CN115631423A - 顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法 - Google Patents
顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法 Download PDFInfo
- Publication number
- CN115631423A CN115631423A CN202210702495.7A CN202210702495A CN115631423A CN 115631423 A CN115631423 A CN 115631423A CN 202210702495 A CN202210702495 A CN 202210702495A CN 115631423 A CN115631423 A CN 115631423A
- Authority
- CN
- China
- Prior art keywords
- satellite
- prediction
- orbit
- coverage
- cloud
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/56—Information retrieval; Database structures therefor; File system structures therefor of still image data having vectorial format
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及卫星遥感影像相关领域,公开了一种顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,通过轨道预测TLE参数更新、轨道预测计算、幅宽缓冲区设置、覆盖区域轨道截断、气象预测云图关联、卫星测摆参数模拟以及预测结果有效覆盖率计算等步骤设置,引入气象云图辅助数据来更好的展示遥感卫星预测轨道的有效覆盖区域,充分考虑了卫星轨道倾角的卫星的可覆盖面积,从而构建了一套顾及气象预测云图和传感器测摆模型的卫星拍摄有效覆盖率的方法,彻底解决了预测拍摄方案的有效覆盖率无法量化的问题。
Description
技术领域
本发明涉及卫星遥感影像相关领域,具体是顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法。
背景技术
近年来,与卫星遥感相关的数字新产品、新服务不断涌现,产业迎来爆发式增长的历史机遇,卫星遥感已成为创新发展的重要领域。随着生态文明建设和绿色经济的快速发展,遥感将在资源调查、专项普查、环境监测、生态修复、空间规划、国土空间用途管制、确权登记、动态执法、离任审计等领域得到更广泛和深入的应用,遥感数据需求呈爆发式增长态势;遥感影像数据高效规划和拍摄保障意义重大,因此研制一款能够高效实时辅助卫星拍摄规划的装置,十分有必要。
卫星轨道精准的重访周期是影响遥感卫星有效拍摄的核心因素之一,单颗遥感卫星对地球的同一区域进行重访覆盖的周期一般为数天不等,多星组合的方式可以大大降低同一区域进行重访覆盖的周期,同时考虑到常规轨道预测方式会随着预测时间的拉长,轨道预测精度会逐步发散,导致预测结果不准;因此考虑多星协同的重访预测及轨道精度保证方法具有重要的意义。
现有技术中经典的卫星轨道确定模型的原理是,基于卫星的运行轨道一般情况下相对稳定,因此卫星的可视范围一般情况也相对固定,根据卫星的动力学原理,使用卫星轨道的六要素对时间序列的卫星位置信息进行确定;但是卫星轨道也受其他一些外在因素的影响,例如太阳光压、地区重力场和相对论效应等,随着时间推移,轨道预测精度逐步发散;目前市面上常规的轨道仿真预测系统均采用静态固定的轨道根数(如STK、N2YO、stuffin.space、CelesTrak等),缺少轨道根数更新修正机制,无法实现轨道的长时间精细预测,同时也不具备顾及气象云图预测和卫星测摆仿真的叠加分析功能,无法准确计算未来卫星对指定区域的拍摄有效覆盖率。
发明内容
本发明的目的在于提供顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,包含以下步骤:
通过TLE轨道实时获取程序获取与卫星相对应的TLE轨道参数,并在本地数据库存储所述TLE轨道参数,所述TLE轨道参数为用于描述太空飞行体位置和速度的表达式;
获取预设时间段长度内的数个所述TLE轨道参数,通过SGP4/SDP4卫星轨道推算方法对所述卫星未来的轨道进行预测模拟,生成卫星轨道预测信息,所述SGP4/SDP4卫星轨道推算方法基于初始时刻卫星运动状态和摄动力对卫星轨道进行推算,所述摄动力包括地球和非球形引力、日月引力、太阳辐射以及大气阻力;
根据未来预设时间段的数个所述卫星轨道预测信息建立数据轨道库,并根据所述卫星的预设幅宽设置幅宽缓冲区,所述幅宽用于表征所述卫星对地拍摄的条带宽度;
基于各卫星的轨道高度、所述幅宽以及最大测摆角建立所述卫星的拍摄覆盖能力属性,根据所述覆盖能力属性获取与所述卫星相对应的拍摄模型,并引入气象云图预测数据,根据所述气象云图预测数据仿真未来时段的所述卫星在指定区域的拍摄能力;
卫星测摆参数模拟及测摆覆盖幅宽计算,根据所述卫星的测摆角、所述卫星的地面高度、所述幅宽以及预设的幅宽计算方法计算获取所述卫星实际覆盖的测摆覆盖幅宽;
接收来自用户的预测范围,根据多个所述卫星的覆盖结果集与各个所述卫星过境时刻云图矢量覆盖结果进行交集运算,获取空间求交结果集,所述空间求交结果集用于表征所述预测时刻的有效拍摄区域。
作为本发明的进一步方案:还包括:
基于所述卫星轨道预测信息以及预设的仿真模拟系统建立所述卫星的三维动态模型与二维动态模型并输出,接收用户查询信息并输出与查询的所述卫星相对应的反馈内容。
作为本发明的再进一步方案:所述通过TLE轨道实时获取程序获取与卫星相对应的 TLE轨道参数,并在本地数据库存储所述TLE轨道参数的步骤具体包括:
判断目标平台是否提供API,若未提供所述API,则通过预设的实时获取程序获取所述TLE轨道参数;
数据结构分析与数据存储,先确定所需字段,根据所述所需字段确定构建表及连接关系并选择本地数据库进行存储;
数据流分析,包括确定采集范围以及切入源头、多层网页结构间跳转、范围细分、访问方式分析、URL及参数分析;
数据采集,通过使用scrapy模块、BeautifulSoup解析工具和Pandas方法进行数据整理,并写入数据库中。
作为本发明的再进一步方案:通过SGP4/SDP4卫星轨道推算方法对所述卫星未来的轨道进行预测模拟,生成卫星轨道预测信息的步骤具体包括:
引入TLE轨道参数,并利用所述TLE轨道参数恢复出平根数;
根据所述平根数计算长期项、长周期项、短周期项,并计算预测时间点的空间点位置与速度。
作为本发明的再进一步方案:所述根据未来预设时间段的数个所述卫星轨道预测信息建立数据轨道库,并根据所述卫星的预设幅宽设置幅宽缓冲区的步骤具体包括:
当TLE轨道参数在本地数据库完成入库后,以串行方式进行未来一周轨道参数预测计算;
以预设的步长T,逐历元计算未来预设时长卫星轨道在WGS84椭球框架下的位置信息;
根据每一个所述卫星的所述幅宽设置默认的覆盖区域的缓冲区区域,将位置信息的预测点前后相连后,组成带有方向的线图形,依据所述幅宽对线图形进行空间缓冲,采用单线定距缓冲方式,得到该点的轨道预测覆盖面;
将获取的位置信息与所述轨道预测覆盖面入库。
作为本发明的再进一步方案:还包括气象云图的网络发布步骤:
以预设的更新时长获取未来多日的气象云层分布情况,根据所述气象云层分布情况进行数学模拟,以时间序列存储所述数学模拟的预测图层结果;
分别采用栅格数据形式与空间矢量数据形式对所述预测图层结果以GeoJson格式进行存储,所述栅格数据形式中,云层未覆盖区域设为透明值,云层覆盖区域依据云层厚度设为由黑到白的灰色过渡色彩值,所述矢量数据形式用于记录所述云量的范围。
与现有技术相比,本发明的有益效果是:
1.本发明通过增加使用卫星云图辅助预测遥感卫星轨道下的覆盖区域的叠加分析,可以更加有效更加准确的展示预测遥感卫星预轨道下的有效覆盖区域,便于卫星运营商、卫星使用用户进一步把控兴趣区域的拍摄窗口(无云窗口),以提升卫星拍摄能力。
2.通过考虑卫星的侧摆能力,通过本发明的计算模型,来分析不同侧摆角度下预测遥感卫星轨道下的有效覆盖区域,预测时刻云层覆盖的区域可以通过模拟卫星测摆来进行避开,从而提升预期拍摄的有效覆盖率。
3.通过每天自动更新卫星TLE轨道的方式,收敛轨道预测精度,同时通过提前预测计算、前端实时查询的模式,极大化节约用户等待时间(效率可提升10倍以上),实现针对用户层面的轨道预测计算实时化。
4、统筹考虑了卫星预测轨道、卫星云图覆盖、卫星测摆、用户指定传感器和范围,进行综合性预测时间点有效率覆盖率计算的方法,实现了卫星有效预测覆盖量化计算,为卫星辅助规划提供了重要决策参考。
附图说明
图1为顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法的流程框图。
图2为顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法中面面空间的四种拓扑关系示意图。
图3为顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法的轨道缓冲面示例。
图4为顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法中金字塔形平面结构示意图。
图5为顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法中直观的金字塔形结构示意图。
图6为顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法中云图瓦片文件组织结构。
图7为顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法中卫星侧摆角度及覆盖情况示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下结合具体实施例对本发明的具体实现方式进行详细描述。
如图1、图2和图7所示,为本发明一个实施例提供的顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,包括以下步骤:
本实施例提供了一种顾及气象预测云图和传感器测摆的遥感卫星预测方法,在卫星遥感拍摄中,云雨是影响卫星有效拍摄的最核心的因素,尤其是像中国南方、印度喜马拉雅山南部、美国夏威夷、大洋洲新西兰等地区常年多云多雨,极大影响了卫星影像拍摄窗口,导致诸多卫星在上述区域有效保障率低下,受限于卫星电能限制,每颗卫星24小时内开机拍摄时间非常有限,若不能准确考虑天气因素,对相关区域进行盲目开机拍摄,势必会造成巨大的资源浪费。精准把控卫星拍摄窗口,提升多云多雨区的卫星影像有效覆盖率具有重大的经济价值;此外,卫星测摆能力也是影响卫星拍摄的重要参量之一,如果经过轨道预测和气象云图叠加分析,仍存在指定区域无法覆盖的情况,可以通过模拟调整卫星侧摆角,即可实现卫星对无云区域进行有效覆盖,因此顾及侧摆角在卫星辅助拍摄中的影响,能更进一步提升卫星有效覆盖的准确度,具有较高的研究价值。
但是在现有的技术中,目前的软件大多只是实现了少部分遥感卫星的轨道预测以及可覆盖区域的展示,多星组合预测难度较大,且缺少对卫星轨道根数的修正策略,导致卫星轨道预测精度逐步发散,且未考虑到气象云图对遥感影像的有效覆盖率的影响,造成遥感卫星预测轨道下的可视面积和理论的有效覆盖面积不同,对于决策者来说,不考虑云量空间位置的分布会导致大量拍摄资源的浪费,而若卫星轨道正视状态下有云覆盖,卫星可通过测摆实现一定角度下的偏转,从而拍摄到无云区域,市面上尚无相关装置能够实现遥感卫星预测和气象云图预测叠加的精准空间分析能力,总而言之,目前尚无平台在预测层面实现基于准确地理空间位置的有效覆盖率预测能力,大部分仅停留在定性角度进行拍摄方案选取,无法在预测层面从定量指标上进行拍摄方案选取。
S10,通过TLE轨道实时获取程序获取与卫星相对应的TLE轨道参数,并在本地数据库存储所述TLE轨道参数,所述TLE轨道参数为用于描述太空飞行体位置和速度的表达式。
S20,获取预设时间段长度内的数个所述TLE轨道参数,通过SGP4/SDP4卫星轨道推算方法对所述卫星未来的轨道进行预测模拟,生成卫星轨道预测信息,所述SGP4/SDP4卫星轨道推算方法基于初始时刻卫星运动状态和摄动力对卫星轨道进行推算,所述摄动力包括地球和非球形引力、日月引力、太阳辐射以及大气阻力。
本实施例中,TLE(Two-Line Orbital Element,即两行轨道数据),是用于描述太空飞行体位置和速度的表达式,采用卫星TLE两行轨道根数,可基于SDP4模型推估各卫星实时及指定时间预测位置,具体的来说,包括卫星的高度、速度、空间位置等轨道预测信息;基于双行TLE轨道参数,采用SGP4/SDP4模型进行预测计算,该模型顾及了日月引力、大气阻力以及地球非球形引力摄动等影响,中长期轨道预测精度较高,该模型能够准确地预报周期小于225min的卫星,当前主流的对地观测遥感卫星周期均小于225min,本模型完全适配该类卫星轨道预测。
S30,根据未来预设时间段的数个所述卫星轨道预测信息建立数据轨道库,并根据所述卫星的预设幅宽设置幅宽缓冲区,所述幅宽用于表征所述卫星对地拍摄的条带宽度。
本实施例中,这一步骤是轨道预测信息入库和查询优化的作用,由于轨道计算十分消耗计算资源,受限于计算机的配置,以单颗卫星预测未来一周的预测轨道为例,一般需要 1-3分钟不等,若预测的卫星过多,则造成用户等待时间过长,极大影响用户体验,本发明为解决轨道预测时间过长的问题,采用一种提前计算、前端实时查询的方式,将单颗卫星预测未来一周的预测轨道的等待时间缩短到3秒以内。
S40,基于各卫星的轨道高度、所述幅宽以及最大测摆角建立所述卫星的拍摄覆盖能力属性,根据所述覆盖能力属性获取与所述卫星相对应的拍摄模型,并引入气象云图预测数据,根据所述气象云图预测数据仿真未来时段的所述卫星在指定区域的拍摄能力。
本实施例中,是基于气象云图进行判断在某一时刻卫星在某位置的拍摄能力,从而实现对于卫星能力的判断。
S50,卫星测摆参数模拟及测摆覆盖幅宽计算,根据所述卫星的测摆角、所述卫星的地面高度、所述幅宽以及预设的幅宽计算方法计算获取所述卫星实际覆盖的测摆覆盖幅宽。
本实施例中,常规状态下,卫星传感器垂向指向地面进行拍摄,其侧摆角θ=0o,设卫星距地面高度为H,卫星幅宽为D,则可计算得到卫星拍摄视场角α=2arctan(D/2H),进一步可以算得卫星测摆后,实际覆盖的幅宽为D1=Htan(θ+α/2)-Htan(θ-α/2)。
S60,接收来自用户的预测范围,根据多个所述卫星的覆盖结果集与各个所述卫星过境时刻云图矢量覆盖结果进行交集运算,获取空间求交结果集,所述空间求交结果集用于表征所述预测时刻的有效拍摄区域。
本实施例中,用户输入卫星预测范围为A,利用多颗卫星覆盖结果集{S1,S2,S3…Sn}, 分别与各卫星过境时刻云图矢量覆盖结果{Y1,Y2,Y3…Yn}进行求交,求交方法采用本发明前序环节描述的空间拓扑算法进行计算,得到空间求交结果集{C1,C2,C3…Cn},该结果集即表示预测时刻拍摄的无云区域(即有效拍摄区域),考虑到各求交结果集之间可能会存在交叉重复的情况,为了保障重复覆盖的区域计算有效覆盖率时仅计算一次,采用空间求交融合的方式,对其求并集,得到合并后所有卫星预测的有效覆盖情况C,最后计算指定范围的有效覆盖率μ=C/A*100%,这里对空间拓扑算法进行说明:
包含判定算法:在进行轨道与预测区域求交时,常常需要判定轨道图形和预测区域是否有包含关系,本发明采用欧拉数算子判断轨道求交,以提升求交效率;
连通数:是指研究目标内互相不连通部分的个数;
欧拉数在拓扑学中也称Euler示性数,是一个拓扑不变量,任何拓扑变换都不改变图斑的Euler示性数。Euler示性数在数学上表示为连通数目减去空洞数目:
Eul=C–H;式中,Eul为欧拉数;C为连通数,H为空洞数;
轨道位置信息与预测范围的关系可以简化为面与面的关系,主要包含面面重合(两者完全重叠)、面面相离(面上所有点都不在另一面内)、面面包含(面上所有点均在另一个面包含范围内)、面面相交(面上部分点在另一个面包含范围内),引用欧拉数对上述 4种情况进行描述,利用欧拉数的集合操作算子模型分别计算上述4种情况的拓扑矩阵:
面面重合:提取两个面的边界线,判断其相交情况。若有相交则判断边界是否相等,若相等则认定两个面为重合,满足A\B及B\A为空,即:
面面相离:判断两个面的边界线,若边界无相交,则判断为面面相离,满足A∩B、A/B、 B/A均为空,其拓扑矩阵为:
面面包含:A在B内部,则A/B为空,其拓扑矩阵为:
面面相交:拓扑矩阵与相交线的条数密切相关,其拓扑矩阵为:
其中l为A与B相交目标的数目;m为A与B相交面的边界线与面A内相接的线的条数,n为B与A相交面的边界线与面B内相接的线的条数,在本发明中,存在两个面相离和相交的两种情况,通过欧拉算子,将与用户传入的范围数据与轨道信息求得相交结果,覆盖区域对轨道预测结果进行空间截断,作为输出。
作为本发明另一个优选的实施例,还包括:
基于所述卫星轨道预测信息以及预设的仿真模拟系统建立所述卫星的三维动态模型与二维动态模型并输出,接收用户查询信息并输出与查询的所述卫星相对应的反馈内容。
本实施例中,是基于cesium开源框架制作用户端的可视化展示,首先分别制作三维地球和二维地球的地图,依据第二步计算的各个卫星的高度、速度、空间位置等轨道预测信息来展示各个卫星动态位置信息;基于Web主流开发框架(Node),搭建前后端系统,后端主要集成轨道数据抓取、轨道算法推演等功能,前端主要实现3D地球下的轨道仿真展示、气象云图展示、覆盖能力分析展示等;在用户端接受用户查询的卫星对象、时间和空间区域等信息,利用本发明步骤的轨道信息和各种缓冲区的信息和用户端输入的卫星对象、时间和空间区域相交,求出用户目标卫星、目标时间和目标空间区域的待展示的信息,最终在终端进行展示和辅助拍摄决策,具体化的来说,本系统交互界面整体以3D地球作为载体,左侧面板集成了若干卫星的分辨率、国籍、卫星名等可控的筛选参数;具体的功能可以包括:提供地名查询功能:提供全国县级以上地区查询功能,根据用户输入的地区高亮显示该区域并作为预测区域进行预测;观测区域获取影像预测功能:预报结果为未来 15天内可以应急获取的数据和面积列表,并统计覆盖率;在轨道预测完成后,点击播放,即可播放该卫星过境的升降轨状态、同时叠加过境时刻的预测云图进行有效拍摄的分析。
作为本发明另一个优选的实施例,所述通过TLE轨道实时获取程序获取与卫星相对应的TLE轨道参数,并在本地数据库存储所述TLE轨道参数的步骤具体包括:
判断目标平台是否提供API,若未提供所述API,则通过预设的实时获取程序获取所述TLE轨道参数。
数据结构分析与数据存储,先确定所需字段,根据所述所需字段确定构建表及连接关系并选择本地数据库进行存储。
数据流分析,包括确定采集范围以及切入源头、多层网页结构间跳转、范围细分、访问方式分析、URL及参数分析。
数据采集,通过使用scrapy模块、BeautifulSoup解析工具和Pandas方法进行数据整理,并写入数据库中。
进一步的,通过SGP4/SDP4卫星轨道推算方法对所述卫星未来的轨道进行预测模拟,生成卫星轨道预测信息的步骤具体包括:
引入TLE轨道参数,并利用所述TLE轨道参数恢复出平根数。
根据所述平根数计算长期项、长周期项、短周期项,并计算预测时间点的空间点位置与速度。
本实施例中,这里对TLE两行轨道根数进行说明,例如:
GF7;
44703U 19072A 22132.22829630.00003149 00000-0 14349-3 0 9990;
44703 97.4056 211.3973 0007666 282.4155 161.8180 15.21374051140042。
第0行,将实际内容上的第1行视为0行,是卫星通用名称,最长为24个字符;第1 行和第2行是标准的卫星星历格式(TLE格式),每行69个字符,包括0~9,A~Z(大写)、空格、点和正/负号,其中卫星星历编号的:
第1行:
(1)44703U,44703是卫星编号。U代表不保密。C、S是保密的;
(2)19072A,国际编号,19表示2019年发射,072表示是这一年的第72次发射,A 表示是一箭一星,B则表示是一箭双星,依次有A、B、C....;
(3)22132.22829630,表示这组轨道数据的时间点,22是2022年,132表示第132天,22829630表示这一天里的时刻;
(4).00003149 00000-0 14349-3,为轨道模型参数;
(5)0,为轨道模型类型,SGP4/SDP4轨道模型;
(6)999,表示是该空间卫星的第999组TLE参数;
(7)0,为校验位;
第2行:
(1)44703,卫星编号;
(2)97.4056,轨道倾角;
(3)211.3973,升交点赤经;
(4)0007666,轨道偏心率,实际值为0.0007666;
(7)282.4155,近地点幅角;
(8)161.8180,平近点角,表示这组TLE对应的时刻时,卫星在轨道的什么位置;
(9)15.21374051140042,每天环绕地球的圈数,其倒数就是周期。
如图3所示,作为本发明另一个优选的实施例,所述根据未来预设时间段的数个所述卫星轨道预测信息建立数据轨道库,并根据所述卫星的预设幅宽设置幅宽缓冲区的步骤具体包括:
当TLE轨道参数在本地数据库完成入库后,以串行方式进行未来一周轨道参数预测计算。
以预设的步长T,逐历元计算未来预设时长卫星轨道在WGS84椭球框架下的位置信息。
根据每一个所述卫星的所述幅宽设置默认的覆盖区域的缓冲区区域,将位置信息的预测点前后相连后,组成带有方向的线图形,依据所述幅宽对线图形进行空间缓冲,采用单线定距缓冲方式,得到该点的轨道预测覆盖面。
将获取的位置信息与所述轨道预测覆盖面入库。
本实施例中,设步长T=2s,位置信息(LONt,LATt,H),其中LONt表示未来时刻t 时间点的经度,LATt表示未来时刻t时间点的纬度,H表示卫星距离地面的高度,从当前时刻T0进行推演,单颗卫星累积计算302400次即可获取该卫星七天内卫星所有位置信息;依据每一个卫星的幅宽设置默认的覆盖区域的缓冲区区域,把每个卫星对地拍摄的条带宽度表示幅宽,一般近地遥感卫星的幅宽在数公里到数十公里不等,将上个环节计算得到的轨道预测点前后相连后,组成带有方向的线图形,依据幅宽对线图形进行空间缓冲,采用单线定距缓冲方式,得到该点的轨道预测覆盖面,轨道缓冲区(即预期拍摄范围)是给定轨道线的对象或集合A,根据卫星拍摄幅宽D,以r=D/2为半径,由轨道线中心向外缓冲 r的距离,形成预期轨道拍摄面范围,即P={x|d(x,A)≤r},其中d为欧式距离;入库信息时,库的形式为SAT(卫星源)、LON(经度)、LAT(纬度)、the_geom(轨道预测覆盖面范围)、 time(过境时刻);概括的说,遍历所有待计算卫星清单,逐个求得每一颗卫星的未来一周的位置信息,同时采用规范的数据格式入库,每天0点后,待每一颗卫星轨道更新后,重复根据未来预设时间段的数个所述卫星轨道预测信息建立数据轨道库,并根据所述卫星的预设幅宽设置幅宽缓冲区的步骤,进行轨道预测位置信息更新,避免预测精度发散,以保障每一颗卫星预测信息的准确度,封装接口,用户在前端页面选择指定卫星、预测范围、预测时间等参数信息,点击预测,系统装置将以上参数传至后台服务器,与数据库进行关联、时间求交、空间求交等操作,向前端返回符合条件的卫星预测位置点集合,将查询结果中的点集合按照顺序连接,形成线状轨道预测线条。
如图4、图5和图6所示,作为本发明另一个优选的实施例,还包括气象云图的网络发布步骤:
以预设的更新时长获取未来多日的气象云层分布情况,根据所述气象云层分布情况进行数学模拟,以时间序列存储所述数学模拟的预测图层结果。
分别采用栅格数据形式与空间矢量数据形式对所述预测图层结果以GeoJson格式进行存储,所述栅格数据形式中,云层未覆盖区域设为透明值,云层覆盖区域依据云层厚度设为由黑到白的灰色过渡色彩值,所述矢量数据形式用于记录所述云量的范围。
本实施例中,这里具体使用的可以为每三小时更新一次,对未来7天的气象云层分布情况进行数学模拟,形成步长为三小时的预测图层结果,并以时间序列的方式进行存储;栅格数据形式中,将云层覆盖信息以像素格网的栅格形式进行存储,云层未覆盖区域设为透明值,覆盖区域依据云层厚度设为rgb(X,X,X),其中X取值范围为[0,255],表示由黑到白的灰色过渡色彩值,栅格数据的形式用于本发明装置中叠加显示;矢量数据形式中,将云量的范围以矢量格式进行存储,具体表现为空间坐标串构形式,表示云层覆盖的范围,采用GeoJson的格式进行存储,以方便后环节轨道预测结果和云层矢量进行空间求交,这里GeoJson格式如下:
在这一步骤中,还包括对于栅格云图分级切片和网络服务发布的步骤,具体的,将栅格云图数据按照四叉树索引机制进行服务切片,将一副GEOTIFF格式的云图图像,经过瓦片金字塔切割后得到n层金字塔模型,在构建地形金字塔时,首先把原始云图数据作为金字塔的底层,即第0层,并对其进行分块,形成第0层瓦片矩阵,在第0层的基础上,按每2×2个像素合成为一个像素的方法生成第1层,并对其进行分块,形成第1层瓦片矩阵。如此下去,构成整个瓦片金字塔,其中,图像的瓦片金字塔分割主要包含瓦片和金字塔两个最重要的概念:
瓦片(Tile):所谓瓦片,就是按照一定的比例尺寸将一幅图像分割成若干小正方形栅格,每个栅格就是一张瓦片;金字塔(Pyramid):根据用户的需要,将一幅图像分割成由小到大的区域。分割后,图像形成比例由小到大,数据量由少到多的金字塔形结构。用户可以对每个区域进行一定的处理操作。图6描述了金字塔形结构;其中,“地图瓦片数据集”为气象云图瓦片文件数据的根目录,其下的目录为地图瓦片分级(目录名命名方式:“L+级别”,L1、L2、L3、……),地图瓦片分级目录下以该级别地图瓦片矩阵的行为目录(目录名命名方式:“R+行号”,R0、R1、R2、……),行目录下为具体的地图瓦片文件(文件名命名方式:“C+列号”,C0.png(或C0.jpg)、C1.png(或C1.jpg)、C2.png (或C2.jpg)、……)。
瓦片分级也就是按照显示比例尺或地面分辨率进行地图分级,显示比例的计算方法如下:
显示比例尺=1:地面分辨率×屏幕分辨率/(0.0254米/英寸);
其中:
地面分辨率=[cos(纬度×pi/180)×2×pi×地球长半径(米)]/(256×2level像素);纬度采用赤道纬度,即纬度为0;pi为圆周率;地球长半径取2000国家大地坐标系规定参数,为6378137米;Level表示比例尺的级别,最小为0;屏幕分辨率取值为96dpi。
由此确定云图分级,如表1所示,制作电子地图时,每级应与表1所列的相应比例尺数据源对应,其要素内容选取应遵循以下原则:
A、每级地图的地图负载量与对应显示比例尺相适应的前提下,尽可能完整保留数据源的信息;
B、下一级别的要素内容不应少于上一级别,即随着显示比例尺的不断增大,要素内容不断增多;
C、要素选取时应保证跨级数据调用的平滑过渡,即相邻两级的地图负载量变化相对平缓。
表格1气象云图切片分级
根据OGC开放协议中WMS与WMTS服务中的各自参数,完成GetMap、GetCapabilites、GetFeatureInfo各项功能,完善响应客户端的请求,在影像获取后24小时内进行实时影像底图服务更新,选择机顶盒作为前端服务器的承载,机顶盒提供的影像图服务和元数据服务是符合标准的OGC-WMS服务,通用的GIS软件平台都可以无缝接入,与项目需求吻合;通过前端服务端,将已生成的影像瓦片数据发布出去,参考OGC中的WMS服务及WMTS服务。首先获取客户端的请求URL,从中提取出符合OGC标准的各项参数;其次解析各项参数,转换为前置服务器可理解的数据结构;依据此数据结构,连接数据库,从中获取数据进行一系列操作;将操作完成的数据返回前端,叠加在3D地球上进行展示。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM) 等。
本领域技术人员在考虑说明书及实施例处的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (6)
1.一种顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,其特征在于,包含以下步骤:
通过TLE轨道实时获取程序获取与卫星相对应的TLE轨道参数,并在本地数据库存储所述TLE轨道参数,所述TLE轨道参数为用于描述太空飞行体位置和速度的表达式;
获取预设时间段长度内的数个所述TLE轨道参数,通过SGP4/SDP4卫星轨道推算方法对所述卫星未来的轨道进行预测模拟,生成卫星轨道预测信息,所述SGP4/SDP4卫星轨道推算方法基于初始时刻卫星运动状态和摄动力对卫星轨道进行推算,所述摄动力包括地球和非球形引力、日月引力、太阳辐射以及大气阻力;
根据未来预设时间段的数个所述卫星轨道预测信息建立数据轨道库,并根据所述卫星的预设幅宽设置幅宽缓冲区,所述幅宽用于表征所述卫星对地拍摄的条带宽度;
基于各卫星的轨道高度、所述幅宽以及最大测摆角建立所述卫星的拍摄覆盖能力属性,根据所述覆盖能力属性获取与所述卫星相对应的拍摄模型,并引入气象云图预测数据,根据所述气象云图预测数据仿真未来时段的所述卫星在指定区域的拍摄能力;
卫星测摆参数模拟及测摆覆盖幅宽计算,根据所述卫星的测摆角、所述卫星的地面高度、所述幅宽以及预设的幅宽计算方法计算获取所述卫星实际覆盖的测摆覆盖幅宽;
接收来自用户的预测范围,根据多个所述卫星的覆盖结果集与各个所述卫星过境时刻云图矢量覆盖结果进行交集运算,获取空间求交结果集,所述空间求交结果集用于表征预测时刻的有效拍摄区域。
2.根据权利要求1所述的顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,其特征在于,还包括步骤:
基于所述卫星轨道预测信息以及预设的仿真模拟系统建立所述卫星的三维动态模型与二维动态模型并输出,接收用户查询信息并输出与查询的所述卫星相对应的反馈内容。
3.根据权利要求1所述的顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,其特征在于,所述通过TLE轨道实时获取程序获取与卫星相对应的TLE轨道参数,并在本地数据库存储所述TLE轨道参数的步骤具体包括:
判断目标平台是否提供API,若未提供所述API,则通过预设的实时获取程序获取所述TLE轨道参数;
数据结构分析与数据存储,先确定所需字段,根据所述所需字段确定构建表及连接关系并选择本地数据库进行存储;
数据流分析,包括确定采集范围以及切入源头、多层网页结构间跳转、范围细分、访问方式分析、URL及参数分析;
数据采集,通过使用scrapy模块、BeautifulSoup解析工具和Pandas方法进行数据整理,并写入本地数据库中。
4.根据权利要求3所述的顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,其特征在于,通过SGP4/SDP4卫星轨道推算方法对所述卫星未来的轨道进行预测模拟,生成卫星轨道预测信息的步骤具体包括:
引入TLE轨道参数,并利用所述TLE轨道参数恢复出平根数;
根据所述平根数计算长期项、长周期项、短周期项,并计算预测时间点的空间点位置与速度。
5.根据权利要求4所述的顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,其特征在于,所述根据未来预设时间段的数个所述卫星轨道预测信息建立数据轨道库,并根据所述卫星的预设幅宽设置幅宽缓冲区的步骤具体包括:
当TLE轨道参数在本地数据库完成入库后,以串行方式进行未来一周轨道参数预测计算;
以预设的步长T,逐历元计算未来预设时长卫星轨道在WGS84椭球框架下的位置信息;
根据每一个所述卫星的所述幅宽设置默认的覆盖区域的缓冲区区域,将位置信息的预测点前后相连后,组成带有方向的线图形,依据所述幅宽对线图形进行空间缓冲,采用单线定距缓冲方式,得到该点的轨道预测覆盖面;
将获取的位置信息与所述轨道预测覆盖面入库。
6.根据权利要求5所述的顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法,其特征在于,还包括气象云图的网络发布步骤:
以预设的更新时长获取未来多日的气象云层分布情况,根据所述气象云层分布情况进行数学模拟,以时间序列存储所述数学模拟的预测图层结果;
分别采用栅格数据形式与空间矢量数据形式对所述预测图层结果以GeoJson格式进行存储,所述栅格数据形式中,云层未覆盖区域设为透明值,云层覆盖区域依据云层厚度设为由黑到白的灰色过渡色彩值,所述矢量数据形式用于记录云量的范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210702495.7A CN115631423A (zh) | 2022-06-20 | 2022-06-20 | 顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210702495.7A CN115631423A (zh) | 2022-06-20 | 2022-06-20 | 顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631423A true CN115631423A (zh) | 2023-01-20 |
Family
ID=84902950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210702495.7A Pending CN115631423A (zh) | 2022-06-20 | 2022-06-20 | 顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631423A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206163A (zh) * | 2023-05-04 | 2023-06-02 | 中科三清科技有限公司 | 一种气象卫星遥感云图检测分析处理方法 |
CN116781148A (zh) * | 2023-08-25 | 2023-09-19 | 中国电子科技集团公司第十五研究所 | 基于透镜成像的卫星瞬时覆盖区计算方法和系统 |
-
2022
- 2022-06-20 CN CN202210702495.7A patent/CN115631423A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116206163A (zh) * | 2023-05-04 | 2023-06-02 | 中科三清科技有限公司 | 一种气象卫星遥感云图检测分析处理方法 |
CN116781148A (zh) * | 2023-08-25 | 2023-09-19 | 中国电子科技集团公司第十五研究所 | 基于透镜成像的卫星瞬时覆盖区计算方法和系统 |
CN116781148B (zh) * | 2023-08-25 | 2023-11-14 | 中国电子科技集团公司第十五研究所 | 基于透镜成像的卫星瞬时覆盖区计算方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
CN115631423A (zh) | 顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法 | |
US20070269102A1 (en) | Method and System of Generating 3D Images with Airborne Oblique/Vertical Imagery, GPS/IMU Data, and LIDAR Elevation Data | |
CN105893972A (zh) | 基于影像进行的违章建筑物自动监测方法及其实现系统 | |
CN110362895B (zh) | 一种基于bim+gis技术的征地拆迁应用管理系统 | |
Zhou | Urban High-Resolution Remote Sensing: Algorithms and Modeling | |
Tin‐Seong | Integrating GIS and remote sensing techniques for urban land‐cover and land‐use analysis | |
US8395760B2 (en) | Unified spectral and geospatial information model and the method and system generating it | |
Webster et al. | Enhancing airborne LiDAR data for improved forest structure representation in shortwave transmission models | |
CN114417646B (zh) | 一种高维异构降水数据融合方法及系统 | |
CN111539100B (zh) | 井场虚拟建设模型的生成方法、装置、设备及存储介质 | |
CN110827405A (zh) | 一种数码遥感地质测绘方法及系统 | |
CN114049462A (zh) | 一种三维模型单体化方法及装置 | |
KR101036823B1 (ko) | 레이더 관측밀도 분석시스템 및 방법 | |
Pakoksung et al. | Assessment and comparison of Digital Elevation Model (DEM) products in varying topographic, land cover regions and its attribute: a case study in Shikoku Island Japan | |
Sellers et al. | MARLI: a mobile application for regional landslide inventories in Ecuador | |
Miller et al. | Engineering geomorphological mapping | |
Quadros et al. | Airborne LiDAR acquisition and validation | |
Sreenath | Introduction to geostatistics | |
Liu | Construction of a real-scene 3D integrated spatiotemporal information platform under the background of urban renewal | |
Yamashkin et al. | Formation of Spatial Databases within the Spatial Data Infrastructure | |
Sreenath | Introduction to Geostatistics In: ICAR Sponsored Winter School on Recent Advances in Fishery Biology Techniques for Biodiversity Evaluation and Conservation, 1-21 December 2018, Kochi. | |
Segerström | Automating 3D graphics generation using GIS data-Terrain and Road reproduction | |
Plain et al. | Spatially explicit seasonal forecasting using fuzzy spatiotemporal clustering of long-term daily rainfall and temperature data | |
Martínez-del-Pozo et al. | Creating and analysing digital terrain models for archaeological research |
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 |