CN111897640B - 一种面向区域成图的卫星成像任务规划方法及系统 - Google Patents
一种面向区域成图的卫星成像任务规划方法及系统 Download PDFInfo
- Publication number
- CN111897640B CN111897640B CN202010756747.5A CN202010756747A CN111897640B CN 111897640 B CN111897640 B CN 111897640B CN 202010756747 A CN202010756747 A CN 202010756747A CN 111897640 B CN111897640 B CN 111897640B
- Authority
- CN
- China
- Prior art keywords
- imaging
- satellite
- regional
- individual
- task planning
- 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.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000005286 illumination Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 238000013468 resource allocation Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种面向区域成图的卫星成像任务规划方法及系统，包括明确面向区域成图的多星成像任务规划的成图需求，对任务规划过程进行假设化简，完成面向区域成图的多星成像任务规划的成图需求到任务规划模型要素的转换，其特征在于：建立一个以成像条带侧摆角和该成像条带是否被选择为决策变量，以覆盖率最大和参与成像的条带数最小为目标函数，以光照时间和最大侧摆角为约束条件的多目标任务规划模型；利用Vatti算法计算目标函数中成像条带有效覆盖面积；利用改进的实数二进制混合LMOCSO算法计算多目标任务规划模型，获得面向区域成图的多星成像任务规划方案。本发明技术方案能够用于大目标区域成图的卫星成像任务规划，例如省级或国家级以上目标区域。
Description
技术领域
本发明涉及卫星遥感技术领域，尤其是涉及一种面向区域成图的卫星成像任务规划方法及系统。
背景技术
区域成图通常指利用成像卫星获取对应区域的遥感影像后，经过几何辐射处理和影像拼接，生成一副区域遥感影像产品的过程。区域遥感影像产品被广泛应用于城市规划与建设、国土普查与国情监测、农业林业变化与监测、生态环境评估与监测、突发事件应对与救援、国防安全等诸多领域。区域成图的基本流程包括：1成像任务规划：成像卫星任务规划获取卫星拍摄方案；2影像获取：卫星按照规划方案，获取影像数据；3区域影像产品制作：通过对影像预处理、影像匹配、区域网平差、正射纠正、融合、匀色镶嵌等处理生成区域数字正射影像等区域影像产品。在卫星遥感领域，目前对区域遥感影像产品的制作与应用研究较多，而对高效获取区域影像的成像卫星任务规划方法研究较少。
传统上，区域遥感影像产品利用单颗卫星获取。但是，随着遥感卫星数量的增多和区域遥感影像产品应用领域的不断拓展，用户对区域影像产品获取的时效性需求越来越高，按年生产、按季生产，甚至是按月生产。而且，高分辨率成像卫星幅宽有限，且短时间内过境次数有限，利用单颗卫星来获取区域影像时，常不能满足区域产品获取的时效性要求。为此，需要利用多颗传感器类型相同、分辨率相近卫星，在规定的时间内，协同完成拼接成像，这给卫星任务规划带来了新的挑战。
现有的面向区域目标的多星任务规划方法主要包括两个步骤：一是区域分解，二是调度模型优化。区域分解是按照某些规则分解区域目标为一系列卫星一次成像即可完成的点目标。现有的区域分解的典型方法包括网格法和条带法等等。调度模型优化是通过模型构建和算法求解从点目标集合中优选出满足用户需求的点目标子集。现有的模型构建方法包括整数规划模型、约束满足模型等，现有的模型求解方法包括群智能算法等。但现有方法的主要局限在于，规划后的结果严重依赖于区域分解的精度，而区域分解精度与模型求解效率又相互矛盾，因此很难在这两者之间实现较好的平衡。此外，多星任务规划是一个统一的完整的过程，先区域分解再任务规划的求解思路使任务规划过程一分为二，虽然区域分解结果用于调度模型优化，但是优化结果并没有对区域分解产生影响，因此先区域分解再任务规划的求解思路割裂了任务规划过程的完整性。上述局限导致了现有的多星任务规划方法难以为用户提供更优的规划方案，造成卫星资源的浪费。Chen在2020年的论文《AMulti-Objective Modeling Method of Multi-Satellite Imaging Task Planning forLarge Regional Mapping》中，针对区域成像任务规划问题，建立了具有两个目标函数的多目标规划模型，并利用多目标遗传算法NSGA-II(non-dominated sorting geneticalgorithm)进行模型求解，得到规划方案。但是该求解算法仅适合卫星成像条带较少时，即较小的目标区域，对较大的目标区域优化效果并不理想。
