CN109165858A - 面向大区域目标观测的多星调度方法 - Google Patents

面向大区域目标观测的多星调度方法 Download PDF

Info

Publication number
CN109165858A
CN109165858A CN201811029393.3A CN201811029393A CN109165858A CN 109165858 A CN109165858 A CN 109165858A CN 201811029393 A CN201811029393 A CN 201811029393A CN 109165858 A CN109165858 A CN 109165858A
Authority
CN
China
Prior art keywords
satellite
band
target
usable
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811029393.3A
Other languages
English (en)
Other versions
CN109165858B (zh
Inventor
刘晓路
许英杰
姚锋
陈盈果
陈成
王涛
吕济民
陈宇宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201811029393.3A priority Critical patent/CN109165858B/zh
Publication of CN109165858A publication Critical patent/CN109165858A/zh
Application granted granted Critical
Publication of CN109165858B publication Critical patent/CN109165858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

针对面向大区域观测的多卫星调度问题，本发明提供一种面向大区域目标观测的多星调度方法。首先，根据用户需求，确定观测任务即确定待观测的目标区域T(即已知目标区域的位置、面积)；确定可用卫星集合S以及可用卫星集合S中所有可用卫星的卫星参数信息。接着将目标区域离散化，对目标区域进行条带分解。本发明将面向大区域目标观测的多星调度问题转化为具有多个约束的集合覆盖问题，并建立数学模型。最后采用遗传算法对S4中建立的数学模型进行求解，输出是求解得到的观测计划。本发明解决了当前在环境保护活动涉及的卫星图像采集方法耗时长、存在覆盖遗漏的现象，通过本发明方法可得到针对特定观测区域目标覆盖率更高的可行观测方案。

Description

面向大区域目标观测的多星调度方法
技术领域
本发明涉及卫星调度技术领域，尤其涉及一种面向大区域目标观测的多星调度方法。
背景技术
地球观测卫星(EOS)是能够根据各种观测需求获取地球表面特定区域图像的空间平台系统。由于其具有可靠性高、便捷和高效的特点，EOS图像采集已被政府机构、研究机构和商业企业等众多客户广泛认可。近年来，由于人类活动频繁，自然环境日益恶化、自然灾害频繁发生，环境保护活动越来越受到重视，如国土测绘、环境监测、土地沙漠化监测，热带雨林保护、南极冰盖监测等活动在全球范围内相继展开等。EOS在这些活动中也发挥着越来越重要的作用，它可以实现在不同的时间点、以不同的成像角度对区域目标的观测，而这正是分析环境状况并在紧急情况下采取适当措施的可靠基础。因此，有效处理观测过程中的成像调度问题以获取足够的图像将能够进一步推动环境保护活动的发展。
然而，传统技术和方法未能应对这些环境活动中的卫星观测调度问题并难以在短时间内产生令人满意的观测方案。一方面，针对自然环境的测绘和监测活动通常涉及目标面积很大，如亚马逊雨林地区和南极冰盖。这意味着卫星的成像机会要比相对较小的区域多，并且导致候选观测时间窗呈指数增长。此外，客户以及需求数量的增加将导致调度问题的复杂性骤增。另一方面，考虑到多种卫星特性不同，例如卫星传感器的幅宽、机动能力、卫星的运行方向等，这就增加了调度问题的复杂性。
现有技术包括目前公开的文献，都是致力于比较小面积目标，对大面积目标涉猎较少。随着观测目标面积的扩大、来自不同客户的观测需求增加，搜索空间和候选解决方案的递增，观测窗口选择和调度更加自由多变，导致生成可行的观测计划困难且耗费时间长。因此，迫切需要解决大面积观测的卫星调度问题。
发明内容
针对面向大区域观测的多卫星调度问题，本发明提供一种面向大区域目标观测的多星调度方法。
为实现上述技术目的，本发明的技术方案是：
一种面向大区域目标观测的多星调度方法，包括以下步骤；
S1根据用户需求，确定观测任务即确定待观测的目标区域T；确定可用卫星集合S以及可用卫星集合S中所有可用卫星的卫星参数信息。
S2目标区域离散化
将待观测的目标区域T通过点阵等距离散化，待观测的目标区域T中的所有离散点组成点集A。点集A中的每个点即为一个点目标，点目标pi的位置坐标用表示，表示其在WGS 84坐标系中该点目标的纬度，经度和高度。其中i＝1,2,3……n，n为点集A中点目标的个数。这样，待观测的目标区域T可以用一系列的点目标表示。
S3对目标区域进行条带分解
S3.1构建函数F描述卫星与点目标之间的位置关系
时刻t时，对于可用卫星集合S中的可用卫星Sj(其中j＝1,2,3……m，m为可用卫星集合S中可用卫星的个数。)，可用卫星Sj其在J2000地心惯性坐标系中的空间位置为点目标pi在WGS84坐标系的空间位置为可用卫星Sj能够观测到点目标pi的当前姿态为则有
构建函数F来描述卫星与点目标之间的位置关系
函数F中的自变量可缩写为(t,r)T，称为时间-姿态矢量经S2中目标区域离散化方法，待观测的目标区域T可以用一系列的点目标表示。因此，待观测的目标区域T可以表示为:{(t,r)1,(t,r)2,...,(t,r)n}。
S3.2对于可用卫星集合S中的每个可用卫星Sj，计算Sj对目标区域T的可见范围即视场(FOV)，并计算FOV与目标区域T重叠区域的边界矩形。
对于可用卫星集合S中的每个可用卫星Sj其所对应的边界矩形，边界矩形的确定与FOV和目标区域T之间的交点e相关联，该交点可用球面解析几何计算得到。
与可用卫星Sj的卫星地面轨迹(即可用卫星Sj的星下线)平行的矩形边是可用卫星Sj其所对应的边界矩形的长度方向的矩形边，垂直于可用卫星Sj的卫星地面轨迹(即可用卫星Sj的星下线)的边是可用卫星Sj其所对应的边界矩形的宽度方向的矩形边。
