CN114646299A - 一种基于大型无人机增强态势感知的多源遥感数据获取与处理方法 - Google Patents

一种基于大型无人机增强态势感知的多源遥感数据获取与处理方法 Download PDF

Info

Publication number
CN114646299A
CN114646299A CN202011499991.4A CN202011499991A CN114646299A CN 114646299 A CN114646299 A CN 114646299A CN 202011499991 A CN202011499991 A CN 202011499991A CN 114646299 A CN114646299 A CN 114646299A
Authority
CN
China
Prior art keywords
data
unmanned aerial
aerial vehicle
remote sensing
situation awareness
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.)
Pending
Application number
CN202011499991.4A
Other languages
English (en)
Inventor
李铁军
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.)
Space Geodata Beijing Co ltd
Original Assignee
Space Geodata Beijing Co ltd
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 Space Geodata Beijing Co ltd filed Critical Space Geodata Beijing Co ltd
Priority to CN202011499991.4A priority Critical patent/CN114646299A/zh
Publication of CN114646299A publication Critical patent/CN114646299A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提出了一种基于大型无人机增强态势感知的多源遥感数据获取与处理方法，首先，在大型无人机A上安装高精度POS(GNSS/IMU)系统B，并将合成孔径雷达C、激光雷达D、高光谱成像仪E、热红外成像仪F、高分视频相机G和倾斜摄影相机H以及环境监测传感器I等与B深度集成后挂载到A的底部，然后，对大型无人机A进行必要的技改，增强其机载数据通信、机上数据处理及数据中心的能力，对可能存在的风险区域L进行多源遥感数据获取与处理并实现态势感知和风险监测预测。本发明比当前的态势感知和风险监测预测方法有显著增强：(1)采用的多源遥感器，可在各种天候条件下昼夜获得数据。(2)态势感知和风险监测预测既精准又可靠。(3)作业效率高。

