¿Qué problema quieren resolver?

¿Cómo lo ha hecho otra gente antes? (estado del arte)​

¿Cómo lo resuelven ellos? (modelo/matemáticas/algoritmo)​

¿Cómo demuestran que funciona? (experimentos y resultados)​

¿Funciona bien? ¿Qué concluyen? (conclusiones y trabajo futuro)

1. ¿Cuál es el problema que quieren resolver?
Contexto general

●​ La aviación quiere reducir consumo de combustible y emisiones (CO₂, etc.) por razones
ambientales y económicas.

Programas como SESAR 2020 se han marcado objetivos muy ambiciosos: por ejemplo, reducir el
CO₂ en un 10%, lo que equivale a ahorrar unos 250–500 kg de combustible por vuelo para 2035.

Para ver si se avanza hacia estos objetivos, hay que medir y monitorizar continuamente el
rendimiento del sistema ATM (Air Traffic Management), incluyendo cuánto combustible se consume
en operaciones reales.

La limitación clave

●​ Las agencias que monitorizan ATM (ANSPs, aeropuertos, organismos de performance)

normalmente solo tienen acceso a datos de vigilancia: posiciones de radar, altitudes, tiempos…​

●​ No tienen acceso directo a datos de combustible porque:

○​ Son confidenciales y sensibles para las aerolíneas (competencia).
○​ No existe infraestructuras masivas y centralizadas para descargar datos de FDR de
todos los vuelos.

Por eso, hoy en día se usan indicadores “proxy” (indirectos), por ejemplo:

●​ Ineficiencias en tiempo de vuelo.​

●​ Millas extra voladas respecto a una ruta ideal.​

●​ En TMA (Terminal Manoeuvring Area), se miden cosas tipo segmentos nivelados

(interrupciones de descensos/climb continuos) como indicador de ineficiencia vertical.

Pero estos indicadores no dicen directamente cuánto combustible se ha gastado.

Problema específico del artículo

Queremos saber:

¿Podemos estimar el combustible consumido por un avión usando solo su trayectoria 4D

(posición + tiempo) y un modelo de meteorología, sin datos internos del avión (FDR)?

Más concretamente:

●​ Estimar consumo de combustible durante descensos en el TMA.​

●​ Usando solo tracks de radar (latitud, longitud, altitud, tiempo).​

●​ Comparar esa estimación con el consumo real reportado por el FDR de las aerolíneas.
Además, quieren responder cosas como:

●​ ¿Qué precisión se puede conseguir con este método?​

●​ ¿Qué pasa si usamos:

○​ Un modelo de performance “genérico” tipo BADA 3.6.
○​ Un modelo de performance muy preciso del fabricante (Airbus PEP).​

●​ ¿Qué diferencia hace tener la trayectoria “perfecta” (FDR) vs la trayectoria “ruidosa” de

radar?

Ese es el núcleo del problema.

2. ¿Cómo lo ha hecho otra gente antes?

(estado del arte)
En la introducción, el artículo repasa lo que ya se hacía para estimar combustible y emisiones.

2.1. Método “clásico” ICAO (time-in-mode)

●​ El método tradicional es el “time-in-mode” de la ICAO:

○​ Se basa en un ciclo estándar LTO (Landing and Take-Off).
○​ Usa factores de flujo de combustible y emisiones de la base de datos de la ICAO.​

●​ Varios estudios han mostrado problemas:

○​ Patterson et al. compararon flujos reales de combustible (FDR) con la referencia
ICAO y concluyeron que no representa bien las operaciones actuales de aerolíneas.

También se reporta que este método sobreestima consumo en TMA.

Conclusión: el estándar ICAO es poco representativo de las operaciones reales, especialmente en

TMA.

2.2. AEDT (Aviation Environmental Design Tool)

●​ Desarrollado por la FAA para facilitar estudios ambientales:

○​ Modela la trayectoria de aeronaves en espacio y tiempo.
○​ Calcula consumo de combustible, emisiones y ruido.

Conclusión: AEDT funciona muy bien si tienes FDR; si no, cae en perfiles estándar que no reflejan
bien el impacto de las maniobras ATC reales.

2.3. Métodos previos similares al de este paper

Trabajos anteriores (Chatterji, Oaks & Paglione, etc.) ya habían propuesto:

●​ Calcular flujo de combustible a partir de la trayectoria 4D y la meteorología, sin
necesidad de: FDR, ni un perfil explícito de empuje o velocidad.

Usaban un modelo de dinámica puntual (point-mass) para:

●​ Estimar estados del avión (velocidad, ángulos, etc.).​

●​ Calcular sustentación, resistencia y empuje.​

●​ A partir de ahí, obtener el flujo de combustible usando BADA.

Pero:

●​ Solo se validó con un único vuelo de ejemplo.

Este artículo toma ese método y lo lleva al siguiente nivel:

Validarlo con más de 2400 descensos reales en un gran aeropuerto europeo, y además probar
un modelo de performance mucho más preciso basado en datos del fabricante (Airbus PEP).

3. ¿Cómo resuelven los autores el problema?

(Explicación conceptual)
El método que propone el artículo se basa en una idea muy sencilla:

Si sabemos cómo se mueve un avión, podemos deducir cuánta fuerza están generando sus
motores y, por tanto, cuánta cantidad de combustible están quemando.