可用卫星Sj其所对应的边界矩形宽度方向的矩形边上的两个端点决定该边界矩形的长度。设可用卫星Sj最早和最晚观测目标区域T的时间为和可用卫星Sj能够观测到目标区域T的最小和最大侧摆角为rj -和rj +。用可用卫星Sj其所对应的边界矩形的宽度可以由侧摆角来表示，Wj＝(rj --rj +)。那么与可用卫星Sj相对应的边界矩形可用时间-姿态矢量表示，即
S3.3设置偏移参数Δλ，划分条带。
按照所设置的偏移参数Δλ将每个可用卫星Sj其所对应的边界矩形分解为条带。
考虑到客户的要求和偏好，偏移参数Δλ可以调整相邻条带间重叠的程度，条带间具有一定长度的重叠可以避免在卫星实际成像过程中的位置偏差而导致的成像空缺。就配备有光学相机的卫星而言，可以通过可以改变的特定侧摆角来表示。
条带可以用时间-姿态向量来表示，即则每个条带对应的可用卫星Sj的侧摆角范围为(rj +-rj -)strip，即为Δλ。
区域目标分解过程发生在边界矩形中，而不是区域目标的整个区域中。沿着卫星轨道的垂直方向，条带以从西到东的间隔排列，直到条带集合充满整个可用卫星Sj其所对应的边界矩形。
S3.4切割条带
在S3.3之后，将获得由可用卫星Sj其所对应的边界矩形分解得到的条带集合，条带集合中各条带均是等宽且等长的条带。接下来需根据可用卫星Sj其所对应的边界矩形切割各条带以提高有效覆盖率。
对于条带集合中的任意一条带，先确定该条带中是否有区域目标的顶点；然后利用球面解析几何计算确定目标区域T和该条带的交点，接着通过比较目标区域T和该条带的交点以及该条带中存在的区域目标的顶点来找出可用卫星Sj过境的最早时间和最晚时间以确定条带切割边界，完成对该条带的切割。
S3.5计算各条带相应的可见时间窗VTW。
VTW可以通过判定在给定时间段[Tbegin,Tend]，可用卫星Sj与目标区域T可见性来得到可见时间窗[TWbegin,TWend]。
经过上述S3.1至S3.5五个步骤，可以实现对目标区域T的分解。
S4将面向大区域目标观测的多星调度问题转化为具有多个约束的集合覆盖问题，并建立数学模型。
S4.1符号定义
·T＝{t1,...,t|T|},指来自不同用户的观测任务集合。对于每个任务tq,定义了如下属性:
-q指tq对应的区域观测目标编号。
-Hq指需获取图像的分辨率要求。
-Bq指规划开始时间。
-Eq指规划结束时间。
·S＝{S1,...,Sm},指可用卫星集合。对于每颗可用卫星Sj,定义了如下属性:
-Oj指可用卫星Sj的圈次集合，|Oj|即可用卫星Sj的圈次集合中圈次的个数。oja指可用卫星Sj的第a个圈次。
-Mj指可用卫星Sj的最大储存容量。
-Vj指可用卫星Sj的最大电量。
-Gj指可用卫星Sj的最大机动能力。
·Wj＝{wj1,...,wj|Wj|}指可用卫星Sj对应的时间窗集合，|Wj|即可用卫星Sj对应的时间窗集合中时间窗的个数；wjak代表可用卫星Sj的第a圈次中的第k个时间窗。对每个时间窗wjak,定义了如下属性:
-btjak,etjak分别是时间窗wjak的开始和结束时间。
-mjak是指在时间窗wjak对应卫星图像所占的存储容量。
-vjak是指在时间窗wjak内拍摄对应卫星图像所耗费的卫星电量。
-gjak是指可用卫星Sj在时间窗wjak内的姿态。
-GSDjak是指可用卫星Sj在时间窗wjak内对应卫星图像的分辨率。
-qjak是指时间窗wjak对应的区域目标。
·建模过程中应用的函数定义如下:
-f是用来计算观测计划收益的分段线性函数，四个拐点分别为(0,0),(0.4,0.1),(0.7,0.4),(1,1)。函数与观测计划覆盖的目标区域面积正相关，覆盖面积越大，观测方案收益越大。
-P是用来计算条带覆盖面积的函数。
·决策变量定义如下:
S4.2数学模型
其中：目标函数(2)为最大化观测计划的总收益,即最大化卫星观测总面积，其中ΔP为选择条带xjak而带来的观测面积增幅。
约束(3)规定了由于面向大区域观测的卫星长条带观测模式而导致的每次卫星过境最多选择一个时间窗的特性。
约束(4)说明了卫星存储容量限制，即卫星储存图片所占内存不超过卫星的存储极限。
约束(5)描述了卫星的电量限制，即卫星成像过程所耗电量不超过卫星存储的最大电量。
约束(6)表明时间窗长度不能超过卫星单次最长工作时间。
约束(7)和(8)表明观测计划中选择的时间窗要在规划时间段内。约束(9)表明卫星机动要在自身机动能力下进行。
约束(10)阐述了对卫星图像的分辨率要求，即通过当前条带xijk得到的卫星图片分辨率要满足用户提出的图像分辨率要求。
S5采用遗传算法对S4中建立的数学模型进行求解，输出是求解得到的观测计划。
S5.1编码
遗传算法中个体的编码利用一定规划时间[Bq，Eq]内可用卫星集合S中所有可用卫星Sj的轨道圈数之和Qnum来构建。每个染色体长度为Qnum，染色体上的每个基因代表一可用卫星Sj的轨道圈次上的可见时间窗口，染色体上所有基因的顺序为条带选择顺序，即卫星观测顺序。
S5.2适应度函数
以整个观测方案实现对目标区域T的覆盖率为适应度计算标准，衡量当前观测方案的收益情况。观测方案的覆盖率可以通过观测方案中条带组合内的点目标的数量占目标区域T中所有点目标组成的点集的比例测量。适应度函数如下所示。
其中，Schedulek代表为响应一定观测需求而生成的可行观测方案，即选择的卫星条带组合。G是算法的适应度函数，f是由(0,0),(0.4,0.1),(0.7,0.4),(1,1)决定的分段线性函数，促进优化过程向提高覆盖率的方向进行。Iq是代表目标区域T中所有点目标组成的点集，而Iql是观测方案所能覆盖的点集，N是用来计算点目标的数量的函数。
S5.3算子设计
问题中应用了单点交叉算子、单点变异算子和可行性算子，可以定义如下
(1)单点交叉算子:P1和P2为亲代个体，可表示为P1[1]...P1[N]和P2[1]...P2[N]，其中选择算子利用轮盘赌的形式。随机产生交叉点K并进行个体交叉，得到子代个体C1和C2:
C1:P1[1]...P1[K]...P2[K+1]...P2[N]
C2:P2[1]...P2[K]...P1[K+1]...P1[N]
(2)单点变异算子：P为亲代个体，表示为P[1]...P[N]。随机产生变异点K并进行变异，产生子代个体C：
C:P[1]...P[K]0...P[K+1]...P[N]
(3)可行性算子：可行性算子将检验方案是否满足卫星的存储以及电量等约束，若不满足则随机选择一个亲代个体进入子代中。
S5.4确定种群数量
设置种群数量参数以及遗传算法迭代次数。
与现有技术相比，本发明能够产生以下技术效果：
(1)对面向大区域目标观测的多星调度问题提供了建模方法，可对其进行数学建模。
(2)设计了解决该问题的三阶段求解框架，为面向大区域目标观测的多星调度问题的求解提供了新的解决思路，可实现多星观测方案的生成以及优选。
(3)本发明解决了当前在环境保护活动涉及的卫星图像采集方法耗时长、存在覆盖遗漏的现象，相较现实实践中为求解该问题主要应用的基于贪婪规则的启发式算法，可得到针对特定观测区域目标覆盖率更高的可行观测方案。
附图说明
图1为本发明的流程图。
图2为本发明提供的一实施例中选取的三个区域目标示意图。
图3为运用本发明提出的方法在三种不同应用场景下较基于贪婪规则的启发式算法的性能增幅示意图。其中图3(a)是在非洲大草原应用场景下较基于贪婪规则的启发式算法的性能增幅示意图；图3(b)是在亚马逊森林应用场景下较基于贪婪规则的启发式算法的性能增幅示意图；图3(c)是在中国华南地区应用场景下较基于贪婪规则的启发式算法的性能增幅示意图。
图4为运用本发明提供的遗传算法进行求解时，不同的参数设置对算法效果的影响效果图。图4(a)是非洲大草原应用场景下交叉概率参数的影响效果图；图4(b)是非洲大草原应用场景下变异概率参数的影响效果图；图4(c)是亚马逊森林应用场景下交叉概率参数的影响效果图；图4(d)是亚马逊森林应用场景下变异概率参数的影响效果图；图4(e)是国华南地区应用场景下交叉概率参数的影响效果图；图4(f)是国华南地区应用场景下变异概率参数的影响效果图。
具体实施方式
下面结合说明书附图，对本发明的技术方案进行进一步的展示和说明。
参照图1，为本发明的流程图。其中，问题输入包含来自客户的观测需求，如区域目标信息、相关卫星信息、图像要求信息等，问题的输出是满足客户需求的最优观测计划。该问题的解决框架为问题预处理、问题建模和问题求解三阶段。问题预处理阶段包括区域离散化和区域条带分解，问题建模阶段包括问题转化、构建性能评估体系以及建立问题数学模型，问题求解阶段包括算法的选择与设计。
具体地，一种面向大区域目标观测的多星调度方法，包括以下步骤；
S1根据用户需求，确定观测任务即确定待观测的目标区域T(即已知目标区域的位置、面积)；确定可用卫星集合S以及可用卫星集合S中所有可用卫星的卫星参数信息。
其中：卫星参数信息包括六个轨道参数分别为轨道半长轴、轨道倾角、轨道偏心率、升交点赤经、近地点辐角和真近点角。
S2目标区域离散化
将待观测的目标区域T通过点阵等距离散化，待观测的目标区域T中的所有离散点组成点集A。
点集A中的每个点即为一个点目标，点目标pi的位置坐标用表示，表示其在WGS 84坐标系中该点目标的纬度，经度和高度。其中i＝1,2,3……n，n为点集A中点目标的个数。这样，待观测的目标区域T可以用一系列的点目标表示。
S3对目标区域进行条带分解
S3.1构建函数F描述卫星与点目标之间的位置关系
时刻t时，对于可用卫星集合S中的可用卫星Sj(其中j＝1,2,3……m，m为可用卫星集合S中可用卫星的个数。)，其在J2000地心惯性坐标系中的空间位置为点目标pi在WGS84坐标系的空间位置为可用卫星Sj能够观测到点目标pi的当前姿态为则有
构建函数F来描述卫星与点目标之间的位置关系
函数F中的自变量可缩写为(t,r)T，称为时间-姿态矢量经S2中目标区域离散化方法，待观测的目标区域T可以用一系列的点目标表示。因此，待观测的目标区域T可以表示为:{(t,r)1,(t,r)2,...,(t,r)n}。
S3.2对于可用卫星集合S中的每个可用卫星Sj，计算Sj对目标区域T的可见范围即视场(FOV)，并计算FOV与目标区域T重叠区域的边界矩形。
对于可用卫星集合S中的每个可用卫星Sj其所对应的边界矩形，边界矩形的确定与FOV和目标区域T之间的交点e相关联，该交点可用球面解析几何计算得到。
与可用卫星Sj的卫星地面轨迹(即可用卫星Sj的星下线)平行的矩形边是可用卫星Sj其所对应的边界矩形的长度方向的矩形边，垂直于可用卫星Sj的卫星地面轨迹(即可用卫星Sj的星下线)的边是可用卫星Sj其所对应的边界矩形的宽度方向的矩形边。
可用卫星Sj其所对应的边界矩形宽度方向的矩形边上的两个端点决定该边界矩形的长度。设可用卫星Sj最早和最晚观测目标区域T的时间为和可用卫星Sj能够观测到目标区域T的最小和最大侧摆角为rj -和rj +。用卫星Sj其所对应的边界矩形的宽度可以由侧摆角来表示，Wj＝(rj --rj +)。那么与可用卫星Sj相对应的边界矩形可用时间-姿态矢量表示，即
S3.3设置偏移参数Δλ，划分条带。
按照所设置的偏移参数Δλ将每个可用卫星Sj其所对应的边界矩形分解为条带。
考虑到客户的要求和偏好，偏移参数Δλ可以调整相邻条带间重叠的程度，条带间具有一定长度的重叠可以避免在卫星实际成像过程中的位置偏差而导致的成像空缺。就配备有光学相机的卫星而言，可以通过可以改变的特定侧摆角来表示。
条带可以用时间-姿态向量来表示，即则每个条带对应的可用卫星Sj的侧摆角范围为(rj +-rj -)strip，即为Δλ。。
区域目标分解过程发生在边界矩形中，而不是区域目标的整个区域中。沿着卫星轨道的垂直方向，条带以从西到东的间隔排列，直到条带集合充满整个边界矩形。
S3.4切割条带
在S3.3之后，将获得由可用卫星Sj其所对应的边界矩形分解得到的条带集合，条带集合中各条带均是等宽且等长的条带。接下来需根据可用卫星Sj其所对应的边界矩形切割各条带以提高有效覆盖率。
对于条带集合中的任意一条带，先确定该条带中是否有区域目标的顶点；然后利用球面解析几何计算确定目标区域T和该条带的交点，接着通过比较目标区域T和该条带的交点以及该条带中存在的区域目标的顶点来找出可用卫星Sj过境的最早时间和最晚时间以确定条带切割边界，完成对该条带的切割。
S3.5计算各条带相应的可见时间窗VTW。
VTW可以通过判定在给定时间段[Tbegin,Tend]，可用卫星Sj与目标区域T可见性来得到可见时间窗[TWbegin,TWend]。
经过上述S3.1至S3.5五个步骤，可以实现对目标区域T的分解。
S4将面向大区域目标观测的多星调度问题转化为具有多个约束的集合覆盖问题，并建立数学模型。
S4.1符号定义
·T＝{t1,...,t|T|},指来自不同用户的观测任务集合。对于每个任务tq,定义了如下属性:
-q指tq对应的区域观测目标编号。
-Hq指需获取图像的分辨率要求。
-Bq指规划开始时间。
-Eq指规划结束时间。
·S＝{S1,...,Sm},指可用卫星集合。对于每颗可用卫星Sj,定义了如下属性:
-Oj指可用卫星Sj的圈次集合，|Oj|即可用卫星Sj的圈次集合中圈次的个数。oja指可用卫星Sj的第a个圈次。
-Mj指可用卫星Sj的最大储存容量。
-Vj指可用卫星Sj的最大电量。
-Gj指可用卫星Sj的最大机动能力。
·Wj＝{wj1,...,wj|Wj|}指可用卫星Sj对应的时间窗集合，|Wj|即可用卫星Sj对应的时间窗集合中时间窗的个数；wjak代表可用卫星Sj的第a圈次中的第k个时间窗。对每个时间窗wjak,定义了如下属性:
-btjak,etjak分别是时间窗wjak的开始和结束时间。
-mjak是指在时间窗wjak对应卫星图像所占的存储容量。
-vjak是指在时间窗wjak内拍摄对应卫星图像所耗费的卫星电量。
-gjak是指可用卫星Sj在时间窗wjak内的姿态。
-GSDjak是指可用卫星Sj在时间窗wjak内对应卫星图像的分辨率。
-qjak是指时间窗wjak对应的区域目标。
·建模过程中应用的函数定义如下:
-f是用来计算观测计划收益的分段线性函数，四个拐点分别为(0,0),(0.4,0.1),(0.7,0.4),(1,1)。函数与观测计划覆盖的目标区域面积正相关，覆盖面积越大，观测方案收益越大。
-P是用来计算条带覆盖面积的函数。
·决策变量定义如下:
S4.2数学模型
其中：目标函数(2)为最大化观测计划的总收益,即最大化卫星观测总面积，其中ΔP为选择条带xjak而带来的观测面积增幅。
约束(3)规定了由于面向大区域观测的卫星长条带观测模式而导致的每次卫星过境最多选择一个时间窗的特性。
约束(4)说明了卫星存储容量限制，即卫星储存图片所占内存不超过卫星的存储极限。
约束(5)描述了卫星的电量限制，即卫星成像过程所耗电量不超过卫星存储的最大电量。
约束(6)表明时间窗长度不能超过卫星单次最长工作时间。
约束(7)和(8)表明观测计划中选择的时间窗要在规划时间段内。约束(9)表明卫星机动要在自身机动能力下进行。
约束(10)阐述了对卫星图像的分辨率要求，即通过当前条带xijk得到的卫星图片分辨率要满足用户提出的图像分辨率要求。
S5采用遗传算法对S4中建立的数学模型进行求解，输出是求解得到的观测计划。
S5.1编码
遗传算法中个体的编码利用一定规划时间[Bq，Eq]内可用卫星集合S中所有可用卫星Sj的轨道圈数之和Qnum来构建。每个染色体长度为Qnum，染色体上的每个基因代表一可用卫星Sj的轨道圈次上的可见时间窗口，染色体上所有基因的顺序为条带选择顺序，即卫星观测顺序。
S5.2适应度函数
以整个观测方案实现对目标区域T的覆盖率为适应度计算标准，衡量当前观测方案的收益情况。观测方案的覆盖率可以通过观测方案中条带组合内的点目标的数量占目标区域T中所有点目标组成的点集的比例测量。适应度函数如下所示。
其中，Schedulek代表为响应一定观测需求而生成的可行观测方案，即选择的卫星条带组合。G是算法的适应度函数，f是由(0,0),(0.4,0.1),(0.7,0.4),(1,1)决定的分段线性函数，促进优化过程向提高覆盖率的方向进行。Iq是代表目标区域T中所有点目标组成的点集，而Iql是观测方案所能覆盖的点集，N是用来计算点目标的数量的函数。
S5.3算子设计
问题中应用了单点交叉算子、单点变异算子和可行性算子，可以定义如下
(1)单点交叉算子:P1和P2为亲代个体，可表示为P1[1]...P1[N]和P2[1]...P2[N]，其中选择算子利用轮盘赌的形式。随机产生交叉点K并进行个体交叉，得到子代个体C1和C2:
C1:P1[1]...P1[K]...P2[K+1]...P2[N]
C2:P2[1]...P2[K]...P1[K+1]...P1[N]
(2)单点变异算子：P为亲代个体，表示为P[1]...P[N]。随机产生变异点K并进行变异，产生子代个体C：
C:P[1]...P[K]0...P[K+1]...P[N]
(3)可行性算子：可行性算子将检验方案是否满足卫星的存储以及电量等约束，若不满足则随机选择一个亲代个体进入子代中。
其中，交叉算子的交叉概率pc与变异算子的变异概率pm将通过测试实验的方式进行选取，选择在其(0,1)范围内最大程度提高本文算法搜索效果的取值作为算法的交叉概率pc与变异概率pm。
S5.4确定种群数量
设置种群数量参数以及遗传算法迭代次数。
下面提供一具体应用实例：
鉴于现在的EOS在环境保护中发挥着越来越重要的作用，本实施例选择高植被覆盖区作为观测目标，分别从非洲大草原、亚马逊森林和中国华南地区选择三个高植被覆盖区域，如图2所示。三个目标的地理位置和基本信息如表1所示。
表1目标区域的位置与大小
对于每个目标区域，调度时间为一天，连续进行5次调度，从2017年7月22日0:00:00至2017年7月27日0：00：00，期间涉及来自中国卫星平台的14颗光学卫星。卫星在空间中的位置可以有六个轨道参数确定，分别为轨道半长轴、轨道倾角、轨道偏心率、升交点赤经、近地点辐角和真近点角。本实施例中涉及的14颗卫星轨道参数如表2所示。
表2卫星轨道参数
本实施例中遗传算法的参数设置如下：种群数量为100，迭代次数为500，卫星单次最长成像时间为10分钟，偏移参数为1.8。
表3给出了本发明提出的遗传算法和基于贪婪规则的启发式算法在3种不同场景下的结果，每个场景的结果都是二十次运行的平均值。性能一栏表示这两种算法将在三个主要方面进行评估，即DT、CR和Sec。DT是指生成的最优调度的观测时间，表示对面向大区域目标观测的效率。CR指出了特定规划时间范围内两种算法得到的观测方案的对目标区域的最大覆盖率。在此，用0作为每个观察时间表的最小收益，100％作为最大收益。Sec以秒为单位计算算法运行时间。DT1、CR1、Sec1评估所提出的遗传算法的性能，而DT2、CR2、Sec2评估基于贪婪规则的启发式算法的性能。根据三个地区的位置，即非洲，亚马逊和中国，设计了不同的应用情景。D1、D2、D3、D4和D5列从2017年7月22日0:00:00至2017年7月27日0:00:00之间描述了5个独立的规划区间。每个场景都在这5个时间范围内进行评估。
表3两种算法的运行结果比较
如表3所示，发现本发明提出的遗传算法可以产生比基于贪婪规则的启发式算法更好的解决方案。考虑到调度过程以最大化区域目标的覆盖率为目标，所提出的遗传算法与在实际情况中常用的基于贪婪规则的启发式算法相比，在很大程度上提高了图像采集的性能。为了精确地揭示本发明所提出的方法在不同场景的优势，应用三个直方图来表示，如图3所示。对于每个实例，在y轴上呈现总利润(即覆盖率)，并且在x轴上呈现规划时间。结果显示算法性能的增加不会以大量的计算时间为代价，最长计算时间达到了223.2秒，这在能够接受的范围内。
就三个场景的最优覆盖效果来看，以中国华南地区为观测目标的场景在同一时间段内相比其他两个场景有着明显的优势。这可能是因为有14颗卫星均来自中国的卫星平台，旨在观测中国及周边的整个地区。另一方面，这表明要提高多颗卫星的观测性能，与其他国家卫星平台卫星的协调与合作是一个可行的途径。
同时还测试了不同参数设置对提出算法效果的影响，为找出最合适的算法参数，即交叉和变异概率，设计实施了两个测试实验。首先，进行了一个测试实验来评估变异概率对算法性能的影响，此时交叉概率固定为0.9。依次设置变异概率为0.001,0.005,0.01,0.03,0.05,0.08,0.1，以评估每种情景下的算法效能，结果如图4(b)(d)(f)所示。此外，进行了另一项测试以评估交叉概率对算法性能的影响，此时变异概率固定为0.1。依次设置交叉概率为0.7,0.75,0.8,0.85,0.9,0.95，结果如图4(a)(c)(e)所示，可知对于本发明所提供的遗传算法，其最优的变异概率区间和交叉概率分别为[0.08,0.1]和[0.85,0.9]。这就是最初将变异概率和交叉概率固定为0.1和0.9的原因。
对于三个测试场景，本发明方法消耗的计算时间从不大于5分钟，这表明在实践中本发明在效率和可靠性方面表现出色。这为地面调度人员获得有用的信息和图像，以支持全球森林等大面积监测提供了可能。
综上所述，针对面向大区域目标观测的多星调度问题而设计的本发明在解决问题的性能方面优于当前实际应用中的基于贪婪规则的启发式算法，本发明能在较短时间内产生高覆盖率的卫星成像方案，为环境保护活动中的卫星成像困难问题提供了较优的解决方案。
以上所述仅为本发明的优选的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种面向大区域目标观测的多星调度方法，其特征在于，包括以下步骤：
S1根据用户需求，确定观测任务即确定待观测的目标区域T，确定可用卫星集合S以及可用卫星集合S中所有可用卫星的卫星参数信息；
S2目标区域离散化；
将待观测的目标区域T通过点阵等距离散化，待观测的目标区域T中的所有离散点组成点集A；
S3对目标区域进行条带分解；
S4将面向大区域目标观测的多星调度问题转化为具有多个约束的集合覆盖问题，并建立数学模型；
S5采用遗传算法对S4中建立的数学模型进行求解，输出是求解得到的观测计划。
2.根据权利要求1所述的面向大区域目标观测的多星调度方法，其特征在于，S1中，卫星参数信息包括六个轨道参数，分别为轨道半长轴、轨道倾角、轨道偏心率、升交点赤经、近地点辐角和真近点角。
3.根据权利要求1所述的面向大区域目标观测的多星调度方法，其特征在于，S2中，点集A中的每个点即为一个点目标，点目标pi的位置坐标用表示，分别表示其在WGS 84坐标系中该点目标的纬度，经度和高度；其中i＝1,2,3……n，n为点集A中点目标的个数；这样，待观测的目标区域T用一系列的点目标表示。
4.根据权利要求3所述的面向大区域目标观测的多星调度方法，其特征在于，S3的实现方法如下：
S3.1构建函数F描述卫星与点目标之间的位置关系
时刻t时，对于可用卫星集合S中的可用卫星Sj，其中j＝1,2,3……m，m为可用卫星集合S中可用卫星的个数，可用卫星Sj其在J2000地心惯性坐标系中的空间位置为点目标pi在WGS84坐标系的空间位置为可用卫星Sj能够观测到点目标pi的当前姿态为则有
构建函数F来描述卫星与点目标之间的位置关系
函数F中的自变量可缩写为(t,r)T，称为时间-姿态矢量经S2中目标区域离散化方法，待观测的目标区域T可以用一系列的点目标表示；因此，待观测的目标区域T可以表示为:{(t,r)1,(t,r)2,...,(t,r)n}；
S3.2对于可用卫星集合S中的每个可用卫星Sj，计算Sj对目标区域T的可见范围即视场(FOV)，并计算FOV与目标区域T重叠区域的边界矩形；
对于可用卫星集合S中的每个可用卫星Sj其所对应的边界矩形，边界矩形的确定与FOV和目标区域T之间的交点e相关联，该交点可用球面解析几何计算得到；
与可用卫星Sj的卫星地面轨迹平行的矩形边是可用卫星Sj其所对应的边界矩形的长度方向的矩形边，垂直于可用卫星Sj的卫星地面轨迹的边是可用卫星Sj其所对应的边界矩形的宽度方向的矩形边；
可用卫星Sj其所对应的边界矩形宽度方向的矩形边上的两个端点决定该边界矩形的长度；设可用卫星Sj最早和最晚观测目标区域T的时间为和可用卫星Sj能够观测到目标区域T的最小和最大侧摆角为rj -和rj +；用可用卫星Sj其所对应的边界矩形的宽度可以由侧摆角来表示，Wj＝(rj --rj +)；那么与可用卫星Sj相对应的边界矩形可用时间-姿态矢量表示，即为
S3.3设置偏移参数Δλ，划分条带；
按照所设置的偏移参数Δλ将每个可用卫星Sj其所对应的边界矩形分解为条带；
条带可以用时间-姿态向量来表示，即则每个条带对应的可用卫星Sj的侧摆角范围为(rj +-rj -)strip，即为Δλ；
沿着卫星轨道的垂直方向，条带以从西到东的间隔排列，直到条带集合充满整个可用卫星Sj其所对应的边界矩形；
S3.4切割条带
在S3.3之后，将获得由可用卫星Sj其所对应的边界矩形分解得到的条带集合，条带集合中各条带均是等宽且等长的条带；接下来需根据可用卫星Sj其所对应的边界矩形切割各条带以提高有效覆盖率；
对于条带集合中的任意一条带，先确定该条带中是否有区域目标的顶点；然后利用球面解析几何计算确定目标区域T和该条带的交点，接着通过比较目标区域T和该条带的交点以及该条带中存在的区域目标的顶点来找出可用卫星Sj过境的最早时间和最晚时间以确定条带切割边界，完成对该条带的切割；
S3.5计算各条带相应的可见时间窗VTW；
VTW可以通过判定在给定时间段[Tbegin,Tend]，可用卫星Sj与目标区域T可见性来得到可见时间窗[TWbegin,TWend]；
经过上述S3.1至S3.5五个步骤，实现对目标区域T的分解。
5.根据权利要求4所述的面向大区域目标观测的多星调度方法，其特征在于，S4的实现方法如下：
S4.1符号定义
T＝{t1,...,t|T|},指来自不同用户的观测任务集合；对于每个任务tq,定义了如下属性:
q指tq对应的区域观测目标编号；
Hq指需获取图像的分辨率要求；
Bq指规划开始时间；
Eq指规划结束时间；