发明内容
针对卫星面向区域目标快速成图问题，本发明在现有技术基础上，建立了具有两个目标函数的面向区域成图的多目标任务规划模型；对目标函数中的有效覆盖面积采用vatti算法进行求解；对多目标任务规划模型采用改进的实数二进制混合LMOCSO算法求解；提出了一种面向大目标区域成图的卫星成像任务规划方法。
本发明提供一种面向区域成图的卫星成像任务规划方法，包括明确面向区域成图的多星成像任务规划的成图需求，在规定的时间内利用尽量少的卫星资源完成区域目标的全覆盖或几乎全覆盖；针对成图需求，对任务规划过程进行假设化简；完成面向区域成图的多星成像任务规划的成图需求到任务规划模型要素的转换，进行以下操作，
建立一个以成像条带侧摆角和该成像条带是否被选择为决策变量，以覆盖率最大和参与成像的条带数最小为目标函数，以光照时间和最大侧摆角为约束条件的多目标任务规划模型；
利用Vatti算法计算目标函数中成像条带有效覆盖面积；
利用改进的实数二进制混合LMOCSO算法计算构建的多目标任务规划模型，获得面向区域成图的多星成像任务规划方案，实现方式包括根据所有参与成像卫星各成像条带的侧摆角形成实数变量编码，根据条带是否被选择形成二进制编码，迭代过程中更新所有loser个体，其中对于实数变量采用LMOCSO算法的更新策略，对于二进制变量，速度更新策略与实数相同，位置更新策略基于sigmoid函数。
而且，所构建多目标任务规划模型的表达如下，
决策变量包括第一决策变量和第二决策变量，
所述第一决策变量表达如下，
x＝(x11,x12,···,xki,···,xKn)
其中，x是所有卫星成像条带侧摆角的集合，长度为M，M＝K×n；xki是卫星k第i次经过区域目标时，成像条带的侧摆角，k＝1,2,…,K，i＝1,2,…,n，其中K为卫星的总数，n为经过区域目标的次数；
所述第二决策变量表达如下，
其中，yki是判断侧摆角为xki的条带是否被选择的变量，如果被选择yki为1，否则为0；
目标函数包括第一目标函数和第二目标函数，
所述第一目标函数表达如下，
第一目标函数确保了成像区域覆盖率最大，Scov(x)为所有卫星参与成像条带的有效区域覆盖面积，Sobj为目标区域面积；
所述第二目标函数表达如下，
第二目标函数确保参与成像轨道数最少，使得卫星资源消耗最少；
约束条件包括第一约束条件和第二约束条件，
所述第一约束条件表达如下，
Tmin≤Tlocal≤Tmax
其中，Tlocal为当地时间，第一约束条件代表成像条带满足成像光照约束，光照约束的时间上限Tmax和下限Tmin根据不同卫星类型而相应设定；
所述第二约束条件表达如下，
-xmax≤xki≤xmax
其中，xmax是卫星传感器的最大侧摆范围，取正向飞行方向左侧摆，取负向右侧摆；第二约束条件代表不同卫星满足最大侧摆角约束。
而且，若为光学卫星，光照时间约束为当地时间06点到18点；若为SAR卫星，光照时间约束为全天时；若为夜光卫星，光照时间约束为18时到次日06时。
而且，利用vatti算法计算第一目标函数中成像条带有效覆盖面积，实现过程如下，
(1)首先把成像条带的边定义为目标区域左边LS、裁剪多边形左边LC、目标区域右边RS、和裁剪多边形右边RC四类；
(2)进行多个成像条带的求并运算，生成成像条带覆盖多边形；
(3)目标区域与成像条带覆盖多边形的求交运算，生成成像条带对目标区域的有效覆盖多边形；其中，LI代表目标区域与成像条带覆盖多边形的左中间点，RI代表右中间点，MN代表局部最小值点，MX代表举报最大值点；
(4)根据步骤(2)和(3)得到的目标区域成像覆盖多边形点序列，计算覆盖面积，进而得到目标区域覆盖率。
而且，利用改进的实数二进制混合LMOCSO算法计算构建的多目标任务规划模型，包括以下步骤，
(1)编码，包括实数变量编码，根据x11,x12,···,xki,···,xKn形成编码，染色体长度为所有参与成像卫星各成像条带的侧摆角的和M；以及二进制编码，长度同实数编码，如果条带被选择相应基因为1，否则为0；
(2)初始化，包括初始化父代种群和进化个体总数，种群中个体的初始化方式为根据步骤(1)中的编码方式进行随机初始化；
(3)计算种群中每个个体的适应度值，包括利用基于移位的密度估计策略方法计算个体适应度值；
(4)通过个体适应度值找出loser个体和winner个体；
(5)更新所有loser个体，实现如下，
对于实数变量，采用LMOCSO算法的更新策略；