Para llevar esto a la práctica, los autores combinan tres elementos:

1.​ La trayectoria del avión (procedente del radar o del FDR).​

2.​ La información meteorológica (principalmente viento, temperatura y presión).​

3.​ Un modelo de rendimiento del avión (BADA o un modelo derivado de datos reales de
Airbus).​

Con estos componentes, el método reconstruye la potencia necesaria de los motores a lo largo del
descenso y, a partir de ella, estima el consumo de combustible.

3.1. Usar la trayectoria para entender el movimiento del avión

Los datos de radar o FDR nos dicen dónde está el avión en cada momento: su posición, su altitud y el
tiempo.
A partir de ese “camino”, el método observa:

●​ si el avión acelera o desacelera,​

●​ si desciende rápido o despacio,​

●​ si realiza giros cerrados o trayectorias suaves,​

●​ si su movimiento es estable o presenta variaciones bruscas.​

Estos cambios en la trayectoria reflejan directamente cómo se están comportando los motores y las
fuerzas aerodinámicas.

Por ejemplo:

●​ Un descenso suave y constante requiere muy poco empuje.​

●​ Si el avión acelera durante el descenso, está usando más potencia.​

●​ Un cambio de altitud o un giro más agresivo indican mayores fuerzas actuando, y por tanto,
mayor esfuerzo del motor.​

Aunque el radar no mide el motor, el movimiento del avión da pistas sobre lo que el motor está
haciendo.

3.2. El papel de la atmósfera

No basta con ver cómo se mueve el avión: también es necesario saber cómo se mueve el aire a su
alrededor.

Por eso el método incorpora:

●​ viento, que afecta la velocidad respecto al suelo,​

●​ temperatura y presión, que determinan la densidad del aire y, por tanto, la resistencia
aerodinámica.​

Con esta información, el sistema estima cómo se mueve el avión respecto al aire, no solo respecto al
suelo.​
Esto es esencial porque los motores responden al movimiento en el aire, no al movimiento en tierra.

3.3. Cómo se estima el empuje del motor

Una vez entendido el movimiento del avión dentro del aire, la siguiente pregunta es:
“¿Cuánta fuerza han tenido que generar los motores para que el avión se mueva tal como
lo vemos?”

Para responderla, el método tiene en cuenta:

●​ el peso del avión,​

●​ la resistencia aerodinámica,​

●​ la velocidad y los cambios de velocidad,​

●​ la pendiente del descenso,​

●​ y las maniobras (giros, nivelaciones, etc.).​

Conceptualmente:

●​ Si el avión desciende establemente sin acelerar, necesita muy poco empuje.​

●​ Si se acelera, necesita más empuje.​

●​ Si se nivela o frena, el empuje cambia para compensar el aumento de resistencia o el cambio

de energía.​

Así, la trayectoria funciona como un “rastro” que revela qué esfuerzo han hecho los motores.

3.4. Del empuje al consumo de combustible

Una vez estimado el empuje necesario en cada instante del vuelo, el modelo de rendimiento del avión
indica cuánta gasolina se necesita para generar esa fuerza.

El artículo compara dos modelos:

✔ BADA (modelo genérico)

●​ Representa a muchas aeronaves de forma simplificada.​

●​ Es útil para simulaciones generales, pero no tan preciso para calcular combustible en
descensos reales.​

✔ Modelo derivado de Airbus PEP

●​ Basado en datos reales y detallados del fabricante Airbus.​

●​ Describe mucho mejor cómo se comporta el motor y la aerodinámica en la vida real.​

●​ Por eso ofrece estimaciones de combustible mucho más precisas.​

En resumen, el empuje estimado se traduce en combustible quemado usando uno de estos modelos.

3.5. Sumar el consumo total de la maniobra

Finalmente, el método “va sumando” el combustible estimado en cada momento desde:

●​ el Top of Descent (inicio del descenso),​

●​ hasta 5.000 pies,​

para obtener el consumo total en ese tramo.​

Se elige este intervalo porque por debajo de 5.000 pies el avión suele cambiar configuración (flaps,
tren, etc.), lo cual introduce mucha incertidumbre que no es visible desde el radar.

4. ¿Cómo demuestran que funciona?

(experimentos, datos y resultados)
4.1. Conjunto de datos y configuración experimental

●​ Analizan 2448 descensos realizados en un gran aeropuerto europeo entre 2012 y 2014.
●​ Todos los vuelos son de aviones Airbus (coherente con el uso de PEP).​

●​ Para cada vuelo tienen:​

1.​ Datos FDR de la aerolínea (trayectoria 4D y registros de combustible/ N1).​

2.​ Datos de vigilancia radar correspondientes.​

●​ Para cada vuelo se procesan cuatro casos:​

1.​ Trayectoria FDR + modelo Airbus PEP.​

2.​ Trayectoria radar + modelo Airbus PEP.​

3.​ Trayectoria FDR + BADA 3.6.​

 4.​ Trayectoria radar + BADA 3.6.​

Y se compara fuel estimado vs fuel real (FDR).

Además, como se mencionó, el análisis se limita al tramo TOD → 5000 ft AGL para evitar los líos de
configuración.

4.2. Ejemplo detallado de un vuelo

En la Figura 1 (página 7) se muestra un vuelo de ejemplo:

●​ Perfil vertical:
○​ Línea azul: trayectoria vertical FDR (altitud vs tiempo).
○​ Línea negra: trayectoria vertical radar.
○​ Segmento verde discontínuo: tramo de descenso “limpio” usado para el cálculo de
combustible (desde el TOD hasta 5000 ft).
●​ Ruta horizontal:
○​ Se ve el camino horizontal (lateral), con TOD marcado y el punto de 5000 ft.​

En la Figura 2 (página 7) se muestran para ese vuelo:

1.​ Thrust estimation:

○​ Curva negra: N1 (%) del FDR (izquierda: thrust en dAN, derecha: N1 en %).
○​ Curvas de colores (azul/rojo): empuje estimado usando trayectoria FDR y trayectoria
radar.
○​ La serie estimada sigue bastante bien las variaciones de N1 FDR, salvo picos
aislados.