S＝{S1,...,Sm},指可用卫星集合；对于每颗可用卫星Sj,定义了如下属性:
Oj指可用卫星Sj的圈次集合，|Oj|即可用卫星Sj的圈次集合中圈次的个数；oja指可用卫星Sj的第a个圈次；
Mj指可用卫星Sj的最大储存容量；
Vj指可用卫星Sj的最大电量；
Gj指可用卫星Sj的最大机动能力；
Wj＝{wj1,...,wj|Wj|}指可用卫星Sj对应的时间窗集合，|Wj|即可用卫星Sj对应的时间窗集合中时间窗的个数；wjak代表可用卫星Sj的第a圈次中的第k个时间窗；
对每个时间窗wjak,定义了如下属性:
btjak,etjak分别是时间窗wjak的开始和结束时间；
mjak是指在时间窗wjak对应卫星图像所占的存储容量；
vjak是指在时间窗wjak内拍摄对应卫星图像所耗费的卫星电量；
gjak是指可用卫星Sj在时间窗wjak内的姿态；
GSDjak是指可用卫星Sj在时间窗wjak内对应卫星图像的分辨率；
qjak是指时间窗wjak对应的区域目标；
建模过程中应用的函数定义如下:
f是用来计算观测计划收益的分段线性函数，四个拐点分别为(0,0),(0.4,0.1),(0.7,0.4),(1,1)；函数与观测计划覆盖的目标区域面积正相关，覆盖面积越大，观测方案收益越大；
P是用来计算条带覆盖面积的函数。
决策变量定义如下:
S4.2数学模型
其中：目标函数(2)为最大化观测计划的总收益,即最大化卫星观测总面积，其中ΔP为选择条带xjak而带来的观测面积增幅；
约束(3)规定了由于面向大区域观测的卫星长条带观测模式而导致的每次卫星过境最多选择一个时间窗的特性；
约束(4)说明了卫星存储容量限制，即卫星储存图片所占内存不超过卫星的存储极限；
约束(5)描述了卫星的电量限制，即卫星成像过程所耗电量不超过卫星存储的最大电量；
约束(6)表明时间窗长度不能超过卫星单次最长工作时间；
约束(7)和(8)表明观测计划中选择的时间窗要在规划时间段内；
约束(9)表明卫星机动要在自身机动能力下进行；
约束(10)阐述了对卫星图像的分辨率要求，即通过当前条带xijk得到的卫星图片分辨率要满足用户提出的图像分辨率要求。
6.根据权利要求5所述的面向大区域目标观测的多星调度方法，其特征在于，S5的实现方法如下：
S5.1编码
个体的编码利用一定规划时间[Bq，Eq]内可用卫星集合S中所有可用卫星Sj的轨道圈数之和Qnum来构建；每个染色体长度为Qnum，染色体上的每个基因代表一可用卫星Sj的轨道圈次上的可见时间窗口，染色体上所有基因的顺序为条带选择顺序，即卫星观测顺序；
S5.2适应度函数
适应度函数如下所示：
其中，Schedulek代表为响应一定观测需求而生成的可行观测方案，即选择的卫星条带组合；G是适应度函数，f是由(0,0),(0.4,0.1),(0.7,0.4),(1,1)决定的分段线性函数，促进优化过程向提高覆盖率的方向进行；Iq是代表目标区域T中所有点目标组成的点集，而Iql是观测方案所能覆盖的点集，N是用来计算点目标的数量的函数；
S5.3算子设计
定义单点交叉算子、单点变异算子和可行性算子如下：
(1)单点交叉算子:P1和P2为亲代个体，可表示为P1[1]...P1[N]和P2[1]...P2[N]，其中选择算子利用轮盘赌的形式；随机产生交叉点K并进行个体交叉，得到子代个体C1和C2:
C1:P1[1]...P1[K]...P2[K+1]...P2[N]
C2:P2[1]...P2[K]...P1[K+1]...P1[N]
(2)单点变异算子：P为亲代个体，表示为P[1]...P[N]。随机产生变异点K并进行变异，产生子代个体C：
C:P[1]...P[K]0...P[K+1]...P[N]
(3)可行性算子：可行性算子将检验方案是否满足卫星的存储以及电量等约束，若不满足则随机选择一个亲代个体进入子代中；
S5.4确定种群数量
设置种群数量参数以及遗传算法迭代次数。
CN201811029393.3A 2018-09-05 2018-09-05 面向大区域目标观测的多星调度方法 Active CN109165858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811029393.3A CN109165858B (zh) 2018-09-05 2018-09-05 面向大区域目标观测的多星调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811029393.3A CN109165858B (zh) 2018-09-05 2018-09-05 面向大区域目标观测的多星调度方法

Publications (2)

Publication Number Publication Date
CN109165858A true CN109165858A (zh) 2019-01-08
CN109165858B CN109165858B (zh) 2021-11-23

Family

ID=64893924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811029393.3A Active CN109165858B (zh) 2018-09-05 2018-09-05 面向大区域目标观测的多星调度方法

Country Status (1)

Country Link
CN (1) CN109165858B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717673A (zh) * 2019-10-10 2020-01-21 合肥工业大学 一种资源充足情形下最小观测成本的卫星任务规划方法
CN110889620A (zh) * 2019-11-21 2020-03-17 成都星时代宇航科技有限公司 一种舆情辅助的任务规划方法、装置及存储介质
CN111310301A (zh) * 2020-01-16 2020-06-19 中国人民解放军63921部队 一种基于分级目标函数的空间目标可见性区域探测方法
CN111552915A (zh) * 2020-04-16 2020-08-18 北京空间飞行器总体设计部 一种不规则长条带目标成像任务条带分解方法
CN111612384A (zh) * 2020-06-23 2020-09-01 中国人民解放军国防科技大学 一种具有时间分辨率约束的多星接力任务规划方法
CN112082532A (zh) * 2020-08-19 2020-12-15 长光卫星技术有限公司 一种多星对多需求规划成像的分析方法
CN112580259A (zh) * 2020-12-16 2021-03-30 天津水泥工业设计研究院有限公司 基于遗传算法的智能矿山自动配矿方法及系统
CN113128749A (zh) * 2021-03-05 2021-07-16 中国科学院国家空间科学中心 一种卫星观测网络集中式在线规划方法
CN113420095A (zh) * 2021-05-25 2021-09-21 上海交通大学 一种基于边界反衍的可视栅格处理方法及系统
CN113568426A (zh) * 2021-06-30 2021-10-29 中国资源卫星应用中心 一种基于多星多载荷的卫星集群协同规划方法
CN114926021A (zh) * 2022-05-20 2022-08-19 上海交通大学 基于成像分割与规划一体化的卫星时序最优任务规划方法
CN116070803A (zh) * 2023-04-04 2023-05-05 中国人民解放军国防科技大学 基于间隔圈数模型的卫星调度问题求解方法和装置
CN116090695A (zh) * 2022-12-01 2023-05-09 数字太空(北京)科技股份公司 一种区域目标筹划方法及装置
CN116957272A (zh) * 2023-07-27 2023-10-27 北京和德宇航技术有限公司 一种卫星任务规划方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6947388B1 (en) * 1999-10-20 2005-09-20 International Business Machines Corporation Method and system for a real-time bandwidth allocation scheduler for media delivery
CN107290961A (zh) * 2017-06-29 2017-10-24 中国人民解放军国防科学技术大学 一种针对敏捷卫星的在线调度方法
CN108364116A (zh) * 2018-01-05 2018-08-03 合肥工业大学 卫星资源受限情形下的多成像卫星区域覆盖动态调度方法
CN108428003A (zh) * 2018-01-05 2018-08-21 合肥工业大学 考虑传感器侧摆的多成像卫星区域覆盖调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6947388B1 (en) * 1999-10-20 2005-09-20 International Business Machines Corporation Method and system for a real-time bandwidth allocation scheduler for media delivery
CN107290961A (zh) * 2017-06-29 2017-10-24 中国人民解放军国防科学技术大学 一种针对敏捷卫星的在线调度方法
CN108364116A (zh) * 2018-01-05 2018-08-03 合肥工业大学 卫星资源受限情形下的多成像卫星区域覆盖动态调度方法
CN108428003A (zh) * 2018-01-05 2018-08-21 合肥工业大学 考虑传感器侧摆的多成像卫星区域覆盖调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘建银等: "面向森林资源观测的成像卫星任务规划算法设计", 《中南林业科技大学学报》 *
杨剑: "基于区域目标分解的对地观测卫星成像调度方法研究", 《中国优秀硕士论文全文数据库》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717673A (zh) * 2019-10-10 2020-01-21 合肥工业大学 一种资源充足情形下最小观测成本的卫星任务规划方法
CN110717673B (zh) * 2019-10-10 2022-04-01 合肥工业大学 一种资源充足情形下最小观测成本的卫星任务规划方法
CN110889620A (zh) * 2019-11-21 2020-03-17 成都星时代宇航科技有限公司 一种舆情辅助的任务规划方法、装置及存储介质
CN110889620B (zh) * 2019-11-21 2020-07-31 成都星时代宇航科技有限公司 一种舆情辅助的任务规划方法、装置及存储介质
CN111310301A (zh) * 2020-01-16 2020-06-19 中国人民解放军63921部队 一种基于分级目标函数的空间目标可见性区域探测方法
CN111310301B (zh) * 2020-01-16 2022-09-27 中国人民解放军63921部队 一种基于分级目标函数的空间目标可见性区域探测方法
CN111552915A (zh) * 2020-04-16 2020-08-18 北京空间飞行器总体设计部 一种不规则长条带目标成像任务条带分解方法
CN111612384A (zh) * 2020-06-23 2020-09-01 中国人民解放军国防科技大学 一种具有时间分辨率约束的多星接力任务规划方法
CN111612384B (zh) * 2020-06-23 2023-04-25 中国人民解放军国防科技大学 一种具有时间分辨率约束的多星接力任务规划方法
CN112082532A (zh) * 2020-08-19 2020-12-15 长光卫星技术有限公司 一种多星对多需求规划成像的分析方法
CN112580259B (zh) * 2020-12-16 2022-05-13 天津水泥工业设计研究院有限公司 基于遗传算法的智能矿山自动配矿方法及系统
CN112580259A (zh) * 2020-12-16 2021-03-30 天津水泥工业设计研究院有限公司 基于遗传算法的智能矿山自动配矿方法及系统
CN113128749A (zh) * 2021-03-05 2021-07-16 中国科学院国家空间科学中心 一种卫星观测网络集中式在线规划方法
CN113420095A (zh) * 2021-05-25 2021-09-21 上海交通大学 一种基于边界反衍的可视栅格处理方法及系统