Description

一种基于大型无人机增强态势感知的多源遥感数据获取与处 理方法
技术领域
本发明涉及无人机技术领域，具体为基于大型无人机增强态势感知的多源遥感数据获取与处理方法。
背景技术
大型无人机技术兴起，已经在许多领域取得良好的应用，但是更多的应用主要体现在，已采取其他方法对应用对象构成确定性的态势感知或风险监测预测信息后，利用大型无人机超长航时、远距离机动等特点，到达应用对象区域进行针对性数据获取或实施具体的应对措施等作业。
随着遥感技术的持续进步，多源遥感数据获取，已成为非常重要的研究热点，但是，至今，仍还没有形成超过4种类型的遥感器集成到一个飞行器平台开展实战化应用平台，究其原因，主要是过往的应用对多源遥感的需求不足够迫切以及单遥感器或不超过4种类型的遥感器集成已基本上满足一般遥感应用需求。
针对当前应急管理对自然灾害态势感知、风险监测预测的迫切需求，以及大型无人机在多源遥感集成应用方面存在的问题，急需一种能够克服上述缺陷，能够及时有效且增强态势感知能力。
发明内容
为了解决现有技术存在的态势感知精准低、作业效率低、时效性差等技术问题，本发明提出了一种于大型无人机增强态势感知的多源遥感数据获取与处理方法，不仅能够提供秒级、分钟级、小时级等不同时效和类型(专题)的态势数据，而且可适应多种灾害类型、地理环境和气候条件的实战化应用需求。
为了实现上述目的，本发明的技术方案是：
基于大型无人机增强态势感知的多源遥感数据获取与处理方法，所述大型无人机A，包括在大型无人机A上安装高精度POS(GNSS/IMU) 系统B，其中，GNSS航空天线安装在A机背上，并将合成孔径雷达C、激光雷达系统D、高光谱成像仪E、热红外成像仪F、高分视频相机G 和倾斜摄影相机H以及必要的环境监测传感器I等与B深度集成后挂载到大型无人机A的底部，在此基础上，对大型无人机A进行必要的技改：(1)技改机载卫星通信数据链，并增配局域图传数据链和高速局域网等实现A机载数据上下传等通信能力增强；(2)A具备必要的机上数据处理能力增强；(3)基地J数据中心或者(车载)现场方舱K 数据中心等具备实现数据存储(云服务)、数据查询检索、数据编解码、在线数据处理、快速数据处理、高精准数据处理、多源数据融合分析、深度智能化理解及数据分发等能力支撑的软硬件条件。
基于在A上搭载由C、D、E、F、G、H以及I等与B深度集成的多源遥感系统，且在增强的A机载数据通信能力、机上数据处理能力及J、K数据中心的能力支持下，对可能存在的风险管控区域L进行多源遥感数据获取与处理并对L实现态势感知和风险监测预测能力，比当前的态势感知和风险监测预测方法有显著增强：
(1)采用的多源遥感器，可在各种天候条件下昼夜获得数据。
(2)态势感知和风险监测预测既精准又可靠。
(3)作业效率高。
基于大型无人机增强态势感知的多源遥感数据获取与处理方法，包括如下步骤：
步骤1、在大型无人机A上安装高精度POS(GNSS/IMU)系统B，其中，GNSS航空天线安装在A机背上，以保证GNSS航空天线不受干扰且良好接收到GNSS信号。
步骤2、将合成孔径雷达C、激光雷达系统D、高光谱成像仪E、热红外成像仪F、高分视频相机G和倾斜摄影相机H以及必要的环境监测传感器I等与B深度集成后挂载到大型无人机A的底部，形成大型无人机A机载多源遥感系统，用于多源遥感数据获取作业。
步骤3、为提高多源遥感数据获取作业效率以及作业成果的精准度，大型无人机A搭载多源遥感系统进行数据获取作业，应充分做好以下几个方面：
(1)在L区域内地面架设1个或多个GNSS基站进行同步数据观测，以用于机载POS系统事后差分或者实时RTK计算，原则上，数据观测频率不低于1Hz。
(2)也可与我国各类CORS观测数据(如省自然资源CORS系统及其他部门的CORS系统等)对接，进行必要技术参数设置，达到(1) 的性能。
(3)根据实际情况，也可不必考虑(1)和(2)，而通过采用精密星历处理机载POS数据。
(4)大型无人机A起飞前和降落后应至少保持10分钟的POS 系统正常开机状态。
(5)大型无人机A每架次进入首航线前和离开末航线后，均应做8字或十字飞行动作，以利于后续的POS系统之IMU计算瞬态姿态的精准度。
(6)作业前，应进行航线设计并优化，充分保证各遥感器的航向重叠、旁向重叠、空间分辨率等符合L区域的态势感知和风险监测预测需求。
(7)作业过程中，可根据实际情况，重新调整航线，进行补充飞行或者敏感地区、重点险情监测等。
步骤4、步骤2中C、D、E、F、G、H以及I等与B深度集成，原则上由两种方法构成：第一种方法是仅一套POS系统B与C、D、E、 F、G、H以及I等捷联形成刚性系统，第二种方法是采用一个GNSS航空天线通过一对多功分器与多于1个以上POS系统如B1、B2、……等进行连接，而B1、B2、……等多个POS系统既可1对1与C、D、E、F、G、H以及I等分别捷联，也可1对多与C、D、E、F、G、H以及I等捷联，而形成刚性系统。
步骤5、步骤4中第一种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态位置信息，可以通过如下方法计算：