Fuel flow estimation:

●​ Curva negra: flujo de combustible real (FDR).​

●​ Curvas de colores: flujo de combustible estimado a partir de FDR track y de radar track.​

●​ De nuevo, las curvas estimadas siguen bien la tendencia del FDR, con spikes (picos) debidos
a estimaciones erróneas de la derivada de velocidad (problema de ruido).

Comentario que hacen los autores:

●​ Los picos alrededor de -17 min se deben a una mala estimación de la derivada de TAS
inducida por el ruido;​

●​ Una estimación de estados más sofisticada (por ejemplo, Kalman Filter que incorpore
explícitamente el modelo dinámico) podría eliminar este problema.

4.3. Resultados agregados para los 2448 vuelos

Los resultados globales se resumen en la Figura 3 (página 8) y en las Tablas 1 y 2 (página 8),
además de la Figura 4 (página 9).

4.3.1. Gráficas de dispersión fuel estimado vs fuel real

En la Figura 3:

●​ Eje X: combustible real (FDR) en kg.​

●​ Eje Y: combustible estimado.​

●​ La línea diagonal negra representa la estimación perfecta (y = x).​

●​ Puntos:
○​ Azules: estimación usando la trayectoria FDR.
○​ Rojos: estimación usando la trayectoria radar.

(a) Con modelo de performance PEP (fabricante)

●​ Los puntos están muy pegados a la diagonal.​

●​ Los errores medios:

○​ Al usar trayectoria FDR: error medio ≈ 2 kg (0,4%).
○​ Al usar radar: error medio ≈ 20 kg (5,1%).

Es decir, usando PEP + FDR traject:

●​ El método casi clava el consumo de combustible.​

Con PEP + radar:

●​ Hay más dispersión, pero se mantiene en torno al 5% de error medio, lo cual es bastante
razonable para datos de vigilancia.​

(b) Con BADA 3.6

●​ Aquí se observa que BADA subestima el combustible total:

○​ Con trayectoria FDR: error medio ≈ -48 kg (-18%).
○​ Con trayectoria radar: ≈ -24 kg (-9%).

Curiosidad: con BADA 3.6, la estimación usando radar parece “menos mala” que con FDR, pero esto
no es porque el radar sea mejor, sino por cómo el ruido y la diferenciación afectan al empuje estimado
(lo explican en el texto).

4.3.2. Estadísticos numéricos (Tablas 1 y 2)

Tabla 1: errores absolutos (kg)

●​ BADA 3.6:
○​ FDR:
■​ MAE = 48 kg
■​ MDAE = 48 kg
■​ RMSE = 50 kg​

○​ Radar:
■​ MAE = 32 kg
■​ MDAE = 32 kg
■​ RMSE = 37 kg​

●​ PEP (fabricante):
○​ FDR:
■​ MAE = 16 kg
■​ MDAE = 14 kg
■​ RMSE = 20 kg
○​ Radar:
■​ MAE = 29 kg
■​ MDAE = 21 kg
■​ RMSE = 38 kg

Interpretación:

●​ Con PEP + FDR:

○​ La mitad de los vuelos (mediana) tienen error < 14 kg; muy preciso.​

●​ Con PEP + radar:

○​ La mitad tienen error < 21 kg.​

Tabla 2: errores relativos (%)

●​ BADA 3.6:
○​ FDR:
■​ MAPE = 18,7%
■​ MDAPE = 17,1%
■​ RMSPE = 21,0%
○​ Radar:
■​ MAPE = 11,3%
■​ MDAPE = 10,5%
■​ RMSPE = 13,9%​

●​ PEP:
○​ FDR:
■​ MAPE = 4,8%
■​ MDAPE = 4,0%
■​ RMSPE = 6,1%
○​ Radar:
 ■​ MAPE = 7,8%
■​ MDAPE = 6,3%
■​ RMSPE = 9,9%

Observaciones:

●​ Los valores de RMSE/RMSPE son solo un poco mayores que MAE/MAPE:

○​ Eso indica que no hay grandes outliers: la varianza de los errores no es enorme.​

●​ Otra métrica interesante: MDAPE (mediana de errores relativos):

○​ PEP + FDR: 4,0%
○​ PEP + radar: 6,3%
○​ BADA + FDR: 17,1%
○​ BADA + radar: 10,5%​

En resumen:

●​ El modelo del fabricante + FDR traject es muy preciso (errores en torno a 4–5% de media).​

●​ Usar radar en lugar de FDR sube los errores a ~8%, pero sigue siendo útil.​

●​ BADA 3.6 claramente subestima la cantidad de combustible, especialmente con FDR.​

4.3.3. Boxplots de errores (Figura 4)

La Figura 4 (página 9) muestra un box-and-whiskers de las distribuciones de errores, para las cuatro
combinaciones (PEP/BADA × FDR/radar).

●​ Cada caja:
○​ Línea central: mediana del error.
○​ Bordes: 1er y 3er cuartil (IQR).
○​ Bigotes: 2º y 98º percentiles.
○​ Puntos negros: outliers.​

Resultados destacados:

●​ PEP + FDR:
○​ Para el 25% de los vuelos, error < 6,4 kg (1,2%).
○​ Para el 75% de los vuelos, error < 22,2 kg (6,9%).​

●​ PEP + radar:
○​ 25% de los vuelos: error < 10 kg (2,9%).
○​ 75%: error < 40 kg (11,2%).​

●​ Con BADA 3.6, las cajas son más altas (errores más grandes), especialmente con FDR.​
Al final, remarcan que el IQR es relativamente estrecho en los cuatro casos, lo cual es otro indicador
de robustez del método (para cada combinación, la dispersión no es brutal).

5. ¿Funciona? ¿Qué concluyen? ¿Qué viene después?

5.1. Conclusiones principales

En la sección de conclusiones, el artículo resume los hallazgos clave:

1.​ Necesidad del método

○​ Los datos FDR son la fuente más fiable para estimar combustible, pero:
■​ Son confidenciales.
■​ No hay infraestructuras masivas para recolectarlos.​

○​ Las agencias de performance ATM sí tienen acceso sistemático a datos de

vigilancia (radar, ADS-B).

Lo que ofrece su método

●​ Un procedimiento que solo necesita:

○​ Trayectoria 4D (radar/ADS-B),
○​ Meteorología,
○​ Un modelo de performance del avión.​

●​ No requiere conocer:
○​ Perfil detallado de empuje.
○​ Perfil detallado de CAS/Mach (se estiman).

Aplicaciones previstas

●​ Post-operacional:
○​ Evaluación sistemática de performance histórica de vuelos sin acceso a datos FDR.
○​ Permitir indicadores de eficiencia más directos, basados en fuel, en lugar de proxies
como tiempo/millas extra.
○​ Muy útil para validar soluciones SESAR 2020 y compararlas con escenarios de
referencia en términos de combustible.

En tiempo real:

●​ Podría integrarse en herramientas de apoyo a controladores.​

●​ Encaja con el paradigma de Performance-Based Operations (PBO), donde la planificación

se ajusta dinámicamente a condiciones reales de tráfico y meteorología.

5.2. Límites y fuentes de error reconocidas

Los autores reconocen varias fuentes de error:

●​ Errores en la meteorología:
○​ En este paper usaron meteorología estimada a partir del FDR; en la práctica se usarían
modelos NWP con sus errores (sobre todo en viento).​

●​ Inexactitudes del modelo de performance:

○​ Especialmente en BADA 3.6 (idle thrust, falta de compresibilidad), pero incluso el
modelo PEP ajustado puede no ser perfecto.​

●​ Estimación de la masa:
○​ En este trabajo simplifican usando masa inicial del FDR, pero en aplicaciones reales
habría que estimarla con métodos de masa (climb, approach, ML, etc.).​

●​ Derivación numérica y ruido:

○​ La diferenciación amplifica el ruido de datos radar.
○​ Se producen picos de empuje y fuel (modulados por límites de mínimo empuje y N1
idle) que sesgan la estimación hacia arriba.
○​ Proponen usar estimadores de estado más avanzados (Kalman, etc.).

5.3. Trabajo futuro

En la sección de “Future research” mencionan varias líneas:

1.​ Mejorar los estimadores de estados:​

Usar filtros/smoothers que integren explícitamente el modelo de dinámica del avión y reduzcan ruido
y artefactos.​

2.​ Mejor estimación de masa:​

Incorporar métodos recientes (least-squares, adaptativos, ML) para estimar el peso del avión desde
datos de trayectoria.​

3.​ Estudio de sensibilidad a errores de meteorología:​

Especialmente, estudiar cómo errores en viento afectan las cifras de fuel.​

4.​ Probar BADA v4:​

Evaluar si el nuevo modelo BADA v4 mejora las estimaciones respecto a BADA 3.6 en este tipo de
aplicación.​

5.​ Uso de ADS-B combinado con radar:​

ADS-B trae info extra (TAS, Mach, etc.) que podría mejorar mucho las estimaciones si se fusiona con
radar.
Aquí tienes explicaciones claras, conceptuales y entendibles para cualquiera sobre los términos:

●​ ICAO Time-in-Mode​

●​ AEDT​

●​ FDR​

●​ BADA​

●​ Modelo derivado de Airbus PEP​

Las explico como si las contaras en una presentación, sin fórmulas y de forma intuitiva.

⭐ ICAO Time-in-Mode (qué es y por qué

importa)
Es un método muy antiguo y muy simple que inventó la OACI (ICAO) para estimar cuánto
combustible y emisiones produce un avión cerca del aeropuerto (aterrizaje/despegue).

Divide el ciclo de vuelo en 4 “modos” estándar:

1.​ Despegue (Take-off)​

2.​ Ascenso inicial (Climb-out)​

3.​ Aproximación (Approach)​

4.​ Rodaje (Taxi/Idle)​

En cada modo, la OACI asume:

●​ una potencia fija del motor,​

●​ una duración fija,​

●​ y un consumo fijo.​

❗ Problema:
No representa la realidad actual.
Porque todos los vuelos son distintos:​
unos frenan más, otros vuelan más alto, otros tienen esperas, otros hacen descensos suaves… pero
ICAO los trata como si fueran iguales.

Por eso hoy se considera un método demasiado simplificado y que suele sobreestimar combustible
en zonas terminales.

⭐ AEDT (Aviation Environmental Design

Tool)
Es la herramienta oficial de la FAA (Estados Unidos) para calcular:

●​ combustible consumido,​

●​ emisiones,​

●​ ruido,​

●​ impacto ambiental del tráfico aéreo.​

Piensa en AEDT como un simulador de vuelo ambiental:​

tú le das una trayectoria (o un plan de vuelo) y AEDT calcula:

●​ cómo vuela el avión,​

●​ cuánto empuje usa el motor,​

●​ cuánto combustible gasta,​

●​ qué ruido genera,​

●​ qué gases emite.​

Cuando AEDT es muy preciso:

➡ Cuando tiene datos reales del avión, por ejemplo del FDR.​
Si conoce exactamente empujes, velocidades y configuración, sus cálculos son casi perfectos.

Cuando AEDT falla:

➡ Cuando no tiene datos reales y tiene que usar perfiles estándar (“Velocidad típica”, “Empuje
típico”, etc.).​
Esos perfiles no representan maniobras reales como:

●​ descensos escalonados,​

●​ esperas,​

●​ vectores radar,​

●​ cambios de configuración inesperados.​

Así que AEDT cae en el mismo problema que ICAO Time-in-Mode: demasiada simplificación
cuando falta información real.

⭐ FDR (Flight Data Recorder)

Es la “caja negra” del avión (realmente es naranja, pero se le llama así).

Registra cientos de parámetros del vuelo:

●​ velocidad,​

●​ potencia del motor,​

●​ consumo de combustible,​

●​ control del piloto,​

●​ altitud,​

●​ ángulos del avión,​

●​ etc.​

Por qué es tan importante:

Porque el FDR es la única fuente 100% real y precisa del comportamiento del avión.

Si quieres saber:

●​ cuánto empuje dio un motor​

 ●​ cuánto combustible se quemó​

●​ qué velocidad exacta llevaba​

➡ El FDR es la verdad absoluta.

Problema:

Los FDR no están disponibles públicamente porque contienen:

●​ datos sensibles para aerolíneas (estrategias de vuelo),​

●​ información personal de tripulación,​

●​ datos para investigación de accidentes.​

Por eso los investigadores no suelen tener acceso masivo, y recurren a alternativas como radar +
modelos de avión.

⭐ BADA (Base of Aircraft Data)

Es una base de datos y un modelo matemático desarrollado por Eurocontrol.​
Sirve para describir cómo se comportan los aviones:

●​ cuánta resistencia tienen,​

●​ cuánto empuje producen,​

●​ cómo cambian con la altitud,​

●​ cómo se estima su consumo de combustible,​

●​ velocidades típicas de operación,​

●​ etc.​

Hay dos versiones importantes:

BADA 3.x (versión antigua)

 ●​ Es simple y ligera.​

●​ Usa modelos aerodinámicos y de motor muy idealizados.​

●​ Funciona bien en crucero.​

●​ Funciona mal cerca del aeropuerto, especialmente durante descensos porque:​

○​ No representa bien motor en idle,​

○​ No refleja efectos de compresibilidad,​

○​ No captura configuraciones realistas.​

En el paper se demuestra justamente que BADA 3.6 subestima bastante el combustible.

BADA 4 (versión moderna)

●​ Mucho más precisa.​

●​ Usa modelos de motor y aerodinámica más cercanos a los reales.​

●​ Pero no se analiza en tu paper.​

⭐ Modelo derivado de Airbus PEP

Aquí hablamos del modelo "bueno" del paper.

PEP = Performance Engineering Programs​

Es un paquete oficial de Airbus que contiene:

●​ tablas reales de empuje del motor,​

●​ consumo real de combustible,​

●​ coeficientes aerodinámicos reales,​

●​ comportamiento real del avión según Mach, temperatura, altitud…​

Es decir:

Una descripción muy detallada de cómo se comporta un Airbus en el mundo real, casi
igual que los manuales de ingeniería de la compañía.

Pero hay un problema:

PEP no es práctico para usar directamente en un algoritmo porque está formado por tablas enormes.

Solución del paper:

➡ Transformar esas tablas reales en fórmulas sencillas usando ajustes (polinomios, interpolaciones).

El resultado es:

●​ Un modelo derivado de PEP que conserva la precisión de Airbus,​

●​ Pero que se puede usar fácilmente para estimar consumo de combustible.​

Este modelo es el motivo por el que el paper consigue errores tan bajos (≈5–8%) incluso usando
solo datos de radar.

⭐ RESUMEN SÚPER CORTO (para

diapositivas)
ICAO Time-in-Mode

Método muy simple que divide el vuelo en 4 modos fijos y estima combustible con valores estándar.
Poco realista hoy en día.

AEDT

Herramienta oficial de la FAA para calcular combustible, ruido y emisiones. Muy precisa si tiene
datos reales, menos si usa perfiles estándar.

FDR (Flight Data Recorder)

La “caja negra”. Contiene datos reales del vuelo, incluyendo combustible y empuje. Es la referencia
absoluta.

BADA (3.x)
Modelo genérico de Eurocontrol para describir aviones. Fácil de usar pero poco preciso en maniobras
reales de descenso.

Modelo derivado de Airbus PEP

Modelo construido a partir de datos reales del fabricante (Airbus). Muy preciso para calcular empuje y
consumo de combustible.
⭐ 10-MIN PRESENTATION SCRIPT — 3
SPEAKERS

Slide 1 — Title
Speaker 1:​
Good morning everyone. Today, our group will present the paper “Estimating fuel consumption from
radar tracks: a validation exercise using FDR and radar tracks from descent trajectories.”​
The goal of our presentation is to explain the problem addressed in the paper, the existing solutions,
the proposed method, and the results, all from a high-level and conceptual point of view.