其中，代表loser个体在第t代的速度，/>代表loser个体在第t代的位置，代表winner个体在第t代的位置，r0和r1是[0,1]范围内服从均匀随机分布的值，/>代表更新后loser个体在第t+1代的速度，/>代表更新后loser个体在第t+1代的位置；
对于二进制变量，速度更新策略与实数相同，位置更新策略基于sigmoid函数；
其中，S(·)是sigmoid函数，r2是[0,1]范围内服从均匀随机分布的值，vl(t)是loser个体二进制变量在第t代的速度，vl(t+1)是loser个体二进制变量在第t+1代的速度，xl(t)是loser个体二进制变量在第t代的位置，xl(t+1)是loser个体二进制变量在第t+1代的位置；
(6)所有个体进行变异操作，包括采用多项式变异；
(7)利用环境选择产生新的种群；
(8)判断是否满足迭代终止条件，若满足输出规划方案；如不满足返回步骤(3)。
而且，面向区域成图中，所述区域为省级以上目标区域。
本发明还提供一种面向区域成图的卫星成像任务规划系统，用于执行如上所述面向区域成图的卫星成像任务规划方法。
与现有技术相比，本申请包括以下优点：
本发明构建的面向区域目标成图的多目标优化模型，既适合单颗卫星又适合多星联合规划，对卫星种类与数目不做限制；采用vatti算法计算目标函数中的有效覆盖面积，相比传统格网法，既提高了运算速度又提高了计算精度，非常适合大区域目标的规划；改进LMOCSO算法，使其适合本专利模型的求解；改进的实数二进制混合LMOCSO算法不但适用于一般区域目标规划问题求解，更适用于大区域目标的规划问题求解。
本发明通过以成像条带侧摆角和成像条带是否被选择作为决策变量构建任务规划模型，可将区域分解、卫星资源配置统一纳入到规划模型。通过模型求解可直接得出同时考虑覆盖率和卫星资源利用率的区域分解方案和卫星资源配置方案，规划方案制定流程简单；在获取优化方案的过程中，区域分解结果和优化结果不断相互作用，共同产生优化结果，规划过程是个统一的过程，而非分步过程，且最终获得的优化结果不受区域分解精度影响；本发明更容易获取最佳的规划方案；本发明可以在满足用户需求覆盖率的同时，节约任务对卫星资源的消耗；本发明的两个目标函数互为约束，可以得到一组互不支配的解，进而满足不同偏好的决策需求。本发明技术方案能够用于大目标区域成图的卫星成像任务规划，例如省级或国家级以上目标区域，具有重要的市场价值。
附图说明
图1为本发明实施例的步骤流程图；
图2为本发明实施例成图需求到任务规划模型要素的转换；
图3为本发明实施例决策变量基因编码示意图，其中图3a为实数侧摆角编码示意图，图3b为二进制被编码选条带示意图；
图4为本发明实施例loser个体更新策略示意图，其中图4a为实数决策变量更新示意图，图4b为二进制变量位置更新图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明基于多星面向大区域目标的快速成图需求，考虑主要因素，忽略次要因素，对复杂的任务规划过程进行适当的假设化简，并完成从核心成图需求到规划模型要素的转换，建立了多星面向大区域成图的任务规划模型，提出了一种面向区域成图的多星成像任务规划方法。本发明是对现有技术的改进，为便于实施参考起见，实施例提供了完整的流程。
如图1所示，实施例提供的一种面向区域成图的多星成像任务规划方法，包括以下步骤：
步骤S1，明确面向区域成图的多星成像任务规划的成图需求，即在规定的时间内利用尽量少的卫星资源完成区域目标的全覆盖或几乎全覆盖；
区域目标不同于点目标，一颗卫星一次过境无法完成区域目标成像，通常需要一颗或多颗卫星的多次过境才能完成区域目标成像。传统上，区域影像仅由一颗卫星多次过境获得，但是，随着遥感卫星数量的快速增长以及区域遥感影像产品应用领域的不断拓展，用户对区域影像产品获取的时效性需求越来越高，按年生产、按季生产，甚至是按月生产。而且，高分辨率成像卫星幅宽有限，且短时间内过境次数有限，利用单颗卫星来获取区域影像时，常不能满足区域产品获取的时效性要求。因此，需要利用多颗传感器类型相同、分辨率相近卫星，在有限的规定的时间内，协同完成拼接成像。利用多星进行区域成图要比单星更加复杂，因为卫星灵活的机动性能使多星进行区域成像有大量的成像方案，如何选择“最优”的组合，合理的分配卫星资源以高效完成区域影像获取，比单星要复杂的多。例如，如果卫星资源得不到合理配置，会造成区域目标的部分出现重复观测，部分区域得不到观测的问题，浪费卫星资源甚至是无法满足区域成图的需求。因此，面向区域成图的多星成像任务规划的成图需求是在规定的时间内利用尽量少的卫星资源完成区域目标的全覆盖或几乎全覆盖。
步骤S2，针对步骤S1中的成图需求，考虑主要因素，忽略次要因素，对任务规划过程进行适当的假设化简；
由于多星联合任务规划已被证明是一个NP-hard问题，为获取面前区域成图的多星成像任务规划方案，本发明对多星区域成图的规划过程做如下假设化简：
(1)区域成图可视为单一任务，卫星在执行拍摄方案时仅执行该任务，而不考虑其他任务；
