面向遥感系统的低功耗AutoML卫星边缘部署与信号协议分析研究.pdfVIP

面向遥感系统的低功耗AUTOML卫星边缘部署与信号协议分析研究1

面向遥感系统的低功耗AutoML卫星边缘部署与信号协议

分析研究

1.研究背景与意义

1.1遥感技术发展现状

遥感技术是利用非接触的、远距离的探测技术获取关于目标的信息，是一种先进的

对地观测技术。随着航天技术的飞速发展，遥感卫星的数量不断增加，其分辨率和观测

能力也在持续提升。目前，全球在轨遥感卫星数量已超过1000颗，能够提供从米级到

亚米级的高分辨率图像，广泛应用于气象预报、环境监测、资源勘探、军事侦察等领域。

例如，在环境监测方面，遥感技术可以实时监测森林火灾、海洋污染等自然灾害和环境

问题，为应急响应和环境保护提供重要依据。然而，随着遥感数据量的爆炸式增长，传

统的数据处理和分析方法面临着巨大的挑战，如何高效地处理和利用这些海量数据成

为亟待解决的问题。

1.2卫星边缘计算需求

在传统的遥感数据处理流程中，卫星采集的数据通常需要传输到地面站进行处理

和分析，这一过程存在诸多问题。首先，数据传输延迟较高，尤其是在偏远地区或通信

条件较差的情况下，数据的实时性无法得到保证。其次，地面站的处理能力有限，难以

应对大规模数据的快速处理需求。此外，将大量数据传输到地面站会消耗大量的通信带

宽和能源。卫星边缘计算技术应运而生，它将计算和存储资源部署在卫星上，使数据能

够在采集后立即进行初步处理和分析，从而减少数据传输量，提高数据处理效率和实时

性。据估算，采用卫星边缘计算技术可以将数据传输量减少80%以上，显著降低了通

信成本和延迟。例如，在灾害监测场景中，卫星边缘计算能够在第一时间对受灾区域的

图像进行分析，快速提取关键信息，为救援行动提供及时的支持。

1.3低功耗AutoML技术优势

AutoML（自动化机器学习）技术近年来发展迅速，它能够自动完成机器学习模型

的构建、优化和部署过程，大大降低了机器学习的门槛，提高了模型开发的效率和质

量。在卫星边缘计算环境中，由于卫星的能源供应有限，对计算设备的功耗要求极为

严格。低功耗AutoML技术通过优化算法和硬件设计，能够在有限的能源条件下实现

高效的机器学习模型训练和推理。例如，采用低功耗AutoML技术的卫星边缘计算设

备，其功耗仅为传统设备的1/10，能够在不牺牲性能的前提下显著延长卫星的使用寿

2.遥感系统架构与关键技术2

命。此外，低功耗AutoML技术还能够根据卫星采集的数据特征自动调整模型结构和

参数，实现自适应的模型优化，进一步提高模型的准确性和鲁棒性。在实际应用中，低

功耗AutoML技术已经在一些小型卫星上进行了试验，取得了良好的效果，证明了其

在卫星边缘计算中的巨大潜力和应用前景。

2.遥感系统架构与关键技术

2.1遥感系统组成

遥感系统主要由卫星平台、传感器、数据传输链路、地面站和数据处理与分析系统

组成。

•卫星平台：是遥感系统的载体，提供稳定的工作环境和能源供应。目前，遥感卫

星的平台技术已经非常成熟，能够支持多种类型的传感器安装和运行。例如，高

分辨率光学遥感卫星平台可以搭载多光谱相机、超光谱相机等传感器，获取高分

辨率的光学图像；合成孔径雷达（SAR）卫星平台则能够在全天候、全时段条件

下获取地表的微波图像。

•传感器：是遥感系统获取信息的关键设备，其性能直接影响遥感数据的质量和应

用价值。常见的遥感传感器包括光学传感器、雷达传感器、红外传感器等。光学

传感器能够获取可见光和近红外波段的图像，用于土地利用分类、植被覆盖度监

测等；雷达传感器则通过发射和接收微波信号，获取地表的地形地貌信息和地物

的散射特性，具有穿透云雾的能力，适用于海洋监测、冰川监测等。

•数据传输链路：负责将卫星采集的数据传输到地面站。数据传输链路的性能指标

包括传输速率、传输带宽、传输延迟等。随着通信技术的发展，遥感卫星的数据

传输速率不断提高，从早期的几十兆比特每秒（Mbps）提高到现在的几百兆比特

每秒甚至更高。例如，