近年来,我国自然和人为因素引起的各类突发性地表异常(如自然灾害、环境污染、生态破坏、安全事故、违规开发等)事件频发,并呈现出分布范围广、发生频率高、演化速度快、影响范围大、经济损失重的特点,给人民群众生命财产带来了严重损失,也给整个社会的生产和生活带来巨大影响,特别是随着全球气候变化和经济高速发展,地表异常的内涵与外延不断深化和扩展,各种地表异常相互交织、相互叠加,局部地表更加脆弱和敏感,可能引发的各种风险进一步加剧,对我国经济和社会健康可持续发展的制约更加显现。因此,国家急需发展更快、更准、更好的地表异常监测预警方法,以第一时间发现各类地表异常,掌握它们发展的过程、强度、影响和趋势,争取应急响应、紧急处置、督察执法的主动权,这是保障我国社会安全、经济安全、政治安全的迫切需要,也是我国新发展阶段物质文明、精神文明、生态文明建设的重大战略需求。
国内外大量研究表明,卫星遥感具有探测范围大、空间连续、信息丰富、动态性好的特点,是大范围地表异常探测的最有效方法。近年来灾害遥感、环境遥感、地质遥感、农业遥感等技术的进步显示了卫星遥感用于地表异常探测与预警的巨大优势和潜力。地表异常种类繁多,其遥感响应特征各异,有关研究表明地震等灾害造成的倒塌房屋、崩滑流灾害引发的各类地表异常与可见光(光谱、几何和纹理)和雷达(后向散射和纹理)的响应特征存在定量关系;森林草原火灾、秸秆焚烧等引起的植被地表异常主要与热红外的辐射温度有关[1];洪涝灾害、冰雪灾害、风灾、沙尘暴等气象水文灾害与可见光和雷达的光谱和后向散射系数等响应特征存在明显的关系[2];森林草原作物病虫害等生物灾害与各种植被指数的变化存在高度的相关性等[3];爆炸、垮塌、泄露和人为火灾等人口聚集区的人造地表的各类异常与可见光、热红外和微波的遥感响应特征均有密切的关系[4];大气环境、水环境、固体环境污染等引起的地表异常与紫外、可见光、红外、微波全谱段遥感响应特征存在定量响应关系[5]。事实上,地表异常遥感响应特征可直接用于地表异常事件的诊断,例如,利用遥感反射率构造的水色指数可判别水环境污染的等级[6],利用气溶胶、近地面颗粒物、污染气体的遥感响应特性可识别大气污染和各种企业违规排放,利用可见光的光谱、几何、纹理等遥感响应特性,结合人工判读,可以监测安全事故、违规开发和生态破坏等引起的地表异常[4],利用可见光多光谱影像遥感响应特征,可监测生态破坏等导致的植被扰动、土地利用变化等[7]。但是,现有地表异常遥感响应特征研究还主要是针对特定要素的,还缺乏针对不同地表异常的全谱段、全天时遥感响应时空规律的研究[8],还需要从可见光、热红外到微波的全谱段,系统研究地表异常遥感响应特征及其时空规律,以定量提取地表异常遥感响应的关键特征。另外,由于自然语言所呈现的地表异常遥感响应特征难以被计算机理解和自动化处理[9],因此还需要进一步研究地表异常遥感响应特征语义化表达,对此,国内外学者也开展了有益探索,构建了诸如Event、SEM、ABC、LODE、CIDOC CRM、Event_Model_F等通用事件语义模型,其中有针对较宽泛的突发事件构建的语义模型,也有针对具体突发事件构建的语义模型[10]。
在遥感研究领域,遥感响应光谱特征语义经历了从“波谱”“波谱库”到“波谱知识库”的发展历程,这种“波谱数据+配套参数”的波谱知识库为挖掘新遥感响应特征知识提供了可能[11],如“中国典型地物波谱知识库”成功实现了一系列地表植被结构参数的定量反演和语义表征[12],是地表遥感响应特征语义模型的范例。但是,现有语义模型对事件语义的动态性和连续性的认识不足,需将异常事件、地表异常、遥感特征三方面的语义表征模型有机串联起来形成知识体系,才有望支撑地表异常遥感即时探测与诊断。还需要指出的是,地表异常遥感探测往往面对的是复杂背景下、像素级甚至亚像素级的弱异常信号,例如病虫害、干旱导致的植物光合作用受损表现为微弱信号叶绿素荧光发生变化[13],水华、溢油等水体环境异常导致水体光谱包含部分植物光谱特性和后向散射系数降低,近地表大气异常表现为红外波段形成特征谱线吸收峰[14]等,单台载荷本身探测能力的局限和不同载荷多源数据时空谱探测要素(动态范围、分辨率、视角、谱段等)的不一致性限制了像素级地表异常的早期发现和即时捕捉[15],构建基于地学、大气科学、光学、传感器、电子学等多学科多领域交叉融合的更真实完整的全链路遥感成像模型,是突破地表异常信息高精度探测的前提[16]。对此,国际上已开展了一系列研究,如美国航空航天局开发的PATCOD集成平台、德国宇航中心研制的高光谱仿真系统SENSOR、美国罗切斯特理工学院研发的成像仿真软件DIRSIG等;我国也开展了以大气传输效率、载荷光学效率、探测器量子效率等参数表征为代表的全链路模型等研究,由上海技术物理研究所研制的高分五号可见短波红外高光谱相机的探测器采用了光谱色散方向与电容分档增益配置的方案,在高信噪比的前提下保证了大动态范围[17]。此外,一些卫星载荷研究也考虑了通过探测器非线性响应设计来拓展动态范围。例如,我国风云二号、风云四号卫星的最大动态范围达64 dB[18],美国天基红外预警卫星具有高达118 dB的动态范围。但是,现有卫星载荷成像模型尚未充分考虑强弱信号在探测器内部的非线性效应等因素[19],对偏振特性和杂散特性这一制约地表异常探测精度瓶颈问题尚缺乏研究,因此,亟待建立包含全链路传输特性和遥感载荷全要素参数的地表异常非线性响应探测模型,发展具有动态范围自适应可控和偏振杂散信号可抑制的光电联合调控探测载荷新体制。为实现地表异常遥感即时探测,除了探测模型还需要从卫星-载荷-应用一体化到高度来解决即时探测机制问题——需要将通信、导航、遥感卫星组成“通导遥”一体的星群模式[20],通过多源数据在轨处理、星间与星地的实时传输,缩短地表异常遥感探测任务链,提高地表异常遥探测时效[8],对此,国际上也开始了一系列探索。例如,美国实施了TSAT计划,把太空、空中、陆地、海洋的网络整合为一体[21];国际电信联盟于2016年设立重点研究课题“将卫星系统整合到下一代接入技术中的关键因素”;我国学者也提出了可提供全天时、全天候、全地域实时应用服务的“互联网+”天基信息实时服务系统的设想[22]。与此同时,探测任务规划、星群资源自适应匹配等研究也取得了一些值得肯定的进展。如通过遗传算法建立了SAR卫星星座系统任务规划模型[23],以最少的通道数观察感兴趣区域的目标,进而有效减少了系统响应时间;将观测任务自适应地分配给预测概率最高的卫星的并行任务调度方法[24]降低了探测任务的复杂程度;SpaceVPX标准的载荷星上高速数据处理平台根据探测任务的复杂程度和资源需求,对每一级任务合理分配相应的资源[25];利用自适应遗传算法实现任务目标分解,组织卫星星座的观测和通信[26];采用基于规则的前瞻启发式算法,提高卫星在轨存储管理、充电等任务自主规划能力等。但目前调度和规划工作仍主要在地面开展,尚未考虑时间和资源最优为约束条件下地表异常遥感即时探测任务与星群资源自适应匹配,如何实现“通导遥”一体化星群自适应作业及任务规划仍是地表异常遥感即时探测面临的难题。