(2)对于区域目标，满足光照约束条件下，卫星过境期间均可实施成像；
(3)模型中侧摆角是连续变量，但卫星每次过境时侧摆角是固定值，且一圈仅过境一次，因此卫星姿态机动调整时间假设满足条件；
(4)不同侧摆角引起影像分辨率变化，在一定范围内认为是可以接受的；
(5)假设卫星满足存储和能量约束；
(6)每颗卫星假设只有一个有效载荷；
(7)不考虑天气。
步骤S3，基于步骤S1，完成面向区域成图的多星成像任务规划的成图需求到任务规划模型要素的转换，为任务规划模型构建做好准备；
模型是需求的数学化表达，为了建立一个简单、准确、有效的适用于区域目标多星任务规划模型，建模前需要对用户需求和任务规划需求进行详细分析及分解，即完成面向区域成图的多星成像任务规划的成图需求到任务规划模型要素的转换。
对于区域成图，用户需求主要有：成像目标区域、完成时间、获取区域影像类型(如光学、SAR、高光谱、夜光传感器等)及区域产品分辨率。相应地，任务规划需求有：多颗卫星传感器类型应相同、分辨率相近的传感器需求，规定时间内完成区域目标的全覆盖或几乎全覆盖的覆盖率需求，规定时间内用尽量少的卫星轨道数据完成区域成像任务的卫星资源需求。
根据上述需求可以转化为模型的不同组成部分。根据卫星传感器类型可以确定模型约束，包括侧摆机动约束和光照时间约束；根据成像区域、成像完成时间和卫星传感器可以确定模型输入，包括成像区域边界点坐标，规定时间内卫星轨道数据；根据卫星资源需求和模型输入确定模型决策变量，包括成像条带是否被选择和各成像条带侧摆角；根据卫星资源需求和覆盖率需求确定模型目标函数，包括覆盖率最大和被选成像条带数最少。用户需求和任务规划需求到规划模型的转换关系如图2所示。
步骤S4，基于步骤S2和步骤S3，建立一个以成像条带侧摆角和该成像条带是否被选择为决策变量，以覆盖率最大和参与成像的条带数最小为目标函数，以光照时间和最大侧摆角为约束条件的多目标任务规划模型；
在完成对多星区域成图规划过程的假设化简和成图需求到任务规划模型要素的转换后，本发明建立的区域目标多星任务规划模型的具体数学表达如下：
决策变量：
第一决策变量：
x＝(x11,x12,···,xki,···,xKn) (1)
x是所有卫星成像条带侧摆角的集合，长度为M，M＝K×n。xki是卫星k第i次经过区域目标时，成像条带的侧摆角，k＝1,2,…,K，i＝1,2,…,n，其中K为卫星的总数，n为经过区域目标的次数。xki是double类型的连续变量。通过优化后的xki可以获得卫星k的第i个成像条带，完成区域目标分解
第二决策变量：
yki是判断侧摆角为xki的条带是否被选择，如果被选择yki为1，否则为0。yki是二进制变量。通过yki可以确定卫星k的第i个条带是否参与成像，从而完成卫星资源分配
目标函数：
第一目标函数：
第一目标函数确保了成像区域覆盖率最大。Scov(x)为所有卫星参与成像条带的有效区域覆盖面积，Sobj为目标区域面积。
第二目标函数：
第二目标函数的确保参与成像轨道数最少，即卫星资源消耗最少。
和现有技术相比，本发明提出改进，将第一目标函数由求最大改为求最小，因为很多模型求解算法不适合同时求目标函数最大和最小，改为最小方便后面求解。
约束条件:
第一约束条件：
Tmin≤Tlocal≤Tmax (5)
其中，Tlocal为当地时间，第一约束条件代表成像条带满足成像光照约束，若为光学卫星，光照时间约束为当地时间06点到18点，若为SAR卫星，光照时间约束为全天时，若为夜光卫星，光照时间约束为18时到次日06时。即光照约束的时间上限Tmax和下限Tmin根据不同卫星类型而相应设定。
和现有技术相比，本发明将约束由光学卫星扩展到多种卫星类型。
第二约束条件：
-xmax≤xki≤xmax (6)
其中，xmax是卫星传感器的最大侧摆范围，取正向飞行方向左侧摆，取负向右侧摆。第二约束条件代表不同卫星满足最大侧摆角约束。
本发明建立的多目标优化模型具有特点：
(1)以条带侧摆角及条带是否被选择两种决策变量将区域分解、资源配置统一纳入到规划模型，通过模型求解可直接得出同时考虑覆盖率和资源利用率的区域分解和卫星资源配置方案，简化规划方案制定流程；
(2)在满足用户需求覆盖率的同时，节约任务对卫星资源的消耗；
(3)两个目标函数互为约束，可以得到一组互不支配的解，以满足不同偏好的决策需求。
步骤S5，利用Vatti算法计算步骤S4中的目标函数；
在建立好面向区域成图的多星任务规划模型之后，为方便后续模型求解，实施例先对两个目标函数进行计算。第二目标函数为参与成像条带的数目的累加，计算简单，这里不再叙述。然而，对于第一目标函数，Scov(x)是多个成像条带的有效覆盖面积。有效覆盖面积的计算需要成像条带之间的交点，成像条带与区域目标的交点共同完成，计算较为复杂。本发明将Vatti算法用于第一目标函数中Scov(x)的计算，相比传统格网法，计算效率有较大提高。