Slide 2 — Introduction: The Problem

Speaker 1:​
In air traffic management, fuel efficiency is extremely important.​
Reducing fuel burn means reducing operational costs and lowering environmental impact, especially
CO₂ emissions. Programs like SESAR have set ambitious goals for improving fuel efficiency across
Europe.

However, evaluating fuel consumption at a large scale is very difficult.​

The most accurate source of information is the Flight Data Recorder, or FDR — the “black box.”​
But FDR data is not accessible for routine performance monitoring because it contains sensitive
airline information.

Speaker 2:​
What air navigation service providers do have is surveillance data, such as radar tracks or ADS-B
trajectories.​
These give the position and altitude of the aircraft over time, but not the internal engine parameters
or the actual fuel flow.

So the key question of this paper is:

Can we estimate fuel consumption using only radar trajectories and weather
information, without using the FDR?

Slide 3 — State of the Art (Existing Methods)

Speaker 2:​
Before proposing their own method, the authors review existing approaches.

First, there is the ICAO Time-in-Mode method.​

This is a very simple approach where each flight is assumed to spend a fixed amount of time in four
“modes”: take-off, climb-out, approach, and taxi.​
Each mode has a standard fuel rate.​
This method is easy to apply, but it does not represent real operations, especially in modern busy
terminal areas.

Speaker 3:​
Another tool is AEDT, the Aviation Environmental Design Tool, used by the FAA.​
AEDT can be very accurate if it has access to real engine data from the FDR.​
But when FDR data is not available, AEDT relies on generic profiles that do not reflect real-life
maneuvers such as vectoring, level-offs, or speed changes.

Finally, there has been previous research showing that you can estimate thrust and fuel consumption
from the aircraft trajectory.​
However, earlier work was tested on only one example flight, so it was not clear how robust the
approach was.

Slide 4 — Objective of the Paper

Speaker 3:​
The paper we analyse takes this idea further.

Its objectives are:

1.​ To develop a method that estimates fuel consumption using only aircraft trajectory and
weather data.​

2.​ To validate this method using a very large dataset of real flights, containing both radar
tracks and FDR data.​

3.​ To compare two performance models:​

○​ BADA, a generic model commonly used in ATM.​

○​ A model derived from Airbus PEP data, which is much more detailed and accurate.​

The focus is specifically on descents, from the top of descent down to 5,000 feet.
Slide 5 — Conceptual Explanation of the
Method
Speaker 1:​
Now let’s explain the method conceptually, without going into mathematical details.

The core idea is very intuitive:

If we know how the aircraft moves, we can infer how much force the engines must
be producing.​
And if we know the required engine force, we can estimate how much fuel the
engines burn.

Speaker 1:​
Radar tracks give us the aircraft’s path over time — its altitude changes, its speed changes, and its
turns.​
By observing this motion, the method estimates:

●​ whether the aircraft was accelerating or decelerating,​

●​ how steeply it was descending,​

●​ and how much aerodynamic drag it experienced.​

Speaker 2:​
From this, the algorithm determines the engine thrust needed to follow that trajectory.​
Then, using a performance model — either BADA or the Airbus-based model — it converts thrust
into fuel flow.​
Finally, the fuel flow is accumulated over the descent to obtain the total fuel burned.

So, even though we never measure fuel directly, the trajectory itself contains enough information to
estimate it.

Slide 6 — Performance Models Compared

Speaker 2:​
The authors evaluate two models.

1. BADA 3.6

●​ A widely used, generic aircraft performance model.​

 ●​ Simple and efficient, but not very accurate for detailed fuel estimation, especially in descents.​

2. Airbus PEP-derived model

●​ This uses manufacturer performance data, which is far more precise.​

●​ It describes the aircraft’s aerodynamics and engine behaviour realistically.​

●​ The authors create a simplified version suitable for large-scale computation.​

The comparison between these two models is one of the central points of the study.

Slide 7 — Validation Dataset

Speaker 3:​
To validate the method, the authors use a very rich dataset:

●​ more than 2,400 real descent trajectories,​

●​ performed at a major European airport,​

●​ from several years of operations,​

●​ including both FDR data and radar data.​

The FDR is used as the “ground truth” for actual fuel burned, so the accuracy of the estimation
method can be measured.

Each flight is processed four times:

1.​ FDR trajectory + Airbus model​

2.​ Radar trajectory + Airbus model​

3.​ FDR trajectory + BADA model​

4.​ Radar trajectory + BADA model​

This allows the authors to isolate the effects of the performance model and the effects of the trajectory
source.
Slide 8 — Results
Speaker 1:​
The results are very clear.

Using the Airbus-based model with FDR trajectories, the average error in total fuel consumption is
extremely small — only around 5%.

Using the Airbus-based model with radar trajectories, the error is slightly higher, around 8%, but
still very good considering radar is much noisier.

Speaker 2:​
In contrast, BADA 3.6 tends to underestimate fuel consumption, sometimes with errors above
15%.​
This confirms that BADA is not ideal for detailed fuel estimation in the terminal area.

Overall, the study shows that trajectory-based fuel estimation is feasible, especially when using
accurate performance models.

Slide 9 — Conclusions
Speaker 3:​
To conclude:

●​ The paper demonstrates that it is possible to estimate fuel consumption accurately using
only radar tracks and weather information, without access to airline FDR data.​

●​ The key to achieving good accuracy is using a high-quality aircraft performance model,
such as the one derived from Airbus PEP.​

●​ The results are promising for post-operations analysis and also potentially for real-time
support tools in air traffic management.​

●​ Finally, the method could enable more direct monitoring of environmental performance,
replacing indirect metrics like extra track miles or time inefficiencies.​

Slide 10 — Final Remarks

Speaker 1:​
This work provides a realistic and scalable way to estimate fuel consumption in everyday operations.​
 With growing pressure to reduce emissions and improve efficiency, methods like this can play a key
role in evaluating and improving the performance of the air traffic management system.

Thank you for your attention.​

We are happy to take any questions.
⭐ 1. How can radar data, which is noisy and
low-resolution, provide accurate fuel
estimates?
Possible answer:​
Radar data is indeed less precise than FDR measurements, but the key point is that the estimation
does not require perfect data.​
The method focuses on the overall motion trends of the aircraft — for example, whether the aircraft
accelerates, decelerates, or changes its descent rate.​
Even with noisy radar, these large-scale behaviours remain visible.

Additionally, the authors apply smoothing techniques to reduce noise before estimating thrust.​
The combination of smoothed motion and a high-accuracy performance model allows the method to
reconstruct fuel consumption with relatively small errors.

⭐ 2. Why does the Airbus-derived model

outperform BADA so significantly?
Possible answer:​
BADA is a generic performance model, designed to represent entire aircraft families using
simplified aerodynamic and engine relationships.​
These simplifications work reasonably well for trajectory prediction, but they are not very accurate
for estimating thrust or fuel flow, especially at low power settings like idle during descent.

In contrast, the Airbus-derived model uses manufacturer data, which reflects the real aerodynamic
drag, engine behaviour, and fuel characteristics of the aircraft.​
This higher fidelity directly translates into more accurate fuel predictions.

⭐ 3. Why does BADA sometimes perform

better with radar trajectories than with FDR
trajectories in the paper?
Possible answer:​
This counter-intuitive result occurs because radar noise introduces small variations that can, in
specific situations, “compensate” for systematic biases in BADA.​
In other words, the noise occasionally distorts the trajectory in a way that accidentally reduces
BADA’s tendency to underestimate fuel.

However, this is not a desirable effect.​

It does not indicate that radar is better, but rather that BADA’s underlying fuel model is not well
suited for detailed estimation in descent.

⭐ 4. Why did the authors limit the analysis

to the descent down to 5,000 ft?
Possible answer:​
Below 5,000 ft, aircraft enter phases where configuration changes become frequent: flaps, landing
gear, and different speed regimes.​
These changes have major effects on drag and thrust but are not observable from radar data.

To avoid introducing large estimation errors, the authors chose to analyse only the segment where the
aircraft remains in a relatively stable and predictable configuration — from top of descent down to
5,000 ft.

⭐ 5. How is wind uncertainty handled, and

does it affect the accuracy of the method?
Possible answer:​
Wind is one of the most important external factors in the estimation process, because incorrect wind
values lead directly to incorrect estimates of true airspeed and energy changes.

In the validation, the authors derive wind information from the FDR itself to avoid introducing
additional uncertainty.​
This isolates the performance of the method.

In real implementations, wind would come from numerical weather prediction models, which do
have errors.​
The authors acknowledge this and identify wind uncertainty as one of the main areas for future
improvement and sensitivity analysis.
⭐ 6. Could this method be applied to climb
or cruise phases?
Possible answer:​
In principle, yes.​
The underlying idea — estimating thrust from motion — is valid for all phases of flight.​
However, the descent is the simplest phase because thrust is typically low and aircraft configurations
are stable.

Climb and cruise involve more variation in pilot commands, speed schedules, and engine settings,
making estimation more complex.​
The authors chose descent as a controlled environment, but the methodology could be extended with
further research.

⭐ 7. Why is mass estimation such a

challenge, and how do the authors deal with
it?
Possible answer:​
Aircraft mass has a direct influence on the required thrust.​
A heavier aircraft needs more thrust to follow the same trajectory.​
However, mass is not transmitted through radar or ADS-B and is not publicly available.

In this paper, the authors avoid the mass-estimation problem by taking the mass directly from the
FDR.​
This allows them to focus on validating the thrust and fuel estimation method.

They note that, for real-world application, mass estimation techniques would need to be integrated,
and this is identified as an important area for future work.

⭐ 8. How realistic is it to implement this in

real-time operations?
Possible answer:​
The computational requirements are relatively modest, since the method processes trajectory data
sequentially.​
 The main challenges lie not in computation time but in data availability and model accuracy,
especially real-time weather and mass estimation.

Nevertheless, the authors argue that real-time implementation is feasible and fits well within the
concept of Performance-Based Operations, where environmental efficiency metrics could be
provided during the operation, not only afterwards.

⭐ 9. Could ADS-B improve the accuracy

compared to radar?
Possible answer:​
Yes.​
ADS-B provides additional information such as indicated airspeed or ground speed with higher
temporal resolution.​
These values reduce the need for differentiating noisy position data and therefore improve thrust
estimation.

The paper explicitly mentions ADS-B as a promising enhancement for future implementations of the
method.