(1)POS系统B中的GNSS数据与在L区域内地面架设的1个或多个GNSS基站同步观测数据进行事后差分或者实时RTK计算，获得高精度的数据获取瞬态位置信息以及航迹信息等。
(2)POS系统B中的GNSS数据与我国各类CORS观测数据进行事后差分或者实时RTK计算，获得高精度的数据获取瞬态位置信息以及航迹信息等。
(3)利用精密星历对POS系统B中的GNSS数据进行处理，获得高精度的数据获取瞬态位置信息以及航迹信息等。
步骤6、步骤4中第二种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态位置信息，可分别参照步骤5进行计算。
步骤7、步骤4中第一种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态姿态信息，可利用计算出的POS系统B高精度位置信息对IMU进行高精度对准，从而输出C、D、E、F、G、H以及I等遥感器数据获取的瞬态姿态信息。
步骤8、步骤4中第二种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态姿态信息，可分别参照步骤7进行计算。
步骤9、利用增强的机载通信能力、机上数据处理能力，在J、 K数据中心可收到必要的实时数据，进行快速处理，与L区域内已有的空间数据以及其他来源的信息等进行叠加、融合分析，可实时显示L 区域内的风险监测及态势信息。
步骤10、在J、K数据中心，根据降落后A获得的全部多源数据，实现数据存储(云服务)、数据查询检索、数据编解码、在线数据处理、快速数据处理、高精准数据处理、多源数据融合分析、深度智能化理解及数据分发，生成数字表面模型(DSM)、数字高程模型(DEM)、正射影像(DOM)、真正射影像(TDOM)、实景三维模型、激光雷达点云、激光能量反射强度图、高光谱特性曲线、热红外图以及火情风险、水情风险、滑坡风险、地表沉降风险、病虫害风险等专题数据等，可提供秒级、分钟级、小时级等不同时效和类型(专题)的态势数据，适应多种灾害类型、地理环境和气候条件的实战化应用需求。
步骤11、重复步骤3至步骤10，实现态势感知常态化。
有益效果：本发明通过在大型无人机A上上安装高精度POS (GNSS/IMU)系统B(其中，GNSS航空天线安装在A机背上)，将合成孔径雷达C、激光雷达系统D、高光谱成像仪E、热红外成像仪F、高分视频相机G和倾斜摄影相机H以及必要的环境监测传感器I等与B 深度集成后挂载到大型无人机A的底部，在此基础上，形成由C、D、E、 F、G、H以及I等与B深度集成的多源遥感系统，且在增强的A机载数据通信能力、机上数据处理能力及J、K数据中心的能力支持下，对可能存在的风险管控区域L进行多源遥感数据获取与处理并对L实现态势感知和风险监测预测能力。本发明比当前的态势感知和风险监测预测方法有显著增强：
(1)采用的多源遥感器，可在各种天候条件下昼夜获得数据。
(2)态势感知和风险监测预测既精准又可靠。
(3)作业效率高。
附图说明
图1是本发明的工作原理示意图。
图2是本发明的连接方式示意图。
图3是本发明的工作流程示意图。
具体实施方式
下面结合附图对本发明的实施方式进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部得实施例。
如图1和图2所示，基于大型无人机增强态势感知的多源遥感数据获取与处理方法，所述大型无人机A，包括在大型无人机A上安装高精度POS(GNSS/IMU)系统B，其中，GNSS航空天线安装在A机背上，并将合成孔径雷达C、激光雷达系统D、高光谱成像仪E、热红外成像仪F、高分视频相机G和倾斜摄影相机H以及必要的环境监测传感器I等与B深度集成后挂载到大型无人机A的底部，在此基础上，对大型无人机A进行必要的技改：(1)技改机载卫星通信数据链，并增配局域图传数据链和高速局域网等实现A机载数据上下传等通信能力增强；(2)A具备必要的机上数据处理能力增强；(3)基地J数据中心或者(车载)现场方舱K数据中心等具备实现数据存储(云服务)、数据查询检索、数据编解码、在线数据处理、快速数据处理、高精准数据处理、多源数据融合分析、深度智能化理解及数据分发等能力支撑的软硬件条件。
基于在A上搭载由C、D、E、F、G、H以及I等与B深度集成的多源遥感系统，且在增强的A机载数据通信能力、机上数据处理能力及J、K数据中心的能力支持下，对可能存在的风险管控区域L进行多源遥感数据获取与处理并对L实现态势感知和风险监测预测能力，比当前的态势感知和风险监测预测方法有显著增强：
(1)采用的多源遥感器，可在各种天候条件下昼夜获得数据。
(2)态势感知和风险监测预测既精准又可靠。
(3)作业效率高。
如图3所示，基于大型无人机增强态势感知的多源遥感数据获取与处理方法，包括如下步骤：
步骤1、在大型无人机A上安装高精度POS(GNSS/IMU)系统B，其中，GNSS航空天线安装在A机背上，以保证GNSS航空天线不受干扰且良好接收到GNSS信号。
步骤2、将合成孔径雷达C、激光雷达系统D、高光谱成像仪E、热红外成像仪F、高分视频相机G和倾斜摄影相机H以及必要的环境监测传感器I等与B深度集成后挂载到大型无人机A的底部，形成大型无人机A机载多源遥感系统，用于多源遥感数据获取作业。