本发明利用Vatti算法计算有效覆盖面积，其计算过程如下：
(1)首先把成像条带的边定义为目标区域左边(Left Subject edge，LS)、裁剪多边形左边(Left Clip edge，LC)、目标区域右边(Right Subject edge，RS)、裁剪多边形右边(Right Clip edge，RC)四类；
(2)多个成像条带的求并运算，生成成像条带覆盖多边形。成像条带的求并运算规则如表1所示。
表1多成像条带求并运算规则
(3)目标区域与成像条带覆盖多边形的求交运算，生成成像条带对目标区域的有效覆盖多边形。目标区域与成像条带覆盖多边形求交运算规则如表2所示。
表2目标区域与成像条带覆盖多边形求交运算规则
其中，LI代表目标区域与成像条带覆盖多边形的左中间点，RI代表右中间点，MN代表局部最小值点，MX代表举报最大值点。
(4)根据步骤(2)和(3)得到的目标区域成像覆盖多边形点序列，即可计算覆盖面积，进而计算目标区域覆盖率。
Vatti算法是通过成像条带的有效覆盖区域边界点坐标计算覆盖面积，计算精度远远高于传统格网法，且计算效率较高。
步骤S6，利用改进的实数二进制混合LMOCSO算法计算步骤S4构建的多目标任务规划模型；
在明确目标函数的计算方法之后，可以进行面向区域成图的多星任务规划模型求解。不同于现有技术中采用利用多目标遗传算法NSGA-II计算步骤S4构建的多目标任务规划模型，本发明提出利用改进的实数二进制混合LMOCSO算法进行模型求解。LMOCSO算法原用来解决实数问题，并不能解决成像条带是否被选则的问题，通过本发明改进得以解决。
利用改进的实数二进制混合LMOCSO算法进行模型求解的基本步骤如下：
(1)编码。实数变量编码：根据x11,x12,···,xki,···,xKn形成编码，染色体长度为所有参与成像卫星各成像条带的侧摆角的和M；二进制编码：长度同实数编码，如果条带被选择相应基因为1，否则为0。决策变量的基因编码示意图如图3所示。其中图3a为实数侧摆角编码示意图，图3b为二进制被编码选条带示意图。
(2)初始化。初始化父代种群和进化个体总数，种群大小和进化个体总数的建议取值是160和10000，种群中个体的初始化方式为根据步骤(1)中的编码方式进行随机初始化。
(3)计算种群中每个个体的适应度值，本专利利用基于移位的密度估计策略方法。
其中，代表个体p的第i个目标函数值，/>代表个体q的第i个目标函数值，N代表目标函数的个数。q∈P\{p}表示个体q属于种群p除个体p外的群体，目的是进行个体p与种群p中的其他个体q进行fitness大小比较。
(4)通过个体适应度值找出loser个体(适应度较小的个体)和winner个体(适应度较大的个体)：从当前种群中随机选择两个个体p和q，如果Fitness(p)>Fitness(q)，则p是winner个体，q是loser个体，反之p是loser个体，q是winner个体，直到所有个体被判断。
(5)更新所有loser个体。
对于实数变量，采用LMOCSO算法的更新策略。
其中，代表loser个体在第t代的速度，/>代表loser个体在第t代的位置，代表winner个体在第t代的位置，r0和r1是[0,1]范围内服从均匀随机分布的值，/>代表更新后loser个体在第t+1代的速度，/>代表更新后loser个体在第t+1代的位置。图4a为Loser个体实数决策变量更新示意图。其中，/>为第t代loser个体位置与winner个体的差异。
对于二进制变量，速度更新策略与实数相同，位置更新策略基于sigmoid函数。
其中，S(·)是sigmoid函数，r2是[0,1]范围内服从均匀随机分布的值，vl(t)是loser个体二进制变量在第t代的速度，vl(t+1)是loser个体二进制变量在第t+1代的速度，xl(t)是loser个体二进制变量在第t代的位置，xl(t+1)是loser个体二进制变量在第t+1代的位置。图4b为二进制变量位置更新图。
(6)所有个体进行变异操作，本发明采用多项式变异。
(7)利用环境选择产生新的种群。
(8)判断是否满足迭代终止条件，若满足输出规划方案；如不满足返回步骤(3)重复迭代。
步骤S7，获得面向区域成图的多星成像任务规划方案。
通过步骤S6模型求解，得到面向区域成图的多星成像任务规划方案。得到的规划方案包括：
(1)哪些卫星的哪些成像条带参与成像；
(2)这些参与成像条带对应的时间窗口；
(3)成像条带的侧摆角。
本发明技术方案能够用于大目标区域成图的卫星成像任务规划，例如省级或国家级以上目标区域，例如湖北省(18.59万平方公里)。
为便于实施参考起见，现提出一个示例，成图需求为在2019年12月5日至2020年2月5日共63天内完成南极地区分辨率为25米的成像拍摄。根据成图需求，成像卫星选取高分三号的标准成像模式，本发明中用到的卫星及相应传感器参数如表3所示。
表3卫星及传感器参数