CN113568426A (zh) * 2021-06-30 2021-10-29 中国资源卫星应用中心 一种基于多星多载荷的卫星集群协同规划方法
CN113568426B (zh) * 2021-06-30 2024-03-26 中国资源卫星应用中心 一种基于多星多载荷的卫星集群协同规划方法
CN114926021B (zh) * 2022-05-20 2023-01-03 上海交通大学 基于成像分割与规划一体化的卫星时序最优任务规划方法
CN114926021A (zh) * 2022-05-20 2022-08-19 上海交通大学 基于成像分割与规划一体化的卫星时序最优任务规划方法
CN116090695A (zh) * 2022-12-01 2023-05-09 数字太空(北京)科技股份公司 一种区域目标筹划方法及装置
CN116070803A (zh) * 2023-04-04 2023-05-05 中国人民解放军国防科技大学 基于间隔圈数模型的卫星调度问题求解方法和装置
CN116070803B (zh) * 2023-04-04 2023-06-23 中国人民解放军国防科技大学 基于间隔圈数模型的卫星调度问题求解方法和装置
CN116957272A (zh) * 2023-07-27 2023-10-27 北京和德宇航技术有限公司 一种卫星任务规划方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN109165858B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN109165858A (zh) 面向大区域目标观测的多星调度方法
Laliberte et al. Acquisition, orthorectification, and object-based classification of unmanned aerial vehicle (UAV) imagery for rangeland monitoring
Gläser et al. Illumination conditions at the lunar south pole using high resolution Digital Terrain Models from LOLA
CN104063748A (zh) 一种用于解决面向成像卫星的时间依赖型调度问题的算法
KR20090024146A (ko) 지리영역의 디지탈 표면 모델 생성 방법 및 시스템
Linker et al. Coronal hole detection and open magnetic flux
Rijsdijk et al. Unmanned aerial systems in the process of juridical verification of cadastral border
CN107833279B (zh) 一种基于dem的地形坡度分析方法
Hou et al. Fusing tie points' RGB and thermal information for mapping large areas based on aerial images: A study of fusion performance under different flight configurations and experimental conditions
JP2011501301A (ja) 地理的情報の複数のソースを用いた地理空間モデリングシステム及び関連する方法
CN113568426B (zh) 一种基于多星多载荷的卫星集群协同规划方法
Kritter et al. On the real-world applicability of state-of-the-art algorithms for the optimal camera placement problem
CN112256815A (zh) 一种三维规划辅助审批系统及方法
Cerreta et al. UAS for public safety operations: A comparison of UAS point clouds to terrestrial LIDAR point cloud data using a FARO scanner
CN110807579A (zh) 一种资源充足情形下最小完工时间的卫星任务规划方法
CN110986884A (zh) 一种基于无人机航测数据预处理及植被快速识别方法
CN111414518B (zh) 一种铁路无人机视频定位方法
Potere et al. 13 Comparison of Global Urban Maps
CN113418607B (zh) 用传感器收集感兴趣区域的光谱数据的方法和装置
Singh et al. High resolution retrieval of leaf chlorophyll content over Himalayan pine forest using Visible/IR sensors mounted on UAV and radiative transfer model
Ogbodo et al. Remote Sensing For Urban Tree Canopy Change Detection With Landsat Satellite Data In Nnamdi Azikiwe University Awka–Nigeria
CN113029332A (zh) 卫星云图的预测方法、装置和处理器
Roumenina et al. Validation of MERIS LAI and FAPAR products for winter wheat-sown test fields in North-East Bulgaria
Roussel et al. Worldwide high-frequency weather forecasts for the optimization of Earth observation satellites planning
Jande et al. Prediction of Land Use Change in Katsina-Ala through a Geospatial Approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant