珞珈三号01星在轨处理技术及验证

遥感卫星在轨处理技术是推动遥感技术实现实时智能服务的核心环节。针对星上资源受限环境引起的系列处理难题及遥感数据实时处理与信息提取需求,本文首先构建了任务驱动的卫星遥感数据在轨处理框架,以任务需求为核心并协同星地资源建立基于感兴趣区域的星上处理技术体系;然后,面向不同任务层级和应用场景,给出了以位置信息为驱动的基础在轨处理模式、以目标/场景内容和变化事件为驱动的智能处理模式;最后,论述了适配星上资源受限环境的在轨处理关键算法,基于珞珈三号01星星上处理应用程序,验证了典型算法的在轨处理效果。在任务驱动和星地协同机制下,实现了在轨高精度定位、多类型影像产品快速生成、静动态目标信息实时提取及静态和动态影像高倍率近实时压缩。在轨处理显著提高了传统地面处理的效率,能够有效支撑后续卫星遥感实时智能服务。     

面向星群的遥感影像智能服务关键问题EI北大核心CSCD

全天时、全天候和全球的遥感信息实时智能服务是对地观测系统建设的目标。近几年来,随着我国高分专项和商业卫星的发展,在轨卫星数量急剧增加,对地观测能力得到极大增强,使得传统的单星和星座卫星系统的运控、接收、处理和应用服务模式面临严峻挑战,亟须统筹规划卫星应用各环节资源,充分发挥多星协同优势,构建统一的遥感影像实时智能服务体系和系统。本文针对遥感星群卫星体系特点和对地观测用户需求特征,开展面向星群的遥感影像智能服务关键问题研究。提出了面向任务的全球多尺度语义描述网格,统筹全球动静态的任务语义描述,在此基础上重点分析了面向星群的自主任务管理、精准动态规划和协同智能处理等关键技术问题,形成集任务描述、任务管控、任务规划、在轨处理、终端分发一体化的星群智能服务技术体系。通过充分发挥星群协同的优势,结合在轨处理和人工智能技术来降低各环节时间延迟,提高数据处理精度,从而实现完全自动化和智能化的近实时星群智能服务,为对地观测的全天时、全天候快速高效智能服务奠定基础。     

智能遥感卫星与遥感影像实时服务

传统的卫星遥感系统数据获取、处理和应用模式无法满足卫星遥感影像大众化和实时化的应用需求,亟须发展智能遥感卫星系统,以解决遥感影像在轨处理和智能服务问题。本文首先阐述了智能遥感卫星的发展;然后对智能遥感卫星在轨处理架构、服务模式和在轨处理所涉及的关键算法进行了详细介绍;最后结合珞珈三号01星的设计和研制,探讨了珞珈三号01星的服务场景和服务模式,并对5G、6G和人工智能时代下的智能遥感卫星的未来发展进行了展望。     

新一代智能测绘遥感科学试验卫星珞珈三号01星

光学测绘遥感卫星的性能不断提升,种类日益丰富,已经成为获取全球精准测绘遥感信息的重要支撑。当前光学测绘遥感卫星已具备亚米级的空间分辨能力,但测绘遥感信息服务存在严重的滞后问题,亟须发展智能测绘遥感卫星,向实时智能服务转型升级。本文首先基于光学测绘遥感卫星3种成像体制及其实现方式和应用特点,分析智能测绘遥感卫星的适用体制,进一步面向实时化、智能化和大众化的应用需求,提出通导遥(通信、导航、遥感)一体化智能遥感卫星的设计构想,重点分析智能遥感卫星的服务方式及一体化功能组成;然后,阐述新一代智能测绘遥感科学试验卫星珞珈三号01星的性能与特点;最后,对智能测绘遥感卫星的发展和使命进行总结与展望。珞珈三号01星集遥感与通信功能于一体,探索了从数据获取到应用终端的测绘遥感信息高效智能服务模式,为遥感数据基于天地互联网的在轨处理与实时传输提供了真实的服务验证平台,对我国空间信息网络的建设具有重大意义。     

自然资源要素遥感智能解译样本分类体系研究

根据湖北省自然资源监测监管对大规模遥感智能解译的需求,对已有遥感智能解译样本数据集进行了总结,从提升地类细分领域的深度学习模型效果出发,研究了遥感影像智能解译的典型应用场景和解译对象,构建了湖北省自然资源要素遥感智能解译样本分类体系,并以优于2 m的多源异构高分辨率光学遥感影像为数据源,开展遥感智能解译样本采集。通过具体业务应用场景实验证明,建立的智能解译样本分类体系及其样本库,能够较好地反映湖北省自然资源卫星遥感影像智能解译的区域特征,取得较之前的样本库更为有效的解译效果。     

遥感影像智能解译样本库现状与研究

我国遥感对地观测等项目顺利实施,获取了大量时效性强、覆盖范围广、信息量丰富的遥感数据.但遥感影像智能化自动处理技术发展仍相对滞后,无法满足区域/全球大范围地物信息快速提取的需求.近年来,人们利用深度学习技术显著提高了影像特征提取成效,但由于所使用的深度学习样本数量和类型有限,对于多源遥感影像的自动解译能力仍然不足.本文面向大范围多源遥感影像地物信息智能解译需求,在分析现有样本集现状及问题的基础上,研究提出遥感影像智能解译样本库设计方案,并在此基础上设计了基于互联网的样本协同采集与共享服务框架.本文将为多源遥感影像样本库建设提供参考,为大范围遥感影像智能解译提供支持.     

语义描述驱动的启明星一号自主任务规划方法

卫星任务规划是合理配置卫星资源,获取有效数据的重要途径。针对启明星一号卫星在无用户观测需求时存在的资源浪费问题,提出一种语义描述驱动的启明星一号自主任务规划方法。首先通过分析对地观测目标的特征及其对遥感数据的需求特点,构建了全球任务语义描述模型,为卫星的自主任务规划提供了基础数据库。然后基于该描述模型,设计了一种卫星自主任务规划方法,通过构建任务规划模型,能够实现对高价值目标的自主规划,提高卫星数据获取效率,最大程度地发挥卫星的在轨应用价值。最后基于启明星一号对该模型进行了方案验证,证明了该方法的可行性,可适用于不同类型遥感卫星,在未来遥感星群实时智能服务应用中能够发挥一定的价值。     

智能遥感深度学习框架与模型设计EI北大核心CSCD

近年来,随着遥感技术的快速发展,遥感对地观测数据获取量与日俱增。在对海量遥感数据的特征提取与表征上,基于深度学习的智能遥感影像解译技术展现出了显著优势。然而,遥感影像智能处理框架和信息服务能力还相对滞后,开源的深度学习框架与模型尚不能满足遥感智能处理的需求。在分析现有深度学习框架和模型的基础上,针对遥感影像幅面大、尺度变化大、数据通道多等问题,本文设计了嵌入遥感特性的专用深度学习框架,并重点讨论了其构建方法,以及地物分类任务的初步试验结果等。本文提出的智能遥感解译框架架构将为构建具备多维时空谱遥感特性的深度学习框架与模型提供有力支撑。     

面向测绘应用的遥感小卫星发展趋势分析

针对当前遥感小卫星在我国民用测绘领域尚未进入业务服务阶段,其研制周期短、投资成本低、部署方式灵活、数据获取现势性强等优势未得到充分发挥的问题,该文阐述了国内外遥感小卫星应用发展现状,在此基础上分析了面向测绘应用的遥感小卫星发展趋势。在全球小卫星遥感产业发展势头迅猛的大背景下,面向立体测图应用的高分辨率遥感小卫星将具备更高的系统综合精度指标,通过多星组网和多网协同,实现对全球范围高分辨率遥感影像的及时获取、重点区域的高频次重访和动态地理环境监测,有利于提升卫星测绘产品服务的质量和效益,促进卫星应用的商业化、国际化发展和一系列关键技术的突破。本文的研究为我国测绘遥感卫星的后续发展提供了思路和借鉴。     

高分辨率遥感影像智能解译研究进展与趋势

遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。     

空地协同移动智能服务平台研发及典型应用

面向万物互联时代的移动智能服务需求,亟须建立空地协同智能服务平台。由于核心设备和算法的限制,空地协同移动智能服务平台发展较为缓慢。由此通过攻关传感器实时位置和姿态测量的核心技术与数据处理和分析的关键算法,研制了高精度位姿测量设备,研发了机载和车载空地多平台协同组网遥感观测系统,实现了多源遥感影像质量改善与智能精处理,有效支撑遥感测绘服务,提升遥感信息自动化处理水平,从而解决了空地协同智能服务平台中“准、快、灵”的难题,实现“北斗+位姿测量仪”全球自主“定基准”、空地协同组网快速“找目标”、智能化精处理自动“查变化”。成果已被广泛应用于地理国情监测、智慧城市规划和建设、应急测绘保障等行业。     

新一代人工智能驱动的陆地观测卫星遥感应用技术综述

随着各国航天事业的高速发展以及政府对卫星遥感技术的大力支持,各类军民商用卫星系统层出不穷,建立了较为完善的卫星遥感数据获取体系,为推动经济社会高质量发展提供了新动能。与此同时,人工智能技术的迅猛发展极大程度的提升了数据分析的智能化、精准化水平,为遥感大数据分析与应用带来了新的发展机遇。在互联网时代的背景下,结合新一代人工智能、大数据、物联网、5G等先进技术,推动遥感应用朝着智能化、大众化、产业化方向发展是大势所趋。本文依据当前陆地观测卫星智能遥感技术的发展现状与实际需求,论述了人工智能驱动的遥感技术在资源调查、环境监测、灾害监测等领域中的应用研究现状,探讨了现阶段制约人工智能技术在遥感领域应用成效的关键问题,最后结合遥感大数据处理中存在的问题和挑战,对陆地观测卫星遥感应用技术的发展趋势进行了展望,建立基于人工智能的卫星遥感应用体系已成为卫星遥感技术发展的必然趋势。     

精准地理应用驱动的高分遥感协同计算研究

高分遥感智能解译是实现地理信息精细生成与快速更新的重要途径,从基于遥感开展精准地理应用的背景出发,解析了遥感信息产品生产与落地应用中的局限性,阐释了遥感回归地理应用问题的必要性以及其中“精（形态）”“准（内容）”图谱特征耦合的关键性。以地理学指导智能遥感研究为基本认识,提出了基于精细地理场景开展高分辨率遥感地学分析的发展方向和技术思路,以及时空/星地两个层面相协同的智能计算模式,并以中国贵州省关岭县石漠化耕地评价为应用案例,利用分区分层感知/时空协同反演/多粒度决策3个基础模型,在复杂山地区开展精准应用驱动的高分遥感协同计算。结合实验结果,通过对不规则网格空间表达、时序特征多模态重建、多源不确定性解析以及不确定性引导的迭代优化等关键科学问题的探讨分析,给出面向未来的探索方向和研究思路,为地理学指导下的智能遥感研究以及遥感支撑的精准地理应用提出发展路径。     

泸定Ms 6.8地震诱发滑坡应急评价研究

2022-09-05,四川省甘孜州泸定县发生Ms 6.8地震。地震在山区诱发了大量的地质灾害,造成了严重的人员伤亡。快速准确地获取地震诱发地质灾害的空间分布范围对震后应急决策和救援抢险至关重要。基于全球同震滑坡数据库与深度学习算法,构建了地震诱发滑坡空间分布概率近实时预测模型,在震后2 h内获取了泸定地震诱发地质灾害的预测结果。通过震后无人机与卫星遥感影像,采用机器学习与深度学习算法实现了震后大范围地质灾害的智能识别,共解译地震诱发滑坡3 633处,总面积13.78 km2。利用遥感解译的泸定地震滑坡数据,对地震诱发地质灾害预测模型进行了优化,获得了震区范围更广、准确性更高的同震滑坡预测结果。结果表明,同震滑坡预测模型能够快速获取震后地质灾害的空间分布情况,填补震后遥感影像获取前的空窗期,为灾后应急救援提供支撑;基于无人机与卫星遥感影像的智能识别技术是快速获取大范围地质灾害信息的有效手段。所取得的研究成果在泸定地震震后应急救援工作中发挥了重要作用。     

集成型与智能型测绘卫星工程发展及其关键技术

航天对地观测已经成为全球对地观测的主要手段。本文简单梳理了国际上现有大地测量类对地观测卫星的概况,侧重分析了我国地形测量类对地观测卫星的贡献和存在的问题,未来对地观测卫星的发展趋势,载荷集成型综合测绘卫星发展的可能性及其面临的主要技术瓶颈。总体认为集成型测绘卫星尽管单星观测效率高,但是整体观测效益不高;分析了微小卫星密集组网型对地观测的可能性及其相应的关键技术,包括载荷模块化设计、卫星小型化设计、卫星最佳组网技术、数据传输技术、卫星在轨弹性调配技术和星上数据快速处理技术等;对未来智能卫星对地观测进行了展望,提出了相应的关键技术,包括星上观测智能识别技术、星间智能传输与星地智能传输技术、星上和地面智能数据处理技术等。此外,卫星的智能避障、运载火箭落点的智能跟踪和智能控制也是航天对地观测需要考虑的发展方向。     

从对地观测卫星到对地观测脑

21世纪以来,高分辨率对地观测卫星快速发展,对地观测系统由最初的单星模式发展为现在的轻小型卫星组建星座,实现了全天时、全天候、全方位的对地精细化观测。未来将对地观测卫星星座与通信卫星、导航卫星和飞机等空间节点通过动态组网,建立天基空间信息网络,以实现智能化空天信息的实时服务。为了进一步增强系统的智能化水平,提高系统感知、认知能力和应急响应能力,本文提出未来空间信息网络环境下对地观测脑（earth observation brain,EOB）的概念,对地观测脑是基于事件感知的智能化对地观测系统。详细介绍了对地观测脑的概念模型及需要解决的关键技术,举例说明了对地观测脑初级阶段的感知、认知过程。将来对地观测脑可以回答何时（when）、何地（where）、何目标（what object）发生了何种变化（what change）,并在规定的时间（right time）和地点（right place）把这些正确的信息（right information）推送给需要的人（right people）的手机或其他智能终端,全球用户可实时获得所需的任何数据、信息和知识。     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973,优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。