步骤3、为提高多源遥感数据获取作业效率以及作业成果的精准度，大型无人机A搭载多源遥感系统进行数据获取作业，应充分做好以下几个方面：
(1)在L区域内地面架设1个或多个GNSS基站进行同步数据观测，以用于机载POS系统事后差分或者实时RTK计算，原则上，数据观测频率不低于1Hz。
(2)也可与我国各类CORS观测数据(如省自然资源CORS系统及其他部门的CORS系统等)对接，进行必要技术参数设置，达到(1) 的性能。
(3)根据实际情况，也可不必考虑(1)和(2)，而通过采用精密星历处理机载POS数据。
(4)大型无人机A起飞前和降落后应至少保持10分钟的POS 系统正常开机状态。
(5)大型无人机A每架次进入首航线前和离开末航线后，均应做8字或十字飞行动作，以利于后续的POS系统之IMU计算瞬态姿态的精准度。
(6)作业前，应进行航线设计并优化，充分保证各遥感器的航向重叠、旁向重叠、空间分辨率等符合L区域的态势感知和风险监测预测需求。
(7)作业过程中，可根据实际情况，重新调整航线，进行补充飞行或者敏感地区、重点险情监测等。
步骤4、步骤2中C、D、E、F、G、H以及I等与B深度集成，原则上由两种方法构成：第一种方法是仅一套POS系统B与C、D、E、F、G、H以及I等捷联形成刚性系统，第二种方法是采用一个GNSS航空天线通过一对多功分器与多于1个以上POS系统如B1、B2、……等进行连接，而B1、B2、……等多个POS系统既可1对1与C、D、E、F、 G、H以及I等分别捷联，也可1对多与C、D、E、F、G、H以及I等捷联，而形成刚性系统。
步骤5、步骤4中第一种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态位置信息，可以通过如下方法计算：
(1)POS系统B中的GNSS数据与在L区域内地面架设的1个或多个GNSS基站同步观测数据进行事后差分或者实时RTK计算，获得高精度的数据获取瞬态位置信息以及航迹信息等。
(2)POS系统B中的GNSS数据与我国各类CORS观测数据进行事后差分或者实时RTK计算，获得高精度的数据获取瞬态位置信息以及航迹信息等。
(3)利用精密星历对POS系统B中的GNSS数据进行处理，获得高精度的数据获取瞬态位置信息以及航迹信息等。
步骤6、步骤4中第二种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态位置信息，可分别参照步骤5进行计算。
步骤7、步骤4中第一种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态姿态信息，可利用计算出的POS系统B高精度位置信息对IMU进行高精度对准，从而输出C、D、E、F、G、H以及I 等遥感器数据获取的瞬态姿态信息。
步骤8、步骤4中第二种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态姿态信息，可分别参照步骤7进行计算。
步骤9、利用增强的机载通信能力、机上数据处理能力，在J、K 数据中心可收到必要的实时数据，进行快速处理，与L区域内已有的空间数据以及其他来源的信息等进行叠加、融合分析，可实时显示L区域内的风险监测及态势信息。
步骤10、在J、K数据中心，根据降落后A获得的全部多源数据，实现数据存储(云服务)、数据查询检索、数据编解码、在线数据处理、快速数据处理、高精准数据处理、多源数据融合分析、深度智能化理解及数据分发，生成数字表面模型(DSM)、数字高程模型(DEM)、正射影像(DOM)、真正射影像(TDOM)、实景三维模型、激光雷达点云、激光能量反射强度图、高光谱特性曲线、热红外图以及火情风险、水情风险、滑坡风险、地表沉降风险、病虫害风险等专题数据等，可提供秒级、分钟级、小时级等不同时效和类型(专题)的态势数据，适应多种灾害类型、地理环境和气候条件的实战化应用需求。
步骤11、重复步骤3至步骤10，实现态势感知常态化。
本发明的工作原理：通过在大型无人机A上上安装高精度POS (GNSS/IMU)系统B(其中，GNSS航空天线安装在A机背上)，将合成孔径雷达C、激光雷达系统D、高光谱成像仪E、热红外成像仪F、高分视频相机G和倾斜摄影相机H以及必要的环境监测传感器I等与B 深度集成后挂载到大型无人机A的底部，在此基础上，形成由C、D、 E、F、G、H以及I等与B深度集成的多源遥感系统，且在增强的A机载数据通信能力、机上数据处理能力及J、K数据中心的能力支持下，对可能存在的风险管控区域L进行多源遥感数据获取与处理并对L实现态势感知和风险监测预测能力。比当前的态势感知和风险监测预测方法有显著增强：
(1)采用的多源遥感器，可在各种天候条件下昼夜获得数据。
(2)态势感知和风险监测预测既精准又可靠。
(3)作业效率高。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
应当理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明，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 (12)

1.基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，具体步骤为：
步骤1、在大型无人机A上安装高精度POS(GNSS/IMU)系统B，其中，GNSS航空天线安装在A机背上，以保证GNSS航空天线不受干扰且良好接收到GNSS信号。
步骤2、将合成孔径雷达C、激光雷达系统D、高光谱成像仪E、热红外成像仪F、高分视频相机G和倾斜摄影相机H以及必要的环境监测传感器I等与B深度集成后挂载到大型无人机A的底部，形成大型无人机A机载多源遥感系统，用于多源遥感数据获取作业。
步骤3、为提高多源遥感数据获取作业效率以及作业成果的精准度，大型无人机A搭载多源遥感系统进行数据获取作业，应充分做好以下几个方面：
(1)在L区域内地面架设1个或多个GNSS基站进行同步数据观测，以用于机载POS系统事后差分或者实时RTK计算，原则上，数据观测频率不低于1Hz。
(2)也可与我国各类CORS观测数据(如省自然资源CORS系统及其他部门的CORS系统等)对接，进行必要技术参数设置，达到(1)的性能。
(3)根据实际情况，也可不必考虑(1)和(2)，而通过采用精密星历处理机载POS数据。
(4)大型无人机A起飞前和降落后应至少保持10分钟的POS系统正常开机状态。
(5)大型无人机A每架次进入首航线前和离开末航线后，均应做8字或十字飞行动作，以利于后续的POS系统之IMU计算瞬态姿态的精准度。
(6)作业前，应进行航线设计并优化，充分保证各遥感器的航向重叠、旁向重叠、空间分辨率等符合L区域的态势感知和风险监测预测需求。
(7)作业过程中，可根据实际情况，重新调整航线，进行补充飞行或者敏感地区、重点险情监测等。
步骤4、步骤2中C、D、E、F、G、H以及I等与B深度集成，原则上由两种方法构成：第一种方法是仅一套POS系统B与C、D、E、F、G、H以及I等捷联形成刚性系统，第二种方法是采用一个GNSS航空天线通过一对多功分器与多于1个以上POS系统如B1、B2、……等进行连接，而B1、B2、……等多个POS系统既可1对1与C、D、E、F、G、H以及I等分别捷联，也可1对多与C、D、E、F、G、H以及I等捷联，而形成刚性系统。
步骤5、步骤4中第一种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态位置信息，可以通过如下方法计算：
(1)POS系统B中的GNSS数据与在L区域内地面架设的1个或多个GNSS基站同步观测数据进行事后差分或者实时RTK计算，获得高精度的数据获取瞬态位置信息以及航迹信息等。
(2)POS系统B中的GNSS数据与我国各类CORS观测数据进行事后差分或者实时RTK计算，获得高精度的数据获取瞬态位置信息以及航迹信息等。
(3)利用精密星历对POS系统B中的GNSS数据进行处理，获得高精度的数据获取瞬态位置信息以及航迹信息等。
步骤6、步骤4中第二种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态位置信息，可分别参照步骤5进行计算。
步骤7、步骤4中第一种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态姿态信息，可利用计算出的POS系统B高精度位置信息对IMU进行高精度对准，从而输出C、D、E、F、G、H以及I等遥感器数据获取的瞬态姿态信息。
步骤8、步骤4中第二种方法，C、D、E、F、G、H以及I等遥感器数据获取的瞬态姿态信息，可分别参照步骤7进行计算。
步骤9、利用增强的机载通信能力、机上数据处理能力，在J、K数据中心可收到必要的实时数据，进行快速处理，与L区域内已有的空间数据以及其他来源的信息等进行叠加、融合分析，可实时显示L区域内的风险监测及态势信息。
步骤10、在J、K数据中心，根据降落后A获得的全部多源数据，实现数据存储(云服务)、数据查询检索、数据编解码、在线数据处理、快速数据处理、高精准数据处理、多源数据融合分析、深度智能化理解及数据分发，生成数字表面模型(DSM)、数字高程模型(DEM)、正射影像(DOM)、真正射影像(TDOM)、实景三维模型、激光雷达点云、激光能量反射强度图、高光谱特性曲线、热红外图以及火情风险、水情风险、滑坡风险、地表沉降风险、病虫害风险等专题数据等，可提供秒级、分钟级、小时级等不同时效和类型(专题)的态势数据，适应多种灾害类型、地理环境和气候条件的实战化应用需求。
步骤11、重复步骤3至步骤10，实现态势感知常态化。