南极洲位于南纬63°以内，位置特殊，面积1400万平方千米，冰盖厚达4.8km，包含了世界上90％的淡水，对全球环境变化有重要影响。高分三号卫星持续成像时间长达800s，在假设卫星过境即成像的情况下，在规定时间内完成南极地区成像需要663个成像条带。采用本专利的方法，仅需449个成像条带即可完成南极地区的全覆盖。可以规划前后南极地区的成像覆盖情况。
采用本发明的方法在规定的时间内仅用449轨卫星资源即可完成南极地区的完全覆盖，相比较规划前，拍摄效率有较大提高，且节约了卫星资源。对于中低纬度区域，本发明也可取得较好结果。
以上对本申请所提供的一种面向区域成图的多星成像任务规划方法，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，运行方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种面向区域成图的卫星成像任务规划方法，包括明确面向区域成图的多星成像任务规划的成图需求，在规定的时间内利用尽量少的卫星资源完成区域目标的全覆盖或几乎全覆盖；针对成图需求，对任务规划过程进行假设化简；完成面向区域成图的多星成像任务规划的成图需求到任务规划模型要素的转换，其特征在于：进行以下操作，
建立一个以成像条带侧摆角和该成像条带是否被选择为决策变量，以覆盖率最大和参与成像的条带数最小为目标函数，以光照时间和最大侧摆角为约束条件的多目标任务规划模型；
利用Vatti算法计算目标函数中成像条带有效覆盖面积；
利用改进的实数二进制混合LMOCSO算法计算构建的多目标任务规划模型，获得面向区域成图的多星成像任务规划方案，实现方式包括根据所有参与成像卫星各成像条带的侧摆角形成实数变量编码，根据条带是否被选择形成二进制编码，迭代过程中更新所有loser个体，其中对于实数变量采用LMOCSO算法的更新策略，对于二进制变量，速度更新策略与实数相同，位置更新策略基于sigmoid函数；
所构建多目标任务规划模型的表达如下，
决策变量包括第一决策变量和第二决策变量，
所述第一决策变量表达如下，
x＝(x11,x12,…,xki,…,xKn)
其中，x是所有卫星成像条带侧摆角的集合，长度为M，M＝K×n；xki是卫星k第i次经过区域目标时，成像条带的侧摆角，k＝1,2,…,K，i＝1,2,…,n，其中K为卫星的总数，n为经过区域目标的次数；
所述第二决策变量表达如下，
其中，yki是判断侧摆角为xki的条带是否被选择的变量，如果被选择yki为1，否则为0；
目标函数包括第一目标函数和第二目标函数，
所述第一目标函数表达如下，
第一目标函数确保了成像区域覆盖率最大，Scov(x)为所有卫星参与成像条带的有效区域覆盖面积，Sobj为目标区域面积；
所述第二目标函数表达如下，
第二目标函数确保参与成像轨道数最少，使得卫星资源消耗最少；
约束条件包括第一约束条件和第二约束条件，
所述第一约束条件表达如下，
Tmin≤Tlocal≤Tmax
其中，Tlocal为当地时间，第一约束条件代表成像条带满足成像光照约束，光照约束的时间上限Tmax和下限Tmin根据不同卫星类型而相应设定；
所述第二约束条件表达如下，
-xmax≤xki≤xmax
其中，xmax是卫星传感器的最大侧摆范围，取正向飞行方向左侧摆，取负向右侧摆；第二约束条件代表不同卫星满足最大侧摆角约束；
利用vatti算法计算第一目标函数中成像条带有效覆盖面积，实现过程如下，
(1)首先把成像条带的边定义为目标区域左边LS、裁剪多边形左边LC、目标区域右边RS、和裁剪多边形右边RC四类；
(2)进行多个成像条带的求并运算，生成成像条带覆盖多边形；
(3)目标区域与成像条带覆盖多边形的求交运算，生成成像条带对目标区域的有效覆盖多边形；其中，LI代表目标区域与成像条带覆盖多边形的左中间点，RI代表右中间点，MN代表局部最小值点，MX代表举报最大值点；
(4)根据步骤(2)和(3)得到的目标区域成像覆盖多边形点序列，计算覆盖面积，进而得到目标区域覆盖率；
利用改进的实数二进制混合LMOCSO算法计算构建的多目标任务规划模型，包括以下步骤，
(1)编码，包括实数变量编码，根据x11,x12,…,xki,…,xKn形成编码，染色体长度为所有参与成像卫星各成像条带的侧摆角的和M；以及二进制编码，长度同实数编码，如果条带被选择相应基因为1，否则为0；
(2)初始化，包括初始化父代种群和进化个体总数，种群中个体的初始化方式为根据步骤(1)中的编码方式进行随机初始化；
(3)计算种群中每个个体的适应度值，包括利用基于移位的密度估计策略方法计算个体适应度值；
(4)通过个体适应度值找出loser个体和winner个体；
(5)更新所有loser个体，实现如下，
对于实数变量，采用LMOCSO算法的更新策略；
其中，代表loser个体在第t代的速度，/>代表loser个体在第t代的位置，/>代表winner个体在第t代的位置，r0和r1是[0,1]范围内服从均匀随机分布的值，/>代表更新后loser个体在第t+1代的速度，/>代表更新后loser个体在第t+1代的位置；
对于二进制变量，速度更新策略与实数相同，位置更新策略基于sigmoid函数；
其中，S(·)是sigmoid函数，r2是[0,1]范围内服从均匀随机分布的值，vl(t)是loser个体二进制变量在第t代的速度，vl(t+1)是loser个体二进制变量在第t+1代的速度，xl(t)是loser个体二进制变量在第t代的位置，xl(t+1)是loser个体二进制变量在第t+1代的位置；
(6)所有个体进行变异操作，包括采用多项式变异；
(7)利用环境选择产生新的种群；
(8)判断是否满足迭代终止条件，若满足输出规划方案；如不满足返回步骤(3)。
2.根据权利要求1所述面向区域成图的卫星成像任务规划方法，其特征在于：若为光学卫星，光照时间约束为当地时间06点到18点；若为SAR卫星，光照时间约束为全天时；若为夜光卫星，光照时间约束为18时到次日06时。
3.根据权利要求1或2所述面向区域成图的卫星成像任务规划方法，其特征在于：面向区域成图中，所述区域为省级以上目标区域。
4.一种面向区域成图的卫星成像任务规划系统，其特征在于：用于执行如权利要求1至3任一所述面向区域成图的卫星成像任务规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010756747.5A CN111897640B (zh) | 2020-07-31 | 2020-07-31 | 一种面向区域成图的卫星成像任务规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010756747.5A CN111897640B (zh) | 2020-07-31 | 2020-07-31 | 一种面向区域成图的卫星成像任务规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111897640A CN111897640A (zh) | 2020-11-06 |
| CN111897640B true CN111897640B (zh) | 2024-02-02 |
Family
ID=73182835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010756747.5A Active CN111897640B (zh) | 2020-07-31 | 2020-07-31 | 一种面向区域成图的卫星成像任务规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111897640B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112529317B (zh) * | 2020-12-17 | 2024-06-18 | 中国科学院空天信息创新研究院 | 卫星成像任务规划方法、装置、电子设备及存储介质 |
| 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 |
| CN114547847B (zh) * | 2022-01-06 | 2022-09-30 | 贵州师范学院 | 基于平方公里格网系统的遥感卫星数据源解算方法 |
| CN115909083B (zh) * | 2022-10-31 | 2023-08-08 | 中国科学院软件研究所 | 卫星对地观测离散兴趣点聚类规划方法及装置 |
| CN115828983B (zh) * | 2022-11-15 | 2023-08-08 | 中国科学院软件研究所 | 离散兴趣点网格化对地观测规划方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109409775A (zh) * | 2018-11-14 | 2019-03-01 | 中国电子科技集团公司第五十四研究所 | 一种卫星联合观测任务规划方法 |
| CN109523025A (zh) * | 2018-11-09 | 2019-03-26 | 北京理工大学 | 针对地面区域目标的多星连续观测规划调度方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8126795B2 (en) * | 2004-02-20 | 2012-02-28 | General Electric Company | Systems and methods for initial sampling in multi-objective portfolio analysis |
| IT201700056428A1 (it) * | 2017-05-24 | 2018-11-24 | Telespazio Spa | Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione |
-
2020
- 2020-07-31 CN CN202010756747.5A patent/CN111897640B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523025A (zh) * | 2018-11-09 | 2019-03-26 | 北京理工大学 | 针对地面区域目标的多星连续观测规划调度方法 |
| CN109409775A (zh) * | 2018-11-14 | 2019-03-01 | 中国电子科技集团公司第五十四研究所 | 一种卫星联合观测任务规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| A Multi-Objective Modeling Method of Multi-Satellite Imaging Task Planning for large Regional Mapping;Yaxin Chen等;MDPI;全文 * |
| 应用近似算法的光学遥感卫星区域目标成像任务规划方法;史良树;黄鹏;战鹰;朱政霖;马广彬;航天器工程;第26卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111897640A (zh) | 2020-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111897640B (zh) | 一种面向区域成图的卫星成像任务规划方法及系统 | |
| CN110400002B (zh) | 一种多星成像任务规划方法 | |
| CN109059931B (zh) | 一种基于多智能体强化学习的路径规划方法 | |
| CN106969778B (zh) | 一种多无人机协同施药的路径规划方法 | |
| CN106648852B (zh) | 基于双蚁群的多星任务调度方法和装置 | |
| CN110412869B (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
| CN108268735A (zh) | 基于多源遥感卫星融合数据的地表土壤水分降尺度方法 | |
| CN109767128B (zh) | 基于机器学习的成像卫星自主任务规划方法 | |
| CN113487221B (zh) | 面向动态目标观测的空天异构对地观测资源协同调度方法 | |
| CN112529317B (zh) | 卫星成像任务规划方法、装置、电子设备及存储介质 | |
| CN111950873A (zh) | 基于深度强化学习的卫星实时引导任务规划方法及系统 | |
| CN111968240A (zh) | 基于主动学习的摄影测量网格的三维语义标注方法 | |
| CN111598473A (zh) | 面向复杂观测任务的多平台联合任务规划方法 | |
| CN113190038B (zh) | 一种无人机集群空中区域侦察任务的分配方法 | |
| CN115860269B (zh) | 一种基于三重注意力机制的农作物产量预测方法 | |
| CN105426964B (zh) | 一种卫星成像与传输的联合任务规划方法 | |
| CN111625016A (zh) | 植保无人机作业优化方法、装置、系统及可读存储介质 | |
| CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
| 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 | |
| Qi et al. | A cooperative autonomous scheduling approach for multiple earth observation satellites with intensive missions | |
| CN116611630A (zh) | 基于全球地理板块的遥感卫星自主任务规划方法及系统 | |
| CN115861827B (zh) | 作物水肥胁迫的决策方法、装置及手机终端 | |
| CN117076819A (zh) | 融合星载gnss-r和多源rs数据协同反演地表土壤水分和植被含水量的方法 | |
| CN108985154B (zh) | 基于影像聚集度的小尺寸地物亚像元定位方法和系统 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 |
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 |