从地表异常遥感即时诊断和预警来看,由于在轨实时处理可在最短时间内实现端到端的即时探测,因此它已成为对地观测领域研究的热点[27]。例如,法国PLEIADES卫星利用其敏捷成像能力获取交叉影像,实现了相机的在轨几何内定标;文献[28]利用Railroad Valley实验场分别对MODIS、IKONOS等传感器进行了在轨辐射交叉定标;美国于2000年发射了EO-1卫星,搭载了突发事件在轨检测、特征检测、变化检测的星上处理器;德国于2001年发射了BIRD卫星,搭载了多种类型遥感影像预处理、地物分类和火点探测等星上处理器[29];澳大利亚的FedSat卫星搭载了可重构在轨处理原型系统,可利用星上的光学载荷监测自然灾害;“吉林一号”多光谱01、02卫星初步具备了森林火点、海面船舰等目标的在轨智能检测与识别验证[30]。在地表异常遥感在轨发现方面国内外学者也开展的一系列有益的探索,有学者使用NOAA气象卫星的AVHRR和海洋水色卫星数据,开发了水温水色法、人工神经网络法[31]和多波段差值比值法[32]用于赤潮遥感诊断;文献[33]提出了面向对象及场景级语义的地表异常发现与诊断方法,进一步考虑了多特征下各像元上下文关系所形成的对象层和场景层;为获取更多的信息来指导地表异常变化诊断,文献[34]利用遥感特征语义变化构建语义表征模型和基于统计模型的地表异常检测算法;文献[35]通过马氏距离衡量待检测像素与参考背景统计特性之间的偏离程度,并计算背景均值向量和协方差矩阵,实现地表异常信息诊断;文献[36]提出了基于几何建模的地表异常遥感检测算法,包括基于稀疏表示的地表异常检测算法、基于低秩分解的地表异常检测算法,以及基于张量分解的地表异常检测算法[37],并用典型的光谱特征向量来表征地表异常;也有学者提出了基于深度学习的地表异常检测算法,由地表异常遥感响应特征知识引导地表异常的发现,打破了传统的依赖人工指定特征的学习策略,通过一种二维空间内的卷积操作和下采样层,对模型的参数进行更高效率的学习,提高了地表异常诊断的效率和精度[38];还有学者利用基于知识图谱[39]的地表异常遥感检测方法,在同时满足了地表异常检测的实时性和准确性需求方面取得重要突破。
与此同时,如何在轨生成地表异常遥感预警知识也引起国内外研究机构的高度关注,如美国海军利用海洋地球地图观测仪(NEMO)卫星中的海岸海洋成像光谱仪,结合光学实时自适应光谱识别系统的自适应图像识别技术,生成基于星上自动探测的海深和海水透明度等参数的预警知识[40];联合国粮农组织研发的“全球火灾信息管理系统(GFIMS)”新型在线火灾监测系统,具有星上在轨生成火灾发生位置、火灾严重程度以及火灾影响范围等预警知识等功能;美国EO-1卫星上的Hyperion传感器结合其搭载的基于场景变化检测技术和洪水触发阈值,将在轨生成各种洪水发生位置、淹没范围等预警知识[41];文献[42]设计了一种地震发生初期的震区遥感影像数据星上智能采集系统,通过在轨遥感影像数据采集设备以及星上处理器,在轨生成地震影响范围和破坏情况等遥感预警知识,并直接推送搭配地面接收站;文献[43]设计了一种搭载在“吉林一号”光谱01/02星的在轨处理系统,可直接利用星上北斗接收机短报文通信,实现着火点经纬度从传感器到用户的实时传输,以提升应急响应的时效性。
现有地表异常遥感即时探测方法还主要是针对个别地表异常要素的,存在模型复杂、处理过程冗长、模型泛化能力差、实时化和智能化水平低、对先验知识和经验阈值等依赖较多等一系列问题,还难以满足突发性、多样性、随机性、隐蔽性和复杂性的地表异常的遥感即时探测的需要,也难以满足抢险救灾、事故处置、污染管控、监察执法等以分钟级响应为特征的实时遥感服务的需要。
地表异常遥感即时探测目前主要存在以下几个方面的技术瓶颈:一是地表异常遥感探测机理不清,地表弱异常信号大动态范围观测能力不足,缺乏由地表异常遥感特征到地表异常事件过程的智能认知,难以实现地表过程异常遥感响应特征(几何异常、光谱异常、纹理异常、辐射异常等)的即时识别与提取[44];二是各类卫星成像参数和观测模式固定,过顶时间较为集中,多时段覆盖能差,缺乏星间互联与星地互馈机制,难以实时发现地表异常及其变化[45];三是探测过程需要经过任务规划、卫星运控、数据获取、传输接收、处理加工、分发应用等诸多环节,链条长、智能化水平低,响应时间往往需要数天、甚至数月,难以实现地表异常快速诊断[46];四是用户被动接受来自数据处理中心的二级影像产品[47],终端级应用的语义要素严重缺乏,尚未形成可服务于多层级任务的地表异常语义提取与生成机制,难以对地表异常的性质、强度、影响和趋势等进行及时预警,加之受有限传输能力和孤立运控模式影响,海量卫星数据无法以预警产品方式即时推送到用户终端,难以实现“遥感数据-监测信息-预警知识”的即时转化[48]。
本文将针对上述4个方面技术瓶颈背后的科学问题,从卫星、载荷、应用三位一体的新视角,对地表异常遥感数据获取、处理、传输和应用过程进行理论重构和方法再造,提出以“通导遥”一体化、星上在轨处理、星地互馈机器学习等为代表的地表异常遥感即时探测机理与方法研究思路,构建包括地表异常遥感响应特征与语义表征、地表异常超大动态范围自适应即时遥感探测、地表异常遥感在轨即时诊断、地表异常遥感预警知识即时生成与表达等在内的地表异常遥感即时探测研究框架。
1 总体研究框架 1.1 总体研究目标与内容针对面向地表异常实时监控预警的国家重大需求,开展多学科交叉研究,阐明地表异常遥感探测机理,解析地表异常遥感响应特征,揭示复杂场景下超大动态范围地表过程异常自适应即时探测原理,构建适于星上资源约束的地表异常遥感在轨遥感即时诊断与预警方法,解决“地表异常卫星影像-监测信息-预警知识”即时转化技术瓶颈背后的科学问题,形成以实时、智能、主动为特征的“卫星-载荷-应用”三位一体的地表异常遥感即时探测与预警方法体系,为突破卫星应用时效严重滞后地表异常事件应急处置和风险管控需求的国际性难题提供科学方案,为实现直到用户移动终端的地表异常遥感监测预警即时服务提供方法支撑。具体研究目标和内容:一是针对地表异常遥感即时诊断和预警遥感机理不清问题,厘清地表异常事件、地表异常、遥感响应特征之间的关联关系,揭示地表异常遥感全谱段响应特征时空规律,确定地表异常遥感即时诊断特征阈值,建立地表异常及其遥感响应特征语义表征模型,形成地表异常遥感响应特征知识体系;二是针对地表异常信息探测能力不足、即时探测机制欠缺问题,阐明复杂场景下地表弱异常信息高精度探测机理,研发地表异常超大动态范围非线性响应探测模型,构建地表异常事件驱动的探测任务与星群资源自适应匹配映射机制,形成地表异常“通导遥”一体化任务协同及星群模式;三是针对地表异常遥感诊断时效差、智能化水平低的问题,提出地表异常遥感信息在轨实时处理机制和技术途径,发展多星联合观测及星地多驱动下的地表异常在轨即时诊断方法,实现地表异常事件高层次时空语义信息在轨表提取与表达,形成基于星地互馈新机制的地表异常在轨即时诊断方法体系;四是针对星上有限资源约束下地表异常遥感即时预警难以实现的问题,构建“卫星影像-异常信息-预警知识”实时转化机制,发展以“信息融合-知识挖掘-时空模拟”为主线的地表异常遥感预警知识即时生成方法,突破地表异常遥感预警知识自动制图综合与语义抽取瓶颈,形成适于卫星在轨处理与传输能力的“通导遥”一体化地表异常遥感即时预警方法体系。总体技术路线如图 1所示。
![]() |
图 1 总体技术路线 Fig. 1 The overall technical route |
1.2 主要学术思路
瞄准地表异常遥感探测“看不到、看不清、看不快、看不远”技术瓶颈背后的科学问题,按照“重构探测机制-深究响应机理-再造诊断模式-更新预警方式”的总体技术路线,开展地表异常遥感即时探测机理与方法研究。
从遥感载荷响应、转换、输出的全周期,研究地表异常像素级超大动态范围自适应遥感即时探测方法——基于光场与电场联合调控、探测参数自适应调整等新手段,构建地表异常信号全链路传输与全要素响应的精准函数关系,解决地表异常成像参数和观测模式固定、探测一致性不够、精准性差、动态范围不足的难题。
从遥感特征试验、解析、建模的全进程,研究地表异常遥感响应机理——基于全谱段、全天时等视角,揭示地表异常遥感响应时空规律,找出遥感响应特征标志或临界点,提取地表异常遥感即时诊断特征阈值和综合指数,解决地表异常遥感即时探测机理不清、全谱段三维辐射传输难以求解的难题。
从遥感数据获取、处理、传输的全流程,研究地表异常遥感即时诊断和预警方法——基于多模态信息高速融合、在轨知识挖掘、时空模拟等新途径,建立星上资源约束条件下地表异常遥感即时诊断和预警方法体系,解决地表异常遥感探测模型复杂、智能化、实时化水平低、遥感即时服务能力差的难题(图 2)。
![]() |
图 2 主要学术思路 Fig. 2 Main academic ideas |
1.3 关键科学问题
总体上看,关键科学问题就是如何将低时效的传统地表异常遥感探测发展成实时化、智能化的地表异常遥感探测。其中包括:
(1) “通导遥”一体化地表异常遥感即时探测机制——如何构建通信、导航、遥感卫星一体化的地表异常自适应协同探测机制,将地表异常遥感信息全链路处理模式转变成在轨实时处理模式。
(2) 地表异常遥感全谱段响应时空规律与特征阈值——如何揭示地表异常遥感响应机理,确定地表异常遥感全谱段、全天时响应关键特征,构建地表异常/事件遥感即时诊断特征阈值和综合指数。
(3) 地表弱异常信息像素级超大动态范围自适应探测——如何突破地表弱异常信息探测一致性不够、精准性差、动态范围不足的方法瓶颈,构建地表异常像素级超大动态范围自适应探测模型。
(4) “通导遥”一体化的地表异常遥感即时诊断与预警——如何解决复杂的地表异常遥感即时诊断预警与有限的卫星处理传输能力之间矛盾,实现“地表异常遥感探测数据-诊断信息-预警知识”在轨实时转化。
2 地表异常遥感响应特征与语义表征研究 2.1 主要研究任务研究不同地表异常事件与遥感响应特征非线性关联机理,构建基于机器学习的“地表异常事件-地表异常-地表异常遥感响应”特征映射关系模型;开展从可见光、近红外、热红外至微波的地表异常遥感响应特征计算机仿真模拟,揭示地表异常全谱段、全天时遥感响应特征,定量解析地表异常光谱、辐射、散射、几何、纹理等遥感响应特征标志或临界点,提出地表异常遥感即时诊断特征阈值和综合指数;研究集语义实体、语义关系与语义表征于一体的地表异常遥感响应特征语义表征模型,形成地表异常遥感响应特征知识体系。
2.2 遥感响应特征-地表异常-地表异常事件关联机理研究地表异常、地表异常事件与地表异常遥感响应特征之间的关联关系,明晰突发性可遥感地表异常类型,构建“遥感响应特征-地表异常-地表异常事件”关联关系矩阵,利用神经元之间的复杂连接特点,综合先验知识、领域知识以及文献资料等构建地表异常事件背景场知识,解析遥感响应特征与地表异常事件非线性映射机理,建立不同地表异常事件与遥感响应特征映射关系模型。
2.3 地表异常遥感响应特征针对不同类型的地表异常,开展从可见光、近红外、热红外至微波的地表异常全谱段、全天时、多尺度遥感响应特征模拟仿真,构建地表异常三维虚拟场景,耦合大气辐射传输模型和传感器成像模型,耦合野外观测试验、室内室外控制试验进行敏感参量分析,利用波谱曲线分析等方法,研究不同地表异常类型与遥感全谱段全天时响应特征的关系,解析不同地表异常与全天时遥感响应特征的时空规律,形成系统的地表异常全谱段遥感响应特征知识体系;从地表异常遥感全谱段响应特征出发,分析地表异常的光谱、辐射、散射、几何、纹理等遥感响应特征标志/临界点,研究可定量判别地表异常的遥感响应特征阈值及其提取方法。
2.4 地表异常及其时空演化语义表征模型与知识体系研究地表异常及遥感响应特征的语义概念与语义实体,分析地表异常事件、地表异常、遥感响应特征的空间、时间等属性信息,发展地表异常及其遥感响应特征的文本聚类、语义簇聚类、语义标注等方法,构建语义实体关联模型和语义提取模型;研究地表异常及其时空演化遥感全谱段时空响应特征语义表征模型,形成集地表异常遥感响应特征语义实体、语义关系及语义表征模型于一体的地表异常遥感响应特征知识体系。
3 “通导遥”一体化地表异常遥感即时探测机制研究 3.1 主要研究任务面向地表异常遥感即时诊断与预警信息在轨处理与传输需要,研究地表异常“通导遥”一体化协同探测星群架构和机制,提出基于星间互联、星地互馈的“通导遥”一体化星群网络拓扑架构、最佳均衡路由机制和星网接口协议;解析“通导遥”一体化星群静态资源对地表异常遥感即时探测动态任务的响应机制,发展地表异常事件驱动的探测任务与星群资源自适应匹配映射方法,构建多任务优先级约束下的星群资源自适应匹配优化方法,提升星群协同观测效能。
3.2 地表异常即时探测“通导遥”一体化星群模式研究发展“通导遥”一体化协同观测星群模式、地表异常事件驱动的星间网络互联拓扑架构及最佳均衡路由机制,构建遥感卫星探测能力数据集和在轨服务泛在集合,定义星群参数描述体系,解析地表异常事件的遥感响应特征与遥感卫星探测能力的定量化关系,建立星群系统动态信息组合优化模型;采用最优化求解、基于参数自适应策略的动态问题重构等方法,在资源利用率和任务完成率最大化等约束条件下,自适应构建满足地表异常最佳探测参数和最优化体系分布的“通导遥”一体化星群方案。
3.3 地表异常即时探测“通导遥”一体化协同观测分析“通导遥”一体化星群协同下跨类别网络模式间的泛化特征,研究星座拓扑动态变化条件下星群协同探测自适应机制以及效能评估方法,构建地表异常事件驱动的“通导遥”一体化协同观测的触发机制、并发机制和同步机制;研究“通导遥”一体化协作结构网络的数据一致性、状态一致性维护方法,针对卫星节点接入的随机性以及星地链路的不稳定性,研究可进化的自适应网络重构技术,发展星群多维协同交互过程中过程控制、信息反馈、智能维护方法,研究基于马尔可夫决策过程强化学习的星群自适应规划调度方法,通过构建优化策略的目标函数,建立星群自适应智能规划调度方法。
3.4 探测任务与星群资源自适应匹配映射机制研究地表异常即时探测任务与星群资源自适应匹配映射方法,构建包括任务类型、观测位置、探测体制、成像要求、观测效率要求、任务优先级等要素的地表异常探测任务描述集合,以及包括观测窗口内可用的卫星资源、载荷指标、数据处理要求、通信资源等要素的“通导遥”一体化星群资源描述集合,研究多任务优先级约束、多星协同约束、星群资源差异约束等约束条件下,探测参数体系自适应优化方案,建立从探测任务集到星群资源集的自适应映射和探测任务和异常事件所处区域星群能力属性自适应匹配方法。
4 像素级超大动态范围地表异常高精准探测方法研究 4.1 主要研究任务针对传统光学遥感成像体系对复杂背景下地表异常探测能力不足的问题,研究从地表到载荷的多维时空谱地表异常遥感探测端到端信息响应、收集、转换、输出机理,探索全链路、全要素一致性精准探测技术途径,突破地表弱异常信号超大动态范围探测能力差等难题,建立电荷传输收集参数自适应调整新机制和地表异常信号全链路传输与全要素响应的精准函数关系,形成复杂场景下像素级超大动态范围地表异常高精准探测方法。
4.2 地表异常超大动态范围非线性响应模型针对传统遥感载荷探测模型无法适应大动态范围微弱地表异常信号的表征的难题,研究地表异常信号在载荷全动态范围与像素级微小区域的作用机理与检测方法,揭示温度、偏压、电激活区域面积等参数对地表异常不同波长、信号强度的光响应及暗电流非线性关系,以及电场调控下背景本征载流子与信号掺杂载流子之间的作用机理,构建基于地表异常像素级光传播方向和光场分布的有效操控模型、超大信号饱和次生效应对地表异常弱信号电荷传输的影响模型,发展地表异常信号不同空间频率下的探测器电路响应特性和量化方法,构建地表异常信号载荷全链路与全要素的精准函数关系模型。
4.3 像素级地表弱异常信号精准探测机理针对传统遥感探测体制缺乏像元级的偏振、弥散抑制及光电耦合转换效率提升手段而导致地表异常弱信号探测能力差的问题,研究地表弱异常信号的大气及载荷偏振弥散效应抑制机理,建立基于新材料的光信号高效传输耦合机制,构建光场与电场联合调控的高效光电转换新结构;研究发展具有高位相梯度以及大相位调控范围的高数值孔径超表面微纳结构,通过构建人工微纳超表面结构相位来调控地表异常光信号的汇聚以及偏振分布解耦特性,建立基于时域差分电磁计算方法和神经网络优化的像素级地表异常探测偏振及弥散效应抑制消除的机制;研究地表异常信号像元内小感光区域与光电转换激活区域的匹配机制,建立电激活区与暗电流及地表异常光信号响应之间的定量关系模型。
4.4 超大动态范围地表异常自适应探测针对传统载荷全像素统一参数观测的模式难以同时兼顾地表强、弱异常信号的高精度大动态范围探测的问题,研究基于电量变化率的各调控手段控制电路的反馈闭环自适应动态控制方法,建立电量变化率与各可调控机制之间的精准分布参量关系模型;研究基于微光、微机、微电混合集成的超大动态范围光信号可调控机理,发展具有地表异常信号耦合效率自适应调控、像素级超大动态范围地表异常强弱信号电荷传输收集自适应调整等特点的探测方法,建立相位和振幅联合操控的地表异常信号光电耦合转换效率可调机制,实现地表异常强弱信号的高效探测。
5 地表异常遥感在轨即时诊断研究 5.1 主要研究任务研究多源、多模态地表异常卫星观测数据在轨动态定标、稀疏表达、时空融合等卫星遥感数据在轨处理方法,发展地表异常与遥感响应特征知识自适应快速匹配、像元级到对象级地表异常特征在轨即时提取技术,阐明地表异常遥感响应特征知识驱动的地表异常在轨发现机理,设计星上有限资源约束下超轻量级地表异常变化检测深度网络,发展地表异常多特征属性在轨鲁棒挖掘方法,建立基于星地互馈深度学习的地表异常在轨即时诊断模型;解析地表异常事件与地理场景的自适应时空语义耦合机制,建立地表异常事件高层次时空语义信息在轨提取与表达模型。
5.2 突发性地表异常遥感在轨发现针对地表异常突发性、不确定性和复杂性所导致的发现难的问题,研究遥感先验知识引导的在轨地表异常特征发现方法,构建基于遥感响应特征知识的地表异常遥感在轨发现机制,发展由像元级到对象级的地表异常遥感特征与异常事件的智能关联方法;研究基于深度学习的在轨地表异常发现方法,设计适合于在轨卫星的超轻量级地表异常特征检测深度网络,建立能够适用于星上在轨处理的轻量级、高效率深度学习模型,形成地表异常在轨发现与检测的通用方法。
5.3 地表异常事件遥感在轨诊断为实现对所发现地表异常所关联事件的在轨即时诊断,研究多元地理实体特征关联语义挖掘、地表异常遥感特征与异常事件关系实时抽取、多维映射与快速自动匹配技术,挖掘地表异常事件遥感光谱特征的时空关联规律,构建基于星地互馈深度学习的地表异常遥感在轨即时诊断机制,建立基于地表异常遥感响应特征知识的地表异常遥感诊断知识库和针对不同地表异常事件的“发生-发展”全流程的遥感即时诊断模型工具集,形成基于多模式星地互馈、异常事件特征时空耦合模型驱动的地表异常事件遥感在轨实时诊断方法。
5.4 地表异常事件语义提取针对地表异常事件在轨语义标注、复杂场景的空间关系表征与事件演化态势的语义表达,分析异常事件语义对象与事件场景的空间语义关系,构建星间互联数据支持下的地表异常事件的复杂场景空间语义信息提取机制,发展基于星地互馈机制的地表异常事件时空过程语义表达模型,形成基于事件长短期记忆表示学习框架的地表异常事件“从量变到质变”全过程语义信息提取方法,实现从底层遥感精细特征到中层对象融合特征再到高层空间语义信息的地表异常事件语义一体化在轨表达。
6 地表异常遥感预警知识即时生成与表达 6.1 主要研究任务研究适于星上资源约束的地表异常遥感即时预警结构化知识体系,建立“通导遥”一体化的“地表异常卫星影像-监测信息-预警知识”即时转化机制;研究基于多模态信息融合、强泛化能力知识挖掘和时空智能模拟的地表异常遥感预警知识即时生成方法,突破地表异常多模态信息高速融合、轻量化和强泛化能力模型构建、历史样本跨域迁移学习、在轨时空模拟器等瓶颈;研究复杂遥感预警知识到适于导航和通信卫星有限传输能力的遥感预警制图产品实时转化机制,建立基于制图综合和神经网络深度学习的遥感预警知识即时表达模型,形成星上资源约束条件下地表异常遥感预警知识即时生成与表达方法体系。
6.2 地表异常卫星影像-监测信息-预警知识实时转化机制研究定义地表异常遥感即时预警知识及其体系架构,厘清面向不同行业与遥感应用方向的地表异常遥感即时预警知识模式和遥感即时预警知识体系结构化表达方法;开展星上资源约束下的“地表异常卫星影像-监测信息-预警知识”实时转化仿真研究,构建“通导遥”一体化的“地表异常遥感影像-监测信息-预警知识”在轨即时转化过程表征模型,形成以“通导遥”一体化遥感预警信息星上实时处理机制、基于导航与通信卫星链路的遥感预警信息实时传输机制为代表的“地表异常卫星影像-监测信息-预警知识”即时转化机制。
6.3 地表异常遥感预警知识即时生成方法研究适用于星上处理的地表异常多模态信息融合轻量化模型策略,解析地表异常多模态信息高速融合机理,形成多模态信息融合的地表异常遥感预警知识即时生成方法;研究适用于星上处理的地表异常遥感即时预警知识挖掘模型轻量化和强泛化能力策略,发展地表异常与事件类型、强度、影响、趋势等预警知识关联规则挖掘方法,形成基于星地互馈和强泛化能力知识挖掘的地表异常遥感预警知识即时生成方法;研究地表异常时空变化趋势模拟星地互馈机制,形成基于时空智能模拟的地表异常遥感预警知识即时生成方法。
6.4 地表异常遥感预警知识即时表达方法研究复杂遥感预警知识空间信息到适于有限传输能力的遥感预警制图产品实时转化机制,构建基于几何空间变换算子优选与决策级融合等方法的地表异常遥感预警知识空间信息制图综合模型,形成适于导航与通信卫星有限传输能力的遥感预警知识空间信息即时表达方法;探索利用逐层特征变换深度学习方法对地表异常遥感预警知识语义属性的重要性进行评估和分级的技术途径,发展基于神经网络深度学习方法的遥感预警知识深层语义识别方法,建立地表异常遥感预警知识属性信息与空间制图综合结果自动匹配模型,形成基于深度学习的地表异常遥感预警知识语义信息即时表达方法。
7 小结随着高分辨率对地观测、大数据、人工智能等现代技术的发展,传统的单星观测模式正逐步发展为由地球观测遥感器、数据处理器和通信系统组成的智能星群模式,在星上安装高速数据处理系统, 使卫星具备数据实时处理能力, 并将处理后有价值的数据直传回地面,以大幅提升地表异常遥感探测的时效性已成为必要和可能。同时,人工智能算法在遥感时空信息分析和处理中的应用不断深入,处理方式逐渐从“浅层解析”发展到“深度挖掘”,使得遥感大数据知识图谱、多模态信息融合、基于机器学习的时空特征智能感知、遥感响应特征与目标场景信息关联知识挖掘等新技术应运而生,为从本质上揭示地表异常在遥感成像传感器下的多粒度、多方位和多层次时空特征提供了有力工具,也为从信息语义复杂、数据维度丰富的地表光谱、纹理、几何、散射等遥感特征中认知和提取地表异常预警知识提供了新的技术途径。地表异常遥感即时探测机理与方法研究将为以星间互联、星地互馈、星上处理为特征的“通导遥”一体化地表异常实时探测机制的构建奠定理论基础,为实现从传统的地表异常遥感监测到实时化、智能化遥感预警的转变提供技术支撑,有望带来遥感即时探测理论和方法的重大突破,促进遥感探测从单一数据源、滞后观测模式转向多星协同、即时监测模式,从全链路、滞后的传统卫星应用转向实时化、智能化卫星应用,催生智能星群、在轨处理器、遥感芯片等新兴产业发展,助推实现直达用户移动终端的地表异常遥感监测预警即时服务。
[1] |
戎志国, 刘诚, 孙涵, 等. 卫星火情探测灵敏度试验与火情遥感新探测通道选择[J]. 地球科学进展, 2007, 22(8): 866-871. RONG Zhiguo, LIU Cheng, SUN Han, et al. Sensitivity experiment for fire detecting using satellites' data and new detection channel selection for fire remote sensing[J]. Advances in Earth Science, 2007, 22(8): 866-871. DOI:10.3321/j.issn:1001-8166.2007.08.013 |
[2] |
栾玉洁, 郭金运, 高永刚, 等. 基于Sentinel-1B SAR数据的2018年寿光洪水遥感监测及灾害分析[J]. 自然灾害学报, 2021, 30(2): 168-175. LUAN Yujie, GUO Jinyun, GAO Yonggang, et al. Remote sensing monitoring of flood and disaster analysis in Shouguang in 2018 from Sentinel-1B SAR data[J]. Journal of Natural Disasters, 2021, 30(2): 168-175. DOI:10.13577/j.jnd.2021.0217 |
[3] |
黄文江, 师越, 董莹莹, 等. 作物病虫害遥感监测研究进展与展望[J]. 智慧农业, 2019, 1(4): 1-11. HUANG Wenjiang, SHI Yue, DONG Yingying, et al. Progress and prospects of crop diseases and pests monitoring by remote sensing[J]. Smart Agriculture, 2019, 1(4): 1-11. |
[4] |
刘筱怡. 基于多元遥感技术的古滑坡识别与危险性评价研究[D]. 北京: 中国地质科学院, 2020. LIU Xiaoyi. Identification and hazard assessment of ancient landslides based on multi-source remote sensing technology[D]. Beijing: Chinese Academy of Geological Sciences, 2020. |
[5] |
王桥. 中国环境遥感监测技术进展及若干前沿问题[J]. 遥感学报, 2021, 25(1): 25-36. WANG Qiao. Progress of environmental remote sensing monitoring technology in China and some related frontier issues[J]. National Remote Sensing Bulletin, 2021, 25(1): 25-36. |
[6] |
YANG Liping, DRISCOL J, SARIGAI S, et al. Towards synoptic water monitoring systems: a review of AI methods for automating water body detection and water quality monitoring using remote sensing[J]. Sensors, 2022, 22(6): 2416. DOI:10.3390/s22062416 |
[7] |
ZHANG Rongqun, ZHU Daolin. Study of land cover classification based on knowledge rules using high-resolution remote sensing images[J]. Expert Systems with Applications, 2011, 38(4): 3647-3652. DOI:10.1016/j.eswa.2010.09.019 |
[8] |
范一大, 吴玮. "高分四号"发射成功助力防灾减灾事业[J]. 中国减灾, 2016(3): 48-49. FAN Yida, WU Wei. "Gaofen-4" successfully launched to help disaster prevention and mitigation[J]. China Disaster Reduction, 2016(3): 48-49. DOI:10.3969/j.issn.1002-4549.2016.03.010 |
[9] |
NAKASHIMA T. An anatomic study on the Martin-Gruber anastomosis[J]. Surgical and Radiologic Anatomy, 1993, 15(3): 193-195. DOI:10.1007/BF01627703 |
[10] |
王振峰, 刘纪平. 获取机制下的地理空间数据互操作研究[J]. 武汉大学学报(信息科学版), 2009, 34(9): 1034-1038. WANG Zhenfeng, LIU Jiping. Geo-spatial data interoperability in mechanism of acquisition[J]. Geomatics and Information Science of Wuhan University, 2009, 34(9): 1034-1038. |
[11] |
王锦地, 张立新, 柳钦火, 等. 中国典型地物波谱知识库[M]. 北京: 科学出版社, 2009. WANG Jindi, ZHANG Lixin, LIU Qinhuo, et al. Spectral knowledge base of typical features in China[M]. Beijing: Science Press, 2009. |
[12] |
LIU Sen, TIAN Jingqi, WANG Lei, et al. Hydrothermal treatment of grass: a low-cost, green route to nitrogen-doped, carbon-rich, photoluminescent polymer nanodots as an effective fluorescent sensing platform for label-free detection of Cu (Ⅱ) ions[J]. Advanced Materials, 2012, 24(15): 2037-2041. DOI:10.1002/adma.201200164 |
[13] |
WANG Jun, LU Wei, TONG Yuxin, et al. Leaf morphology, photosynthetic performance, chlorophyll fluorescence, stomatal development of lettuce (Lactuca sativa L.) exposed to different ratios of red light to blue light[J]. Frontiers in Plant Science, 2016, 7: 250. |
[14] |
FICHOT C G, DOWNING B D, BERGAMASCHI B A, et al. High-resolution remote sensing of water quality in the San Francisco Bay-Delta estuary[J]. Environmental Science & Technology, 2016, 50(2): 573-583. |
[15] |
张良培, 沈焕锋. 遥感数据融合的进展与前瞻[J]. 遥感学报, 2016, 20(5): 1050-1061. ZHANG Liangpei, SHEN Huanfeng. Progress and future of remote sensing data fusion[J]. Journal of Remote Sensing, 2016, 20(5): 1050-1061. |
[16] |
孙伟健, 林军, 阮宁娟, 等. 国外光学遥感成像系统仿真软件发展综述与思考[J]. 航天返回与遥感, 2010, 31(3): 70-75. SUN Weijian, LIN Jun, RUAN Ningjuan, et al. Summarization and consideration of oversea's simulation software development for optical remote sensing system[J]. Spacecraft Recovery & Remote Sensing, 2010, 31(3): 70-75. DOI:10.3969/j.issn.1009-8518.2010.03.011 |
[17] |
刘银年, 孙德新, 胡晓宁, 等. 高分五号可见短波红外高光谱相机设计与研制[J]. 遥感学报, 2020, 24(4): 333-344. LIU Yinnian, SUN Dexin, HU Xiaoning, et al. Development of visible and short-wave infrared hyperspectral imager onboard GF-5 satellite[J]. National Remote Sensing Bulletin, 2020, 24(4): 333-344. |
[18] |
李晓坤, 陈桂林. 地球静止轨道三轴稳定气象卫星辐射计——可见光通道CCD星敏感[J]. 科学技术与工程, 2007, 7(19): 4897-4899. LI Xiaokun, CHEN Guilin. Three-axis stabidiged satellite radiometer of geostationary chaned-CCD starsenge of visible channd[J]. Science Technology and Engineering, 2007, 7(19): 4897-4899. DOI:10.3969/j.issn.1671-1815.2007.19.021 |
[19] |
阮宁娟, 庄绪霞, 李妥妥, 等. 空间光学遥感系统全链路仿真与分析[J]. 航天返回与遥感, 2013, 34(6): 36-43. RUAN Ningjuan, ZHUANG Xuxia, LI Tuotuo, et al. End to end simulation and analysis of space optical remote sensing system[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(6): 36-43. DOI:10.3969/j.issn.1009-8518.2013.06.005 |
[20] |
李德仁, 王艳军, 邵振峰. 新地理信息时代的信息化测绘[J]. 武汉大学学报(信息科学版), 2012, 37(1): 1-6. LI Deren, WANG Yanjun, SHAO Zhenfeng. Geo-informatization of new geographic information era[J]. Geomatics and Information Science of Wuhan University, 2012, 37(1): 1-6. |
[21] |
LIEBRECHT P, SCHIER J, BHASIN K B, et al. NASA's integrated space communications architecture[C]//SpaceOps 2010 Conference. Huntsville: AIAA, 2010: 2174.
|
[22] |
李德仁. 脑认知与空间认知——论空间大数据与人工智能的集成[J]. 武汉大学学报(信息科学版), 2018, 43(12): 1761-1767. LI Deren. Brain Cognition and spatial cognition: on integration of geo-spatial big data and artificial intelligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1761-1767. |
[23] |
JUNG D H, KIM D H, AZIM M T, et al. A novel signal processing technique for Ku-band automobile FMCW fully polarimetric SAR system using triangular LFM[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 70: 8500210. |
[24] |
DU Bo, CAI Shihan, WU Chen. Object tracking in satellite videos based on a multiframe optical flow tracker[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(8): 3043-3055. DOI:10.1109/JSTARS.2019.2917703 |
[25] |
康旭辉, 连剑, 赵雪纲. 基于SpaceVPX架构的星上高速载荷数据实时处理平台设计[J]. 航天器工程, 2018, 27(4): 98-103. KANG Xuhui, LIAN Jian, ZHAO Xuegang. Spaceborne high-speed payload data real-time processing platform design based on spaceVPX architecture[J]. Spacecraft Engineering, 2018, 27(4): 98-103. DOI:10.3969/j.issn.1673-8748.2018.04.015 |
[26] |
ZHENG Zixuan, GUO Jian, GILL E. Distributed onboard mission planning for multi-satellite systems[J]. Aerospace Science and Technology, 2019, 89: 111-122. DOI:10.1016/j.ast.2019.03.054 |
[27] |
李德仁, 洪勇, 王密, 等. 测绘遥感能为智能驾驶做什么?[J]. 测绘学报, 2021, 50(11): 1421-1431. LI Deren, HONG Yong, WANG Mi, et al. What can surveying and remote sensing do for intelligent driving?[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(11): 1421-1431. DOI:10.11947/j.AGCS.2021.20210280 |
[28] |
THOME K J, BIGGAR S F, WISNIEWSKI W. Cross comparison of EO-1 sensors and other Earth resources sensors to Landsat-7 ETM+using Railroad Valley Playa[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1180-1188. DOI:10.1109/TGRS.2003.813210 |
[29] |
ZHUKOV B, LORENZ E, OERTEL D, et al. Spaceborne detection and characterization of fires during the bi-spectral infrared detection (BIRD) experimental small satellite mission (2001-2004)[J]. Remote sensing of Environment, 2006, 100(1): 29-51. DOI:10.1016/j.rse.2005.09.019 |
[30] |
姚烨, 乔彦峰, 钟兴, 等. 凝视成像降质模型的超分辨率重建[J]. 光学学报, 2017, 37(8): 109-118. YAO Ye, QIAO Yanfeng, ZHONG Xing, et al. Super-resolution reconstruction of staring imaging degraded model[J]. Acta Optica Sinica, 2017, 37(8): 109-118. |
[31] |
叶伟文. 长时序多源遥感数据的海洋赤潮环境异常检测方法研究[D]. 杭州: 浙江大学, 2020. YE Weiwen. Research on anomaly detection method in marine red tide environment based on long-term multi-source remote sensing data[D]. Hangzhou: Zhejiang University, 2020. |
[32] |
卞明明. 基于MODIS影像的赤潮监测方法研究与应用[D]. 秦皇岛: 河北科技师范学院, 2020. BIAN Mingming. Research and application of red tide Monitozring method based on MODIS images[D]. Qinhuangdao: Hebei Normal University of Science and Technology, 2020. |
[33] |
JAIMES A, CHANG S F. Conceptual framework for indexing visual information at multiple levels[C]//Proceedings of the SPIE 3964, Internet Imaging. San Jose: SPIE, 1999: 2-15.
|
[34] |
VOGEL J, SCHIELE B. Semantic modeling of natural scenes for content-based image retrieval[J]. International Journal of Computer Vision, 2007, 72(2): 133-157. DOI:10.1007/s11263-006-8614-1 |
[35] |
DU Bo, ZHANG Liangpei. Random-selection-based anomaly detector for hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(5): 1578-1589. DOI:10.1109/TGRS.2010.2081677 |
[36] |
CUI Xiaoguang, TIAN Yuan, WENG Lubin, et al. Anomaly detection in hyperspectral imagery based on low-rank and sparse decomposition[C]//Proceedings of the SPIE 9069, Fifth International Conference on Graphic and Image Processing. Hong Kong, China: SPIE, 2014: 90690R.
|
[37] |
孟令博, 耿修瑞. 基于协峭度张量的高光谱图像异常检测[J]. 电子与信息学报, 2019, 41(1): 150-155. MENG Lingbo, GENG Xiurui. A hyperspectral imagery anomaly detection algorithm based on cokurtosis tensor[J]. Journal of Electronics & Information Technology, 2019, 41(1): 150-155. |
[38] |
YU Dawen, JI Shunping. Grid based spherical CNN for object detection from panoramic images[J]. Sensors, 2019, 19(11): 2622. DOI:10.3390/s19112622 |
[39] |
刘俊楠, 刘海砚, 陈晓慧, 等. 基于地理空间数据的知识图谱构建技术研究[J]. 中文信息学报, 2020, 34(11): 29-36. LIU Junnan, LIU Haiyan, CHEN Xiaohui, et al. Construction of knowledge graph based on geo-spatial data[J]. Journal of Chinese Information Processing, 2020, 34(11): 29-36. DOI:10.3969/j.issn.1003-0077.2020.11.005 |
[40] |
DAVIS C O, HORAN D M, CORSON M R. On-orbit calibration of the naval EarthMap observer (NEMO) coastal ocean imaging spectrometer (COIS)[C]//Proceedings of the SPIE 4132, Imaging Spectrometry Ⅵ. San Diego: SPIE, 2000.
|
[41] |
DOGGETT T, GREELEY R, CHIEN S, et al. Autonomous detection of cryospheric change with hyperion on-board Earth Observing-1[J]. Remote Sensing of Environment, 2006, 101(4): 447-462. DOI:10.1016/j.rse.2005.11.014 |
[42] |
杨思全. 《国家综合防灾减灾规划(2016-2020年)》编制情况介绍[J]. 中国减灾, 2017(1): 20-23. YANG Siquan. Introduction to the compilation of the national comprehensive disaster prevention and mitigation plan (2016-2020)[J]. China Disaster Reduction, 2017(1): 20-23. DOI:10.3969/j.issn.1002-4549.2017.01.006 |
[43] |
眭海刚, 刘超贤, 刘俊怡, 等. 典型自然灾害遥感快速应急响应的思考与实践[J]. 武汉大学学报(信息科学版), 2020, 45(8): 1137-1145. SUI Haigang, LIU Chaoxian, LIU Junyi, et al. Reflection and exploration of rapid remote sensing emergency response for typical natural disasters[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1137-1145. |
[44] |
LIU Gaokai, YANG Ning, GUO Lei, et al. A one-stage approach for surface anomaly detection with background suppression strategies[J]. Sensors, 2020, 20(7): 1829. DOI:10.3390/s20071829 |
[45] |
YANG Xiao, XU Guangjun, LIU Yu, et al. Multi-source data analysis of mesoscale eddies and their effects on surface chlorophyll in the Bay of Bengal[J]. Remote Sensing, 2020, 12(21): 3485. DOI:10.3390/rs12213485 |
[46] |
VOIGT S, GIULIO-TONOLO F, LYONS J, et al. Global trends in satellite-based emergency mapping[J]. Science, 2016, 353(6296): 247-252. DOI:10.1126/science.aad8728 |
[47] |
IRAHA Y, OKADA M, TOGUCHI M, et al. Multimodality imaging in secondary postpartum or postabortion hemorrhage: retained products of conception and related conditions[J]. Japanese Journal of Radiology, 2018, 36(1): 12-22. DOI:10.1007/s11604-017-0687-y |
[48] |
HOOT N R, ARONSKY D. An early warning system for overcrowding in the emergency department[C]//Proceedings of the AMIA 2006 American Medical Informatics Association Annual Symposium. Washington: AMIA, 2006: 339.
|