2.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，步骤1至步骤8中关于POS系统安装及有关作业等，POS系统B可通过GNSS事后差分、实时RTK或精密星历方法计算出各遥感器数据获取的高精度瞬态位置信息，并由此对IMU进行对准，计算出各遥感器数据获取的高精度瞬态姿态信息。
3.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，机载合成孔径雷达C可适应多种灾害类型、地理环境和气候条件进行数据获取作业，并可获取到高分辨率的合成孔径雷达影像和高程数据等。
4.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，机载激光雷达系统D可不受光照条件约束昼夜获取L区域内高精度的激光点云数据及激光能量反射强度图等。
5.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，高光谱成像仪E可获得L区域不少于200个波段数的光谱信息，不仅为地形地物分类进行客观化分类提供数据分析基础，而且可通过数据反演计算为火灾、水灾、矿山异常、地质异常、病虫害等险情提供数据分析基础。
6.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，热红外成像仪F可获得L区域的热红外效应数据，利于监测热红外效应相关险情及态势状况。
7.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，高分视频相机G可实时输出敏感地区、重点险情监测情况，并进行实时叠加、融合分析，实现态势感知可视化。
8.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，倾斜摄影相机H可建立敏感地区、重点险情监测的高分辨率、高精度实景三维模型，以利于全维度评价险情和态势，特别是对风险监测预测能力的显著增强。
9.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，环境监测传感器I可实时传送到J、K数据中心，并与其他来源数据进行融合分析，进一步提高态势感知和风险监测预测的可靠性。
10.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，机载合成孔径雷达C、激光雷达系统D、高光谱成像仪E、热红外成像仪F、高分视频相机G和倾斜摄影相机H以及必要的环境监测传感器I等因各种原因而部分不能获得数据，也能够对L区域实现态势感知和风险监测预测能力。
11.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，步骤9中，利用增强的机载通信能力、机上数据处理能力，在J、K数据中心可收到必要的实时数据，与L区域内已有的空间数据以及其他来源的信息等进行叠加、融合分析，可实时显示L区域内的风险监测及态势信息。对可能存在的风险管控区域L进行多源遥感数据获取与处理并对L实现态势感知和风险监测预测能力。本发明比当前的态势感知和风险监测预测方法有显著增强：
(1)采用的多源遥感器，可在各种天候条件下昼夜获得数据。
(2)态势感知和风险监测预测既精准又可靠。
(3)作业效率高。
12.根据权利要求1所述的基于大型无人机增强态势感知的多源遥感数据获取与处理方法，其特征在于，步骤10中，在J、K数据中心，根据降落后A获得的全部多源数据，可提供秒级、分钟级、小时级等不同时效和类型(专题)的态势数据，适应多种灾害类型、地理环境和气候条件的实战化应用需求。
CN202011499991.4A 2020-12-18 2020-12-18 一种基于大型无人机增强态势感知的多源遥感数据获取与处理方法 Pending CN114646299A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011499991.4A CN114646299A (zh) 2020-12-18 2020-12-18 一种基于大型无人机增强态势感知的多源遥感数据获取与处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011499991.4A CN114646299A (zh) 2020-12-18 2020-12-18 一种基于大型无人机增强态势感知的多源遥感数据获取与处理方法

