一種衛星對地觀測需求分析方法

馬東鋒

(1 南京理工大學 計算機科學與工程學院，南京 210094)(2 錢學森空間技術實驗室，北京 100094)

隨著我國航天事業的發展，對地觀測衛星種類和數量日趨增多，形成了陸地觀測、海洋觀測、環境監測、大氣和氣象探測等不同遙感應用衛星領域。依據不同時期的衛星技術發展水平，準確把握衛星觀測用戶需求，合理統籌共性需求和專用需求，是航天器體系設計，如高分專項和空間基礎設施體系等頂層規劃設計的關鍵環節，也是規劃的依據和輸入。衛星對地觀測的需求來自不同行業應用，對觀測要素和能力指標要求復雜多樣，包含多維異構信息，空域時域頻域覆蓋寬廣，存在冗余、重疊、交叉等現象。在實際工作中，需求統籌是一項艱難和復雜的工作，迫切需要建立和改進需求分析方法和流程，對需求進行分析和管理，找出需求之間、需求與觀測要素之間、要素與指標之間的關系，為衛星體系方案設計的科學性與合理性提供定量化數據支持。文獻[1]通過最優化理論給出約束滿足模型，并給出對應的求解方法。文獻[2]基于圖論理論，把需求作為頂點，約束作為邊集建立圖模型，并利用圖論領域的算法求解。最近，文獻[3]創新地提出基于數據科學的需求分析模型，通過把原始的基于文本的需求轉化成數值模型，從而利用數據科學的相關算法完成對原始需求的分類分析和可視化等操作。借鑒這一思想，本文在以模板的形式結構化描述的用戶需求之上，基于無監督學習[4]框架，進一步建立需求分析模型，實現對需求的快速聚類，低維直觀顯示，為后續體系效能評估提供新的數據支撐。

1 文本需求向量化編碼

對地觀測衛星系統的需求分析活動過程如圖1所示。

圖1 “體系需求獲取與綜合”活動Fig.1 Acquisition and integration of system requirements

需求分析論證分為需求匯總、優化統籌、綜合分析等3個階段10個步驟，如圖2所示。

圖2 衛星遙感基礎設施需求分析方法Fig.2 Method of satellite observation requirements analysis

需求分析的難點在于需要考慮很多維度，針對所有遙感應用部門的觀測任務需求，按照部門、業務方向、應用模式、觀測要素、譜段特征、空間分辨率、時間分辨率、全球探測需求和全天時全天候探測等維度進行匯總。在多個業務部門的觀測要素中，存在著重疊現象，即多部門均需要某個觀測要素，這就需要在國家層面上整合對地觀測的需求。

需求匯總后，通過分析提煉，得到時間特性、空間特性、譜段特性、輻射特性和精度等要素。其中，譜段特性結合空間特性用于指導衛星有效載荷的種類配置；空間特性可以指導有效載荷系統設計和衛星的軌道設計；時間特性可以指導有效載荷的觀測幅寬設計和機動觀測能力，如果單臺載荷不能滿足時間特性，還需要多顆衛星進行綜合設計，得到星座或者編隊飛行的設計；輻射特性可以進一步約束載荷的設計，使得載荷設計指標能夠滿足用于定量化應用的需求。

實踐中，需求的要素更為復雜，僅觀測屬性就有多種類型，如：全色、紫外、可見近紅外、短波紅外多光譜、中、熱紅外、高光譜、超光譜；不同頻段合成孔徑雷達(SAR)；微波輻射計；激光、微光、熒光；電磁、重力載荷數據等。

其中，需求不僅需要分類、還需要層次化建模，分類越清晰，對需求的描述越準確、越容易歸集和規范化。通過對不同種類，不同使命任務的衛星系統進行需求分類、分層和歸集，有利于對同類系統進行需求的模型化和定量化表述，有利于合理布局陸地觀測系統、海洋觀測系統、大氣觀測系統、地球物理場探測系統。限于篇幅不再展開。

體系需求綜合中主要存在兩個困難：一是不同應用需求屬性的綜合統籌；二是技術指標的多維度特征的綜合，如將空間分辨率、時間分辨率和光譜范圍3個指標一體化綜合難度較大，常采取的策略是分割成3個獨立的維度綜合，使綜合結果出現對原始需求的放大或縮小，但仍然沒達到統籌的要求。

觀測需求的維度，主要包含空間屬性和觀測屬性(觀測載荷、空間分辨率、光譜分辨率、時間分辨率、定位精度等)，可以提煉和建立基本需求模型，如圖3所示。

圖3 需求編碼模型示例Fig.3 An example of requirement coding model

實際工作中，需求大部分是文本，隱含的數據相當復雜多樣，受專業人員的認識水平所限，依靠大量人工分析，將無法滿足統籌的科學性和合理性。本文研究提出，借鑒人工智能領域技術，把文本描述的繁雜需求轉化成向量化表示的數值數據，進行數值化需求分析，可以有效地解決需求的定量化建模和統籌。

觀測任務和需求要素十分復雜，為便于表達，抽象于具體的物理意義，本文給出一種通用的文本需求編碼方法。對衛星觀測任務的需求，可以表示為表1的形式：其中，某一行表示某個具體的需求，可以來自于不同觀測任務、不同部門、不同行業等。某一列表示該行需求對具體指標的要求，例如對空間分辨率、時間分辨率、譜段特征等的具體要求。以空間分辨率指標為例，需求1對指標的要求為0.1 m，需求2為1 m，綜合需求的分布情形，可以把空間分辨率特征做如表2的劃分，其中[·,·)表示左閉右開區間。該劃分只是基于當前數據的剖分，目的是讓每個需求對該指標的要求只落在其中一個區間，不具有實質的物理含義。比如表1中的需求1，對空間分辨率的要求只對應第一個區間，也就是說該需求只對第一個區間有要求，對其他區間無要求。因此需求1對空間分辨率的要求可以向量化表示為{1,0,0,0,0,0,0,0}，如表3所示。需要強調的是，如何劃分指標區間，對模型不產生本質影響。

表1 需求集合Table 1 Set of requirements

表2 空間分辨率劃分Table 2 Division of spatial resolution

表3 需求1空間分辨率的向量化表示Table 3 Vectorized representation of spatial resolution for requirement 1

同樣地，可以對其他指標(時間分辨率，譜段特征等)進行同樣的劃分操作，從而把每一條需求轉化成一個只包含0,1的向量，0表示對該指標區間無要求，1反之。如此就可以把自然語言表示的文本需求進行向量化編碼。

2 高維需求向量聚類分析

對需求的分類常見的方式是按照需求提出的部門或者觀測任務類型歸類，例如海洋環境監測領域的需求可以歸為一類。但是，這種分類方式是基于先驗知識，不能客觀反映數據間的內在關聯性。在人工智能領域，無監督學習能利用數據的隱含特征對數據進行分類，從而發掘數據中平常不容易獲取的信息，在高維數據中，這種現象更為明顯。為了能夠利用無監督學習算法進行需求的聚類分析，首先要解決如何描述需求之間的相似性度量問題。兩個需求關聯程度越高，那么相似性度量結果越大，反之需求之間關聯程度小，那么相似性也越小。結合這一特性，可以采用杰卡德相似系數[5](Jaccard index)刻畫需求之間的相似程度。具體計算方法如下，記兩個編碼后的需求向量分別為a,b，相似性為s(a,b),則

(1)

式中：|a∩b|表示a,b向量對應分量同時為1的分量個數，|a∪b|表示a,b向量對應分量至少有一個為1的分量個數。不難得出，s(a,b)∈[0,1]，并且值越大，向量間相似性越高。

有了向量間的相似性度量之后，就可以通過需求間相似程度進行分類，使得同一類的需求相似程度高，不同類的需求相似程度低。相較于傳統的K-Means聚類算法[6]，譜聚類[7]算法對數據分布的適應性更強，不僅容易實現而且聚類效果也優于K-Means算法。因此，本文采用譜聚類的算法對需求向量進行聚類分析，下面介紹詳細的算法步驟。

(2)算法輸出：聚類結果R1,R2,…,Rk;

即度矩陣是由相似矩陣的每一行元素之和構成的n×n的對角矩陣；

步驟三：求出拉普拉斯矩陣L=D-W；

步驟四：計算標準化的拉普拉斯矩陣Lstd=D-1/2LD-1/2；

步驟五：求解標準化拉普拉斯矩陣Lstd的特征值，把特征值遞增排序，并且記前k個特征值對應的特征向量分別為μ1,μ2,…,μk；

步驟六：通過前面得到的k個列向量構造矩陣U∈Rn*k，也就是說該矩陣的列是由特征值遞增排序之后對應的特征向量組成，即U={μ1,μ2,…,μk}；

步驟七：取U的第i行的行向量，記為vi，并依次把vi單位化，使得‖vi‖=1，進而構造新的向量集合V={v1,v2,…,vn}；

步驟八：利用K-Means算法把V聚類分為k類，進而得到聚類結果R1,R2,…,Rk。

3 高維需求向量降維分析

信息維度高是衛星觀測需求的一個顯著特征，為了能夠直觀感受、分析需求數據，需要把需求從高維空間降維到我們熟知的2維或3維空間。自然界中同一類別的高維數據，往往集中在某個低維流形附近，這是數據科學中的基本假設[8]。在高維數據降維過程中，首先需要明確如何度量高維空間中需求向量之間的距離。前面介紹了需求向量相似性的計算方法，兩個向量相似程度越高，它們之間的距離越短，反之也成立。因此對向量化表示之后的兩個需求a,b，它們之間的距離可以定義如下

d(a,b)=1-s(a,b).

(2)

t分布隨機近鄰嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)[9]算法是目前非常流行的一種非線性的高維數據降維算法。本文基于t-SNE算法實現高維需求數據在二維平面的可視化，具體流程如下。

步驟四：初始化迭代次數y=1；

步驟八：y=y+1，如果y

4 衛星觀測需求分析實例

根據文獻[3]中提到的需求分析數據，經過向量化編碼的數據見表4。

表4 測試數據Table 4 Test data

對該組需求數據基于本文給出的譜聚類和t-SNE算法進行聚類和降維分析，結果如圖4所示。

圖4 聚類和降維結果Fig.4 Result of clustering and dimensionality reduction

從圖4可以看出，高維的需求數據經過t-SNE算法之后被成功繪制在二維平面。四邊形、五角星、圓形3種形狀代表不同的聚類結果。從圖4中觀察可知，同一類別的點距離較近，不同類別的點距離較遠，原始數據需求被分為3類。需要指出的是由于實際情況限制，該示例只是對算法的演示，雖不具備物理解釋含義，但是能夠檢驗上述模型和算法的可行性和有效性，可以在需求分析中實現具體的物理意義。本方法在國家民用空間基礎設施中長期發展規劃論證中得到了實際應用，大大提高了需求分析的效率和合理性，適用于各類應用衛星特別是對地觀測衛星體系規劃與頂層設計。

5 結束語

針對復雜的衛星觀測需求，本文給出了一種把文本描述的需求進行向量化表示的編碼方式，同時定義了需求向量的相似度和距離計算方式。之后，在向量化表示的需求基礎之上建立聚類和降維模型，同時通過測試數據演示了聚類和降維分析的結果。通過可視化的結果，說明了在向量化編碼需求之后，可以在機器學習的框架之下對衛星觀測需求進行各類分析，為后續基于數據科學的衛星效能評估提供基礎。本文通過把繁雜的需求信息轉換成高維空間向量，能大大降低分析人員對領域專業知識的過度依賴，提升需求分析的效率和科學性。