⭐ 10. What are the main limitations of the

study?
Possible answer:​
The authors highlight several limitations:

1.​ Accurate wind information was derived from FDR, which would not be available in
practice.​

2.​ Mass was assumed known, although in real applications it must be estimated.​

3.​ The method was validated only on Airbus aircraft, due to the availability of PEP data.​

4.​ Only the descent phase above 5,000 ft was analysed.​

Despite these limitations, the results show strong potential for large-scale, operational fuel
monitoring.
⭐ 11. If the method relies on estimating
thrust from motion, how sensitive is it to
small errors in altitude or position?
Answer:​
Small errors in position or altitude do introduce some uncertainty because the method needs to
compute how the aircraft’s motion changes over time.​
However, the authors apply smoothing techniques that reduce the impact of measurement noise.​
More importantly, the method focuses on overall motion trends, not instantaneous fluctuations,
which makes it relatively robust.​
The large dataset used for validation shows that, even with typical radar inaccuracies, the fuel
estimates remain within acceptable error margins.

⭐ 12. Could this approach be applied to

fleets of mixed aircraft types?
Answer:​
Yes, but only if appropriate performance models exist for each aircraft type.​
In this paper, the validation was performed exclusively on Airbus aircraft because that is where
reliable manufacturer data was available.​
For mixed fleets, similar models would be required for Boeing, Embraer, ATR, and other
manufacturers.​
In general, the methodology is flexible, but its accuracy depends strongly on the quality of each
aircraft model.

⭐ 13. The method assumes the aircraft

configuration is constant above 5,000 ft. How
realistic is that assumption?
Answer:​
In most commercial operations, aircraft remain in clean configuration—that is, without flaps or
landing gear—until they pass below approximately 5,000 ft.​
Above that altitude, configuration changes are uncommon and typically unnecessary.​
This makes the assumption reasonable for the scope of the paper.​
 Below 5,000 ft., configurations vary widely, and without access to FDR data, the model would not
reliably detect them.

⭐ 14. What is the biggest source of error in

the estimation process?
Answer:​
According to the authors, the two most significant sources of error are:

1.​ imperfect thrust estimation due to noise in trajectory data, and​

2.​ uncertainty in the aircraft performance model, especially when using simplified models
like BADA.​
Other factors, such as wind uncertainty and mass estimation, also contribute but were
controlled in the validation.​
Overall, the largest improvements come from using more accurate performance models.​

⭐ 15. How do the authors ensure that the

method does not overfit the dataset?
Answer:​
The method does not rely on parameters tuned to individual flights.​
Instead, it uses physical relationships between aircraft motion, aerodynamic forces, and engine
performance.​
There is no machine learning or statistical fitting to the dataset.​
Therefore, the behaviour observed in validation is expected to generalize to other flights, provided
the same aircraft type and performance model are used.

⭐ 16. Why is estimating fuel consumption

important for air traffic management, rather
than only for airlines?
Answer:​
Fuel consumption is a key indicator of environmental efficiency.​
Air traffic management influences trajectories and procedures, which directly affect fuel burn.​
By having a reliable way to estimate fuel consumption from surveillance data, ANSPs can evaluate
the environmental performance of their operations, compare procedures, and identify inefficiencies in
the system without depending on airline data.

⭐ 17. Could this method be extended to

predict fuel consumption in the future rather
than just estimate past consumption?
Answer:​
Yes, the concept could be adapted for prediction.​
If the system can assess current aircraft motion and atmospheric conditions, it could approximate the
fuel implications of future trajectory options.​
However, prediction would require modelling future pilot decisions and ATC clearances, which
introduces additional uncertainty.​
The paper focuses on post-operation estimation, but prediction is a plausible extension.

⭐ 18. What would be required to make this

method operational at a national or European
scale?
Answer:​
Several elements would be necessary:

1.​ Performance models for all common aircraft types.​

2.​ Reliable wind and temperature data in real time or near-real time.​

3.​ Mass estimation algorithms suitable for operational use.​

4.​ Processing infrastructure to handle thousands of trajectories daily.​

The authors argue that none of these requirements are unrealistic, and that the method is scalable with
proper data integration.
⭐ 19. Why did the authors choose descent
trajectories instead of climb or cruise?
Answer:​
Descent is generally the least variable and most predictable phase regarding aircraft configuration and
engine settings.​
Climb involves more complex speed schedules and higher thrust levels, while cruise involves long,
steady flight where small errors in atmospheric modelling have a large cumulative effect.​
Descent provides a practical and relevant test scenario where the method can be validated reliably.

⭐ 20. Could the method detect abnormal

aircraft behaviour or inefficiencies caused by
ATC?
Answer:​
Potentially yes.​
Since the method links trajectory features with fuel burn, it can highlight situations where an aircraft
consumes more fuel than expected for a typical descent profile.​
This could reveal ATC vectoring, extended level-offs, or inefficient sequencing.​
Although the paper does not focus on anomaly detection, the underlying methodology could be
adapted for that purpose.

⭐ 21. How would errors in mass estimation

affect fuel predictions?
Answer:​
Mass directly influences how much thrust is needed to change the aircraft’s speed or altitude.​
If the mass is underestimated, the method will underestimate thrust and therefore fuel consumption.​
Likewise, overestimating mass will inflate fuel predictions.​
This is why the authors used actual mass from the FDR for validation and emphasize the need for
better mass estimation methods before operational use.
⭐ 22. Can this method replace FDR data
entirely?
Answer:​
Not completely.​
FDR data remains the most accurate and detailed source of aircraft performance information.​
However, the method provides a practical alternative for situations where FDR is unavailable,
which is the case for routine monitoring by ANSPs.​
It cannot replace FDR for accident investigation or engine diagnostics, but it can approximate fuel
consumption well enough for airspace performance assessment.