Publications (1)

Publication Number Publication Date
CN114646299A true CN114646299A (zh) 2022-06-21

Family

ID=81990989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011499991.4A Pending CN114646299A (zh) 2020-12-18 2020-12-18 一种基于大型无人机增强态势感知的多源遥感数据获取与处理方法

Country Status (1)

Country Link
CN (1) CN114646299A (zh)

Similar Documents

Publication Publication Date Title
Giordan et al. The use of remotely piloted aircraft systems (RPASs) for natural hazards monitoring and management
CN103942941B (zh) 基于gis的移动监测融合平台
US9784836B2 (en) System for monitoring power lines
CN203786891U (zh) 基于gis的移动监测融合平台
Eisenbeiss A mini unmanned aerial vehicle (UAV): system overview and image acquisition
US20030210168A1 (en) System and method of simulated image reconstruction
Changchun et al. The research on unmanned aerial vehicle remote sensing and its applications
Womble et al. Multi-scale remote sensing of tornado effects
CN110503806A (zh) 一种铁路网安全预警方法及系统
CN116308944B (zh) 一种面向应急救援的数字战场实战指控平台及架构
Chiabrando et al. Uav direct georeferencing approach in an emergency mapping context. the 2016 central Italy earthquake case study
WO2022107619A1 (ja) データ解析装置および方法、並びに、プログラム
WO2022107620A1 (ja) データ解析装置および方法、並びに、プログラム
Cerreta et al. UAS for public safety operations: A comparison of UAS point clouds to terrestrial LIDAR point cloud data using a FARO scanner
CN117253341A (zh) 基于北斗与高分遥感技术的路域灾害监测预警方法与系统
CN114646299A (zh) 一种基于大型无人机增强态势感知的多源遥感数据获取与处理方法
Witek et al. An experimental approach to verifying prognoses of floods using an unmanned aerial vehicle
Onwudinjo et al. Estimating the performance of multi-rotor unmanned aerial vehicle structure-from-motion (UAVsfm) imagery in assessing homogeneous and heterogeneous forest structures: a comparison to airborne and terrestrial laser scanning
US20220230266A1 (en) Image management method and data structure of metadata
Toschi et al. Geomatics mapping of natural hazards: overview and experiences
Coppock et al. Real-time creation and dissemination of digital elevation mapping products using total sight flash LiDAR
CN112419226A (zh) 一种铁路外部环境隐患监控系统及方法
Wilkinson et al. How can new technologies help us with earthquake reconnaissance?
Li et al. Terrestrial mobile mapping towards real-time geospatial data collection
Ward et al. Assessment of LIDAR-and photogrammetry-based airfield roughness profiling techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication