures in civil aviation.