1 引言
1.1 研究背景与行业痛点
卫星遥感技术凭借覆盖广、持续时间长、不受空域国界限制等优势，已成为地球资源探测、防灾减灾、环境保护等领域的核心手段。传统遥感数据服务需经历“数据获取-传输-地面接收-处理-专题生产-分发应用”等环节，地面处理耗时数小时至数天，难以满足自然灾害、应急事件等场景对高时效性的需求。随着商业卫星遥感快速发展及频发的应急需求，“及时准确”成为对地观测服务的关键诉求，缩短数据处理链路、提升在轨处理能力成为行业核心痛点。
遥感卫星数据在轨处理技术可追溯至2000年左右，但受限于宇航芯片算力，早期仅能完成简单数据处理任务。2020年后，AI技术与航天芯片的快速发展，为在轨复杂处理提供了可能。当前行业亟需构建“星数天算”（在轨算力处理）与“星数地算”（地面算力处理）协同模式，突破单星处理局限、算法轻量化不足、缺乏知识生成能力、航天级芯片算力与成本矛盾等瓶颈，实现遥感数据的快速智能化处理与服务。
1.2 国内外研究进展
1.2.1 国外研究进展
美国较早开展在轨处理探索，NEMO卫星搭载ORASIS系统实现超光谱数据特征提取与压缩，EO-1卫星具备在轨目标特征提取与变化检测能力；TacSat-3卫星搭载自主处理器，可实时处理超光谱图像并发现地面隐藏目标；SpaceCube系列系统采用FPGA技术，算力较传统处理器提升10~100倍，SpaceCube v3.0采用Kintex超尺度FPGA与Zynq芯片，具备高灵活性与兼容性；“黑杰克”项目探索在轨分布式计算与星间光链路通信，验证了商业卫星平台的在轨处理可行性。
欧洲方面，PROBA系列卫星具备光谱通道可编程与自主运维能力；PhiSat-1卫星采用Movidius AI芯片，实现云层过滤与有效数据筛选；德国BIRDT卫星通过FPGA+DSP处理器完成多波段图像辐射校正、特征提取等处理；法国Pleiades卫星采用FPGA实现图像采集、校正与压缩，但受限于宇航芯片性能，整体处理能力仍有制约。
1.2.2 国内研究进展
国内高校与科研院所近年成果显著：“天智一号”作为我国首颗软件定义卫星，通过云计算平台实现部分在轨数据处理；“吉林一号”光谱卫星搭载在轨实时智能处理系统，具备云雾检测、船舶识别功能，支持处理程序在轨上注更新；“珞珈三号”01星采用GPU+FPGA主备异构架构，支持APP式在轨图像处理；多家单位基于FPGA+DSP、FPGA+CPU+NPU等异构架构，开展了目标检测、辐射校正等在轨处理技术验证，珠海欧比特基于玉龙810芯片构建72TOPS算力在轨处理系统，完成船舶检测、林火检测等应用测试。
1.2.3 现存问题
1. 多局限于单星处理，缺乏星座协同与星地一体化处理机制；
2. 固有处理技术成熟但轻量化、体系化不足，难以适配在轨资源约束；
3. 在轨处理集中于影像解译，依赖预训练模型，未实现知识生成与“在轨思考”；
4. 航天级芯片算力有限、成本高昂，多模态异构计算体系尚未完善。
1.3 研究目标
1. 构建星地协同一体化处理体系，实现“天算”与“地算”高效协同，提升在轨处理准确性与智能思考能力；
2. 强化在轨固有处理的精确性与快速性，涵盖辐射校正、几何校正等核心环节；
3. 研发适配遥感场景的AI模型与算法，实现在轨信息提取、目标检测及知识生成；
4. 开发大算力、高集成度宇航级硬件平台，支撑多模型融合与开放式应用测试。
2 核心研究内容
2.1 星地协同一体化处理架构
2.1.1 智慧星座系统架构
提出“卫星星座+地面处理系统”的天地一体智慧星座架构，通过星间通信与星地链路实现任务部署、功能调整与知识共享。该架构突破单星资源限制：通过地面上注指令与算法更新卫星智能处理功能；通过星座组网协同观测提升覆盖范围与频次；通过长期数据积累与地面迭代优化，增强单星处理深度与精度，实现复杂“星数天算”智能处理。
2.1.2 在轨处理系统三级架构
设计宽兼容、层级化的遥感数据在轨处理架构，涵盖三大核心模块，实现从数据到信息再到知识的阶梯式处理：
1. 固有处理模块：完成数据重构、辐射校正、几何校正、大气校正、数据重采等环节，输出标准化影像产品与定位信息，解决“星数”规范化问题；
2. 信息提取模块：基于深度学习、机器学习等智能算法，开展目标检测、识别与变化分析，解决“星数”智能化处理问题；
3. 知识生成模块：结合信息提取结果、多源参数与专家知识库，通过逻辑推理生成专题知识、分析报告与决策参考，解决“星数”服务化问题。
2.1.3 可复用装配式异构计算体系
构建“基础层-模块层-应用层”三级空间计算架构，实现硬件部件与软件组件的因需装配：
- 基础层：整合CPU、FPGA、DSP、GPU、NPU等异构计算单元，按任务类型分配计算资源（如CPU负责串行计算与逻辑调度，GPU/NPU负责并行矩阵计算）；
- 模块层：通过基础层硬件实现辐射校正、几何校正、深度学习、知识推理等核心计算逻辑，使应用层脱离底层硬件依赖；
- 应用层：通过模块层功能组合，支撑船舶识别、林火监测、应急监测等多类遥感场景，可根据任务需求灵活配置处理环节。
2.1.4 地面智能支撑系统
构建大数据、强算力的地面支撑系统，包含三大核心部分：
1. 地面任务规划：融合用户需求与行业知识库，智能生成观测任务，优化异构卫星协同配合，实现群体智能感知；
2. 固有处理辅助：建立全球DEM、控制点数据库及卫星在轨定标参数库（辐射、几何定标），定期校正并同步至卫星，提升固有处理精度；
3. AI训练推理：构建开放统一的遥感影像样本库与解译模型库，提供大规模计算硬件平台，支持模型训练、量化与嵌入式平台移植优化。
2.1.5 天地协同知识生成机制
1. 知识生成策略：星上采用基于规则的推理方法（适配算力约束），地面采用知识图谱等综合推理方法，实现多源知识融合；
2. 知识库构成：地面知识库包含基础知识库（地理实体定义与关系）与应用知识库（领域子集），星上加载任务所需应用知识集与数据集，实时积累并更新知识储备；
3. 知识迭代模式：卫星自主完成数据处理与知识生成，通过星间共享与星地传输实现知识更新；地面接收数据与知识后，融合互联网及专家知识完成知识库迭代，定期上注模型与知识集，增强在轨处理性能。
2.2 在轨处理核心算法
2.2.1 固有处理算法
1. 辐射校正：建立探测元响应差异相对关系，消除图像失真，通过定期参数修正应对传感器增益与偏差漂移；
2. 几何校正：基于CCD线阵推扫成像模式，构建严密几何模型，消除影像几何误差，定位精度优于10像素，单波段影像处理时间少于8秒。
2.2.2 信息提取算法优化
针对船舶检测与林火火点检测两大典型任务，基于YOLOv5s算法进行在轨适配优化：
1. 船舶检测算法：
- 数据预处理：将5056×5056像素高光谱影像裁剪为640×640像素，完成16位转8位操作，构建含483张影像、1197个标签的数据集；
- 算法优化：将SiLU激活函数替换为计算量更小的LeakyReLU，采用最小权重法进行10%比例剪枝，在保证精度的同时提升处理速度；
- 优化效果：mAP(0.5)达0.970，640×640像素图像处理时间21ms，速度提升25.0%，满足在轨实时性要求。
2. 林火火点检测算法：
- 数据预处理：选取32通道L1B级高光谱影像，合成真彩色图像并裁剪为640×640像素，构建含1162张图像的数据集；
- 算法优化：采用Mosaic数据增强提升模型定位能力，通过多尺度训练增强对不同尺寸火点的检测适应性，修正标注不清的火点目标标签；
- 优化效果：mAP(0.5)达0.769，召回率0.74，有效应对火点尺度多样、背景易混淆、边界不清等难点。
2.2.3 知识生成算法
构建融合多模态数据的林火预警模糊推理方法：
1. 证据集构建：选取可燃物载量（基于NDVI、EVI指数评估）、温湿度、降水量等关键因子作为林火形成证据；
2. 模糊隶属函数设计：对各证据因子进行模糊化处理，按4级模糊尺度量化指标范围；
3. 推理逻辑设计：融入绝对辐射校正、快速大气校正与定量反演模块，实时计算可燃物载量，结合地面上注的气象数据构建模糊推理规则库，输出低、中、高三级林火风险等级。
2.3 硬件平台设计
2.3.1 硬件架构方案
采用基于宇航级嵌入式AI处理器芯片的一体化智能处理平台，硬件平台遵循VPX架构、模块化设计，通过VPX背板集成为紧凑型单机，主要包含电源模块、数据固有处理及路由分发模块、大容量存储模块、智能处理模块、任务规划与综合管理模块、数传通信模块。智能处理模块选用玉龙810A处理器，集成4核CPU+8个GPU+8个NN单元，软硬件融合实现固有处理、信息提取、知识生成全流程处理。
2.3.2 核心硬件指标
2.4 试验验证与结果分析
以“珠海一号”OHS高光谱卫星影像为测试数据，基于工程样机开展地面仿真试验，验证在轨处理流程有效性。
2.4.1 船舶检测试验
选取6景2528×5000像素影像（10m分辨率），覆盖近海、远海、港口、运河、岛礁等不同场景：
- 处理效率：平均总处理时间7.178s，其中固有处理3.414s、AI目标识别3.699s、后处理与几何校正64.5ms，处理效率达5.68×10⁻³s/km²；
- 检测效果：算法鲁棒性强，可适应船舶密集、中等、稀疏等多种分布形态，检测定位准确，满足在轨应用需求。
2.4.2 林火火点检测试验
选取6景5056×5056像素影像（10m分辨率），合成真彩色图像进行测试：
- 处理效率：平均总处理时间13.037s，其中固有处理6.007s、AI目标识别6.999s、后处理与几何校正31ms，处理效率达5.10×10⁻³s/km²；
- 检测效果：对小尺度火点捕获概率高，大尺度火点虽呈碎片化检测，但100m以上尺度定位准确，满足应急情报监测需求。
2.4.3 林火预警试验
以大理市凤仪镇为试验区（2-4月为林火高发期），基于近30天温湿度、降水量数据及高光谱影像：
- 预测结果：风险等级分布与实际火灾区域高度吻合，准确预测高风险区域，验证了知识生成模型的有效性；
- 应用价值：可为应急决策提供精准预警支持，缩短火灾响应时间。
3 关键技术归纳
3.1 天地一体智慧星座协同技术
- 核心原理：通过星间组网观测、星地链路交互与地面迭代优化，构建“观测-处理-反馈-优化”闭环，突破单星资源约束；
- 解决问题：星座协同不足、星地处理脱节问题，实现“天算”与“地算”高效协同；
- 技术特点：支持任务动态调整、知识共享与模型迭代，提升系统覆盖范围、处理深度与精度。
3.2 三级在轨处理全链条技术
- 核心原理：整合固有处理（数据标准化）、信息提取（智能解译）、知识生成（服务化输出）三级流程，实现从数据到知识的阶梯式处理；
- 解决问题：在轨处理功能单一、缺乏知识生成能力的局限；
- 技术特点：宽兼容、可扩展，适配平急任务需求，支撑遥感数据多层次智能化处理。
3.3 可复用装配式异构计算技术
- 核心原理：基于“基础层-模块层-应用层”架构，整合多类型计算单元，实现硬件与软件组件的按需装配与灵活扩展；
- 解决问题：在轨处理资源约束、任务多样化与硬件适配难题；
- 技术特点：屏蔽硬件差异，充分发挥异构计算性能，支持多算法组合与多场景适配。
3.4 遥感适配型AI算法轻量化技术
- 核心原理：针对遥感影像大尺寸、高维度特点，通过图像瓦片化、激活函数替换、模型剪枝等优化，提升AI算法在轨适配性；
- 解决问题：通用AI模型计算量大、难以适配在轨算力约束的问题；
- 技术特点：在保证检测精度的前提下，显著提升处理速度，满足在轨实时性要求。
3.5 天地协同知识迭代技术
- 核心原理：星上基于规则推理生成基础知识，地面融合多源数据与专家知识完成知识库迭代，通过星地链路实现知识与模型更新；
- 解决问题：在轨处理缺乏知识积累与“思考”能力的瓶颈；
- 技术特点：实现知识持续积累与模型动态优化，逐步提升卫星在轨智能水平。
3.6 高集成度宇航级硬件实现技术
- 核心原理：采用VPX架构与玉龙810A AI处理器，集成多类型计算单元与大容量存储，实现高算力、低功耗、小体积设计；
- 解决问题：航天级芯片算力不足、成本高昂、集成度低的问题；
- 技术特点：峰值算力达72TOPS，支持多模型预存与切换，适配各类卫星平台。
4 核心创新点提炼
1. 架构创新：天地一体智慧星座架构
突破传统单星在轨处理局限，构建“卫星星座+地面支撑”协同体系，通过星间组网、星地交互与知识迭代，实现从单星处理到星座群体智能的跨越，为“星数天算”与“星数地算”协同提供架构支撑。
2. 流程创新：三级在轨处理全链条框架
首次构建“固有处理-信息提取-知识生成”三级在轨处理流程，将处理维度从数据标准化、智能解译延伸至知识服务，赋予卫星从“数据处理”到“在轨思考”的能力，拓展了在轨处理的服务边界。
3. 计算体系创新：可复用装配式异构架构
提出“基础层-模块层-应用层”三级计算体系，实现硬件部件与软件组件的按需装配与灵活扩展，解决了在轨处理任务多样化与资源约束的核心矛盾，提升了系统兼容性与扩展性。
4. 算法创新：遥感适配型AI轻量化优化
针对遥感影像特点与在轨算力约束，通过图像瓦片化、激活函数优化、模型剪枝等技术，实现YOLOv5s等算法的在轨适配，在保证检测精度的同时提升处理速度，突破了通用AI模型难以落地在轨场景的瓶颈。
5. 知识机制创新：天地协同知识迭代模式
建立星上规则推理与地面图谱推理相结合的知识生成机制，通过星地知识交互与迭代更新，实现知识持续积累与模型动态优化，为卫星“在轨思考”能力提升提供了可持续的技术路径。
6. 硬件创新：高集成度宇航级智能平台
基于玉龙810A处理器构建一体化硬件平台，实现72TOPS高算力、16Tb大容量存储与≤100W低功耗的平衡，解决了航天级芯片算力与成本的矛盾，为复杂在轨处理任务提供了硬件保障。
5 结论与展望
5.1 核心结论
本文系统综述了遥感卫星数据在轨处理的发展现状与关键问题，提出了天地一体智慧星座系统架构与三级在轨处理框架，构建了可复用装配式异构计算体系，研发了适配遥感场景的AI算法与高集成度硬件平台，并通过船舶检测、林火检测及预警试验验证了系统有效性。研究表明：
1. 所提架构与系统能够实现从数据标准化到知识生成的全链条在轨处理，满足“星数天算”核心需求；
2. 优化后的AI算法在在轨算力约束下，可实现高效精准的目标检测，处理效率达5.10×10⁻³s/km²以上；
3. 硬件平台峰值算力72TOPS，具备多模型存储与切换能力，适配各类卫星平台；
4. 天地协同知识迭代机制能够持续提升卫星在轨智能水平，为“在轨思考”能力赋予提供了可行路径。
5.2 未来展望
1. 深化多源数据融合的在轨知识推理研究，拓展知识生成的应用场景与深度；
2. 研发更轻量化、高精度的AI模型，提升小目标检测与复杂场景适应能力；
3. 完善星座协同处理机制，强化星间数据交互与分布式计算能力；
4. 推进硬件平台的工程化落地与多卫星适配，开展在轨实测验证，提升系统可靠性与稳定性；
5. 构建开放的在轨处理算法与模型库，支持多领域遥感应用的快速部署与迭代优化。
参考文献：AI技术赋能遥感卫星数据在轨处理，王家耀等，测绘科学技术学报
