EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 11: 1689 - 1698

DOI: https://doi.org/10.12082/dqxxkx.2019.190263

地球信息科学理论与方法

卫星对地覆盖时间窗口实时计算方法

  • 卢万杰 , * ,
  • 徐青 ,
  • 蓝朝桢 ,
  • 周杨
展开
  • 战略支援部队信息工程大学地理空间信息学院,郑州 450001

卢万杰（1991-）,男,河南焦作人,博士生,主要从事空间目标态势分析与服务研究。 E-mail: lwj285149763@163.com

收稿日期: 2019-05-30

  要求修回日期: 2019-08-16

  网络出版日期: 2019-12-11

基金资助

国家自然科学基金项目(No.41701463)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

A Real-Time Calculation Method for Satellite Ground Coverage Time Window

  • LU Wanjie , * ,
  • XU Qing ,
  • LAN Chaozhen ,
  • ZHOU Yang
Expand
  • Institute of Geospatial Information, PLA Strategic Support Force Information Engineering University, Zhengzhou 450001, China
LU Wanjie, E-mail:

Received date: 2019-05-30

  Request revised date: 2019-08-16

  Online published: 2019-12-11

Supported by

National Natural Science Foundation of China(No.41701463)

Copyright

Copyright reserved © 2016
Fold

摘要

卫星对地覆盖时间窗口的高效计算能够有效地保障遥感卫星数据信息资源的管理与应用。为解决现有卫星对地覆盖时间窗口计算方法无法提供同时保证精度、效率和实时性的在线服务的问题,提出了一种实时卫星对地覆盖时间窗口计算服务方法。在时间窗口的通用计算方法基础上,建立了地面区域的扩充四至范围,通过判断卫星星下点与地面区域的扩充四至范围的空间关系来决定是否需要计算卫星对地覆盖区域;在卫星对地覆盖区域与地面区域空间关系发生变化时,通过双重时间步长策略提高计算效率和精度;使用流计算框架构建算法的实时在线服务。实验结果表明,与商业软件采用的跟踪传播算法对比,本文方法与其计算结果差异较小,均小于1 s,说明本文方法能够保证较高的计算精度;与传统跟踪传播算法相比,本文方法耗时大幅减少,实现了超过8倍的加速比。本文方法同时保证了精度、效率和实时性,能够满足不同场景下卫星对地覆盖时间窗口的计算需求。

关键词： 卫星对地覆盖; 地面区域; 时间窗口; 实时流计算; 在线服务; Storm

本文引用格式

卢万杰 , 徐青 , 蓝朝桢 , 周杨 . 卫星对地覆盖时间窗口实时计算方法[J]. 地球信息科学学报, 2019 , 21(11) : 1689 -1698 . DOI: 10.12082/dqxxkx.2019.190263

Abstract

Efficient calculation of satellite ground coverage time window can guarantee the management and application of remote sensing satellite data. To solve the problem that existing algorithms for calculating the satellite ground coverage time window cannot provide real-time online service, which needs to guarantee the accuracy, efficiency and timeliness simultaneously, a real-time calculation service for satellite ground coverage time window was proposed in the present study. Based on the common calculation algorithm, the extended bounding box of ground area was established by extending a certain angle in four directions. By judging the spatial relationship between the sub-satellite point and the extended bounding box of ground area, whether the satellite ground coverage area should be calculated precisely was determined. If the sub-satellite point and the extended bounding box of the ground area were disjoint, there was no need to calculate the satellite ground coverage area, which avoids a large number of redundant calculation. Otherwise, the satellite ground coverage area was calculated and the spatial relationship between them was obtained. When the spatial relationship between the satellite ground coverage area and the ground area changed, there existed the start or stop time point of the satellite ground coverage time window, and two kinds of time steps were used to improve the calculation efficiency and accuracy of the time window. Finally, the distributed streaming calculation framework was used to build the real-time online service based on the proposed algorithm, and the topology of data processing was established to implement the algorithm. In the streaming calculation framework, the calculation processes of the satellite ground coverage time window are segmented and each result is integrated after the calculation processes are completed. The final calculation results can be stored in the database or used by different applications. Compared with the tracking propagation algorithm used by business software, our findings from the experimental results suggest that the difference between the proposed method and the business software is small, all of which are less than 1s, and that the real-time calculation service can ensure the accuracy, efficiency, and timeliness. Contrasting to the common tracking propagation algorithm, the real-time calculation service takes less time with an acceleration ratio of over 8 times. The proposed real-time calculation service can meet the requirements for calculating satellite ground coverage time window in terms of accuracy, efficiency, and timeliness in different scenarios.

Key words： satellite ground coverage; ground area; time window; real-time streaming calculation; online service; Storm

1 引言

航天技术的发展,使得空间对地观测技术成为决策部门获取地面信息的重要手段。卫星对地覆盖时间窗口是指卫星传感器能够对地面目标进行探测的时间起止范围,遥感卫星对地面区域的有效探测与侦察即发生在卫星对地覆盖时间窗口内。因此,计算卫星对地覆盖时间窗口具有重要意义,不仅能够有效提高遥感卫星数据信息资源的管理与应用效率[1,2,3],而且能够为地面采取反侦察等措施提供时间上的参考。
计算时间窗口的通用算法是跟踪传播法[4],通过判断连续采样的卫星轨道位置对目标的可观测性来计算时间窗口。该方法计算过程简单,结果精确,但计算效率较低,因此通常作为对比的算法。胡雅斯等[5]总结了卫星对地覆盖区域计算的部分算法,并提出了一种适用于多传感器的覆盖算法,但是存在高纬度时计算精度下降的问题;钟宇等[6]提出一种地球同步轨道卫星对地凝视覆盖工作模型和低轨卫星对地扫描区域模型,但未考虑地球椭球模型的情况,可信性不高;李冬等[7]提出卫星对地覆盖时间窗口的大圆近似快速算法,但是无法保证计算精度,并且存在计算结果无法收敛的情况; 宋志明等[8]采用简化的地球形状和计算模型,计算效率较高,但未考虑椭圆轨道、摄动项及非球形地球模型等因素,计算精度较低;张锦绣等[9]基于星地几何关系,提出了一种低轨卫星的成像区域时间快速预报算法,但是难以满足精度需求;沈欣等[10]在分析了不同卫星成像窗口预报算法的基础上,提出了一种顾及J2长期项摄动的光学遥感卫星成像窗口预报算法,但仅针对点目标,也没有计算卫星对地覆盖区域,普适性较低;刘述民等[11]设计了一种卫星覆盖在线查询系统,但其采用的简化矩形覆盖模型精度较低。商业软件STK基于跟踪传播法[12,13]提供了计算卫星对地覆盖时间窗口的功能,但其价格昂贵,无法提供在线服务[6],并且其授权和使用受到限制。同时,以上算法或软件在面对多星和多地面区域组合的计算任务时,计算效率无法满足需求。
21世纪地理空间科学与应用要求能够提供更高效的数据处理[14]和实时响应的在线服务,如何缩短数据输入和结果获取之间的时间差变得越来越重要,尤其是在对实时性要求较高的空间目标侦察与反侦察任务中[15]。因此,针对以上问题,本文提出一种实时卫星对地覆盖时间窗口计算服务的方法。基于时间窗口通用算法,利用地面区域的扩充四至范围与卫星星下点的空间关系,判断是否需要计算卫星对地覆盖区域;在卫星对地覆盖区域与地面区域空间关系发生变化时,采用双重时间步长策略进行精密判断,获取更加精确的时间;结合实时流计算框架,设计并构建了遥感卫星对地覆盖时间窗口的实时计算服务。

2 卫星对地覆盖区域计算

卫星对地覆盖时间窗口的计算流程如图1所示。其中,空间目标的轨道计算最常用的是两行根数（Two-Line Element,TLE）[15,16]。为了获取更高的预测精度,通常采用北美防空司令部发布的SGP4/SDP4模型[17,18]。通过该模型,能够方便的获取卫星的坐标 ( x , y , z ) 和速度 ( v x , v y , v z ) 等参数。通过坐标转换,可得到卫星星下点在地心空间直角坐标系 O - XYZ 下的经度 lon 、纬度 lat 和高度 alt 。
图1 卫星对地覆盖时间窗口计算流程

Fig. 1 Flowchart of calculating satellite coverage time window

以矩形模型传感器为例,在地球椭球模型下卫星地面覆盖区域计算较为麻烦,因此当前大部分卫星地面覆盖区域均采用地球球形模型计算。如图2所示,在地球球形模型中,点 O 为地心,点 S 为卫星,点 P 为卫星星下点,点 M 和 N 为卫星对地覆盖区域与地球模型经线圈的2个交点, MN ⌢ 对应的 ∠ MON 为圆心角, ∠ MOP 为 ∠ MON 的一半,称之为圆心角半角,点 M 、点 N 和点 P 与地心的距离等于地球球形半径 R mean ,即 D OM = D ON = D OP = R mean 。图2的局部坐标系 O - X S Y S Z S 中, O X S 轴为地心与卫星的连线,指向卫星;由于存在椭圆轨道,卫星速度矢量与 O X S 轴并非总是垂直,因此使用速度矢量与 O X S 轴进行叉乘构建局部坐标系 O - X S Y S Z S 的 O Y S 轴; O Z S 轴为 O X S 轴与 O Y S 轴的叉乘。
图2 卫星对地覆盖示意

Fig. 2 Schematic diagram of satellite coverage

如图3所示为卫星对地覆盖范围示意图, EF → 为卫星飞行方向, T 1 和 T 2 分别为卫星对地覆盖区域垂直于 EF → 和平行于 EF → 的两条边的中点, ∠ T 1 SP 和 ∠ T 2 SP 分别为卫星传感器的水平方位角和垂直方位角。卫星对地覆盖范围通常通过选取多个采样角,如图3中 ∠ FPM ,获取覆盖范围边界上的采样点 M ,然后将各个采样点顺序连接而形成。假定 ∠ FPM 为已知采样角,以卫星对地覆盖范围上的点 M 为例,其在平面坐标系中坐标的计算的具体计算流程如下：
图3 卫星对地覆盖区域的边界计算

Fig. 3 Boundary calculation of satellite ground coverage area

（1）根据卫星地心坐标获取卫星与地心的距离 D OS 和星下点 P 与地心 O 的距离 D OP 。
（2）根据卫星传感器的水平方位角 θ H = ∠ T 1 SP 、垂直方位角 θ V = ∠ T 2 SP 和采样角 ∠ FPM ,可以获取此时 ∠ MSO 的计算公式为：
θ = ∠ MSO = arctan ( tan θ H / cos∠ FPM )
（3）联合 D OM 、 D OS 和角 θ ,利用三角形的边角关系,获取角 α = ∠ MOP 的大小,如式（2）所示。
α = ∠ MOP = arcsin ( D OS sin θ / D OM ) - θ
通过角 α 、 θ 和 D OM ,可以获取点 M 在局部坐标系 O - X S Y S Z S 中的坐标 x M , y M , z M 如式（3）所示。
x M = D OM cos α y M = D OM sin α sin θ z M = D OM sin α cos θ
（4）依据局部坐标系 O - X S Y S Z S 与地心空间直角坐标系 O - XYZ 的空间关系,可获取坐标系 O - X S Y S Z S 下坐标到坐标系 O - XYZ 下坐标的转换矩阵,如式（4）所示。
$M_{T}= \begin{pmatrix}\begin{matrix} cos lon cos lat & -sin lon cos\lambda + cos lon sin lat sin \lambda & -sin lon sin \lambda -cos lon sin lat cos \lambda \\ sin lon cos lat & cos lon cos \lambda + sin lon sin lat sin \lambda & cos lon sin \lambda -sin lon sin lat cos \lambda \\ sin lat & -cos lat sin \lambda & cos lat cos \lambda \end{matrix} \end{pmatrix}$
式中： λ 为轴 O Z S 与面 X S OZ 的夹角,如图4所示。
图4 局部坐标系O-XSYSZS与地心空间直角坐标系O-XYZ的空间关系

Fig. 4 Spatial relationship betweenO-XSYSZS and O-XYZ

获取点M在O-XYZ中的坐标后,将点M的坐标变换到平面坐标系下,获得点M的经纬度坐标,最后构建卫星对地覆盖区域和地面区域,进行空间关系判断。
采用地球球形模型计算简便,但不同时刻DOP和地球球形模型半径相差较大,最大可达约14 km[19],因此影响计算结果精度。针对该问题,上述计算流程中需要使用地球半径时,将当前时刻地球椭球上卫星星下点与地心的距离DOP（式（5））作为地球半径代入计算,如图5所示,此时DOP计算方式为：
D OP = R major cos lat 2 + R minor sin lat 2
式中： R major 为地球椭球长半轴; R minor 为地球椭球短半轴。
图5 地球椭球下卫星星下点与地心的距离

Fig. 5 Distance between the sub-satellite point and geo-center in the ellipsoid model of globe

通过上述计算流程可以看出,卫星对地覆盖区域和地面区域的空间关系是实时变化的,存在相离、相邻、相交、包含等拓扑关系[20,21],因此该算法在每个时刻均需要进行坐标变换并计算卫星对地覆盖区域来实现空间关系的判断。但是,在整个计算时间范围内,卫星对地覆盖区域仅存在有限时间与地面区域相交或者包含,其余时间卫星对地覆盖区域与地面区域相离,此时计算可认为是无效计算。由于这些无效计算在整个计算时间范围内占比过大,导致算法耗时较多,效率较低。

3 基于地面区域扩充四至范围的 预判方法

3.1 算法原理

从卫星对地覆盖区域计算流程中可以分析出,在每次卫星轨道位置采样后,即使卫星对地覆盖区域与地面区域相离,也需要计算卫星对地覆盖区域。因此,在保证精度的前提下,如果能够提前预知卫星对地覆盖区域与地面区域相离,则可以避免计算卫星对地覆盖区域,从而实现卫星对地时间窗口计算效率的提高。因此,本文算法原理为：卫星在轨运行过程中,距离地面的最大高度出现在远地点。同时,传感器的视场角参数一般不会发生变化。这就使得卫星对地覆盖区域在地球椭球上对应的圆心角半角 ∠ MOP （图3）的最大值不会超过一个定值 ω max 。如图6（a）所示,点P为卫星星下点,区域A为卫星对地覆盖区域,区域B为地面区域,区域B的四至范围以区域C表示,使用 ω max 对区域C在4个方向上进行扩充后获取区域C的扩充四至范围,以区域D表示。由于点P距离区域A边界的最大跨度小于 ω max ,因此当点P与区域D相离,即当区域D不包含点P时,如图6（b）所示,卫星地面覆盖区域A必定不会与地面区域B存在相交或包含关系,此时无需计算区域A;当区域D包含点P时,如图6（c）所示,卫星地面覆盖区域A与地面区域B可能存在相交或包含关系,因此需要计算卫星对地覆盖区域A,并进行详细的空间关系判断。通过该方式,避免部分时间段下卫星地面覆盖区域A的计算,实现计算效率的提高。
图6 基于地面区域扩充四至范围的预判方法原理示意

Fig. 6 Schematic diagram of the pre-determination method based on the extended bounding box of ground area

3.2 双重时间步长策略

当出现图6（c）的情况时,需要根据卫星轨道的采样位置,计算卫星对地覆盖区域并判断与地面区域的空间关系。当计算卫星位置的时间步长 Δ t 较大时,能够提高计算效率,但会降低结果的精度;当 Δ t 较小时,能够提高结果的精度,但会降低计算效率。为保证精度和效率,本文提出在卫星对地覆盖区域和地面区域空间关系发生变化的时刻前后执行双重时间步长策略。如图7所示, Δ t 1 为较大的卫星位置计算步长, Δ t 2 为较小的卫星位置计算步长,时刻 T 1 和 T 2 间隔为 Δ t 1 。假定卫星对地覆盖区域与地面区域空间关系在时刻 T 1 和 T 2 之间某时刻发生变化,存在2种情况：① 在 T 1 时刻不存在相交/包含关系, T 2 时刻存在相交/包含关系;② 在 T 1 时刻存在相交/包含关系, T 2 时刻不存在相交/包含关系。双重步长策略思想为：在 T 1 时刻之前和 T 2 时刻之后,采用较大的时间步长 Δ t 1 计算卫星对地覆盖区域和地面区域的空间关系;在 T 1 ~ T 2 范围内,采用较小的时间步长 Δ t 2 计算更加精确的空间关系,实现计算效率和计算精度的同时保证。
图7 卫星对地覆盖区域的双重计算步长策略

Fig. 7 Strategy of double step sizes for the calculation of satellite ground coverage

3.3 算法执行步骤

（1）数据准备。确定最大圆心角 ω max ,并构建地面区域的扩充四至范围。图2中, MP ⌢ 对应的圆心角 α 可通过式（2）获取。在式（2）中,通过求导可得, θ 越大或 D OS D OP 比值越大,则 α 越大。 D OS 最大值为卫星轨道远地点 D apogee , D OP 最小值为地球椭球的短半轴 R minor 。因此,本文设定 α 极大值 ω max 产生在卫星处于远地点且卫星星下点与地心连线穿过南北极的情况下,由式（2）可得 ω max 的计算公式为：
ω max = arcsin ( sin θ max D apogee / R minor ) - θ max
式中： θ max 为卫星矩形传感器模型中的最大张角,即图8中的 ∠ MSN 。根据矩形传感器模型的水平半角 θ H 和垂直半角 θ V ,可得 θ max 的计算公式为：
θ max = arctan ta n 2 θ H + ta n 2 θ V
图8 卫星矩形传感器模型

Fig. 8 Rectangular satellite sensor model

根据地面区域四至范围的边界经纬度 lo n max , la t max , lo n min , la t min ,可以获取地面区域的扩充四至范围边界为 ( lo n max + ω max ) , ( la t max + ω max ) , ( lo n min - ω max ) , ( la t min - ω max ) 。
（2）设定计算时间步长 Δ t 1 ,获取 t 时刻卫星星下点 P 的经度 lon 和纬度 lat ,并判断是否在地面区域的扩充四至范围内,即是否同时满足：
( lo n min - ω max ) ≤ lon ≤ ( lo n max + ω max )
( la t min - ω max ) ≤ lat ≤ ( la t max + ω max )
若式（8）和式（9）同时满足,则当前卫星星下点在地面区域的扩充四至范围内,执行步骤（3）;否则返回步骤（2）,进行 t + Δ t 1 时刻判断。
（3）计算卫星对地覆盖区域,判断与地面区域空间关系并与前一时刻对比。若空间关系发生变化,则记录当前时间为 T 2 ,令 T 1 = T 2 - Δ t 1 ,在 T 1 ~ T 2 范围内,以 Δ t 2 为时间步长,计算卫星对地覆盖区域与地面区域发生空间关系变化的精确时间;否则,返回步骤（2）,获取下一时间点的卫星星下点位置。

4 实时卫星对地覆盖时间窗口计算服务

现阶段大数据处理技术主要分为2种：批（batch）处理和流（stream）处理[22,23]。批处理实时响应能力较差,数据处理延迟较长,无法满足较高实时性计算的要求。流处理对接收的数据能够立刻处理,并且过程是持续的[24,25]。流数据处理有很多框架,如Spark Streaming、Storm等。其中,Spark Streaming的本质是处理较小时间段窗口内的数据流,会产生秒级的延迟;而Storm作为一个实时计算框架,可以达到亚秒级的延迟,适用于处理实时的流数据[26,27]。
实时的数据处理能够提供计算与分析结果的快速获取,满足实时性要求较高的计算场景的任务需求。针对卫星对地覆盖时间窗口实时处理的需求,在本文算法基础上,基于Storm实现实时数据处理,保证计算与服务的实时性。实时数据处理拓扑如图9所示,拓扑执行流程为：
图9 卫星对地覆盖时间窗口实时计算拓扑图

Fig. 9 Topology of real-time calculation for satellite ground coverage time window

（1）包含卫星和地面区域参数的服务请求数据发送给时间窗口处理Topology。时间窗口处理Topology构建时间窗口计算流程,根据系统CPU核数设置计算并行的任务数,实现对系统硬件最大效率的使用。
（2）参数接收Spout转发数据给时间分割Bolt。为了确保充分利用平台性能,事件分割Bolt根据系统CPU核数将当前的计算任务按照时间范围进行划分,并转发给时间窗口计算Bolt。
（3）依据本文方法,各个时间窗口计算Bolt计算卫星对地覆盖时间窗口,并将计算结果发送给结果汇总Bolt。
（4）结果汇总Bolt将最终结果发送至应用程序或者数据库。

5 实验与结果分析

实验平台处理器为Intel Core i7-6700HQ 2.60 GHz,8核,内存为16 GB;操作系统为Ubuntu 16.04 LTS,STK版本为10.1,Storm版本为1.2.1,Storm实时计算平台使用容器技术搭建在实验平台上。实验目标卫星为资源三号01号星,实验数据如表1所示,其中,实验计算时间范围为10 d,区域数据为组成该区域的点在平面坐标系下的经度和纬度坐标,时间计算步长可以根据对精度的需求进行设置,本文设置为 Δ t 1 为1 s和 Δ t 2 为1 ms。
表1 卫星对地覆盖区域时间窗口计算实验数据

Tab. 1 Experimental data for the calculation of satellite ground coverage time window

类别 参数
TLE[28] 1 38046U 12001A   18203.57699394 +00000586 +00000-0 +29311-4 0  99902 38046 097.4917 274.7542 0003431 101.5406 032.6177 15.21316763362821
起止时间 2018-07-01 00:00:00~2018-07-11 00:00:00
时间步长 Δt1=1s,Δt2=1ms
矩形模型[29] θH=1°,θV=3°
区域1（E, N) (89.36° E, 31.30° N), (89.21° E, 27.35° N), (95.52° E, 27.15° N), (95.57° E, 30.96° N)
区域2(W, N） (110.60° W, 43.32° N), (104.75° W, 42.83° N), (104.15° W, 45.85° N), (104.45° W, 49.13° N), (109.68° W, 50.54° N), (110.18° W, 46.94° N)
（1）计算结果精度对比
通过计算时间范围为10 d的卫星对地覆盖区域时间窗口,比较本文算法与STK预报结果,如表2所示。从表2可以看出,本文算法与STK预报结果差距极小,基本都在毫秒级别。说明通过本文的算法,能够提高较高精度的卫星对地覆盖区域时间窗口。
表2 卫星对地覆盖区域时间窗口计算结果对比

Tab. 2 Results comparison of satellite ground coverage time window

区域
编号		 窗口
编号		 本文算法起始时刻
（UTC时间）		 本文算法终止时刻
（UTC时间）		 STK预报起始时刻
（UTC时间）		 STK预报终止时刻
（UTC时间）
区域1 1 2018-07-02T04:32:37.85 2018-07-02T04:33:43.06 2018-07-02T04:32:37.48 2018-07-02T04:33:43.06
2 2018-07-03T04:13:27.40 2018-07-03T04:14:30.61 2018-07-03T04:13:27.49 2018-07-03T04:14:30.34
3 2018-07-04T16:00:01.65 2018-07-04T16:01:08.64 2018-07-04T16:00:01.95 2018-07-04T16:01:08.53
4 2018-07-05T15:40:44.48 2018-07-05T15:41:49.93 2018-07-05T15:40:44.37 2018-07-05T15:41:50.25
5 2018-07-07T04:31:06.46 2018-07-07T04:32:11.51 2018-07-07T04:31:06.04 2018-07-07T04:32:11.38
6 2018-07-08T04:11:57.58 2018-07-08T04:12:58.69 2018-07-08T04:11:57.65 2018-07-08T04:12:58.53
7 2018-07-09T15:58:29.07 2018-07-09T15:59:36.37 2018-07-09T15:58:29.43 2018-07-09T15:59:36.35
8 2018-07-10T15:39:12.61 2018-07-10T15:40:16.78 2018-07-10T15:39:12.50 2018-07-10T15:40:17.00
区域2 1 2018-07-04T05:01:11.99 2018-07-04T05:02:56.78 2018-07-04T05:01:12.51 2018-07-04T05:02:56.93
2 2018-07-04T18:01:37.08 2018-07-04T18:03:27.05 2018-07-04T18:01:36.58 2018-07-04T18:03:26.84
3 2018-07-05T04:42:34.29 2018-07-05T04:43:44.11 2018-07-05T04:42:34.34 2018-07-05T04:43:44.55
4 2018-07-05T17:43:28.43 2018-07-05T17:44:18.35 2018-07-05T17:43:28.51 2018-07-05T17:44:18.29
5 2018-07-09T04:59:39.16 2018-07-09T05:01:37.93 2018-07-09T04:59:39.66 2018-07-09T05:01:37.90
6 2018-07-09T18:00:06.08 2018-07-09T18:01:54.90 2018-07-09T18:00:05.57 2018-07-09T18:01:54.59
7 2018-07-10T04:41:19.07 2018-07-10T04:42:09.37 2018-07-10T04:41:18.84 2018-07-10T04:42:09.65
（2）单机计算效率对比
通过在单机运行测试数据,本文对比了在不同的时间范围下,通用算法和本文方法的计算效率,对比结果如图10所示。从图10中可以看出,单机情况下,随着起止时间范围的增大,通用算法耗时呈线性迅速增大,并且区域1和区域2的耗时基本相同;而本文算法由于避免了大量的卫星对地覆盖区域的复杂计算,效率提高明显,实现了在单机情况下超过8倍的加速比。
图10 通用算法和本文算法单机耗时对比

Fig. 10 Comparison of the general algorithm and this paper's

（3）实时计算效率对比
本文实时计算平台主要节点分布如表3所示。其中,Zookeeper节点用于Nimbus和Supervisor交互的中介;Nimbus是Strom框架的主进程,用于将代码包发送到各个节点上;Supervisor负责执行本文算法的进程。计算平台拓扑配置中,消息接收Spout的并行度为1,任务数为1;数据分割Bolt的并行度为2,任务数为2;数据计算Bolt的并行度为4,任务数为4。与单机情况测试对比如图11所示。
表3 计算平台节点列表

Tab. 3 Node list of platforms

节点名称 节点IP
Zookeeper 10.42.0.20
Storm Nimbus 10.42.0.61
10.42.0.62
Storm Supervisor 10.42.0.63
10.42.0.64
图11 集群与单机耗时对比

Fig. 11 Comparision of time consumption by the clustering and stand-alone machines

从图11可以看到,随着计算时间范围的增加,单机计算方式耗时呈线性迅速增加;当计算时间范围较小时,由于消息传递、任务分割等原因,Storm实时计算方式会出现耗时高于单机方式;当计算时间范围增大时,Storm实时计算方式耗时增长缓慢,且耗时基本不超过1 s,对于时间范围较大的实时卫星对地覆盖时间窗口计算与服务而言,能够有效地满足需求。

6 结论与讨论

卫星对地覆盖时间窗口,是遥感卫星数据信息资源有效管理与应用的重要方面,而实时的数据计算与分析能够有效发挥信息的价值。本文在卫星对地覆盖时间窗口的通用算法基础上,提出一种实时卫星对地覆盖时间窗口计算与服务的方法。该方法首先利用地面区域的扩充四至范围,判断与星下点的空间关系,在满足条件情况下再判断卫星对地覆盖区域与地面区域的空间关系;当卫星对地覆盖区域与地面区域空间关系发生变化时,采用双重时间步长策略获取更加精确地时间窗口;最后基于实时流计算框架,构建卫星对地覆盖时间窗口的实时计算服务。通过实验验证,本文方法与商业软件采用的跟踪传播算法对比,计算结果差异均小于 1 s;与传统跟踪传播算法相比,耗时大幅减少,实现了超过8倍的加速比;同时,本文方法为卫星对地覆盖时间窗口计算提供了实时在线服务,满足不同地域用户的需求。
本文方法为实时卫星对地覆盖时间窗口计算与服务提供了新技术,能够在相关算法和应用优势的基础上,为其提供一种借鉴,以获取更好的计算效率优势。然而,卫星对地覆盖分析是一个包含众多研究内容的问题,后续需要对覆盖率计算、重复覆盖次数等方面进行深入研究。另外,与商业软件STK相比,本文仅仅提供了卫星对地覆盖时间窗口的实时计算方法,缺乏对计算结果的可视化展示,无法帮助用户实现对计算结果的有效认知,后续需要研究基于可视化技术,尤其是在线可视化技术,为用户提供实时、高效、易于访问的计算与可视化服务。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
李德仁, 童庆禧, 李荣兴 , 等. 高分辨率对地观测的若干前沿科学问题[J]. 中国科学:地球科学, 2012,42(6):805-813.

[ Li D R, Tong Q X, Li R X , et al. Current issues in high-resolution earth observation technology[J]. Science China: Earth Science, 2012,42(6):805-813. ]

[2]
谢榕, 刘亚文, 李翔翔 . 大数据环境下卫星对地观测数据集成系统的关键技术[J]. 地球科学进展, 2015,30(8):855-862.

DOI

[ Xie R, Liu Y W, Li X X . Key technologies of earth observation satellite data integration system under big data environment[J]. Advances in Earth Science, 2015,30(8):855-862. ]

[3]
周月敏, 周翔 . 中国高分辨率对地观测系统共性应用技术规范体系框架研究[J]. 地球信息科学学报, 2018,20(9):1298-1305.

DOI

[ Zhou Y M, Zhou X . The system framework of technical standards for common applications in China high-resolution earth observation system[J]. Journal of Geo-information Science, 2018,20(9):1298-1305. ]

[4]
Gilmore J S, Wolhuter R . Predicting low earth orbit satellite communications quality and visibility over time[C]. Southern African Telecommunication Networks and Applications Conference (SATNAC), Southern African, 2009,9:1-6.

[5]
胡雅斯, 孟新, 李立刚 . 适用多传感器的卫星对地覆盖计算模型[J]. 遥感技术与应用, 2009,24(4):537-542.

[ Hu Y S, Meng X, Li L G . A satellite coverage computing model for multi-sensor[J]. Remote Sensing Technology and Application, 2009,24(4):537-542. ]

[6]
钟宇, 吴晓燕, 黄树彩 , 等. 红外预警卫星对地覆盖区域近似计算模型[J]. 系统工程与电子技术, 2014,36(11):2133-2137.

DOI

[ Zhong Y, Wu X Y, Huang S C , et al. Approximate computing model for ground coverage region of infrared early warning satellites[J]. Systems Engineering and Electronics, 2014,36(11):2133-2137. ]

[7]
李冬, 唐容富, 易东云 . 对地观测卫星访问区域目标时间窗口快速算法[J]. 上海航天, 2010,27(3):1-5.

[ Li D, Tang R F, Yi D Y . The fast algorithm for time windows of area target observation using earth observation satellites[J]. Aerospace Shanghai, 2010,27(3):1-5. ]

[8]
宋志明, 戴光明, 王茂才 , 等. 卫星对区域目标的时间窗口快速计算方法[J]. 计算机仿真, 2014,31(9):61-66.

[ Song Z M, Dai G M, Wang M C , et al. Fast predicting algorithm for satellites time windows to ground area target[J]. Computer Simulation, 2014,31(9):61-66. ]

[9]
张锦绣, 曹喜滨, 林晓辉 . 卫星过顶与成像区域时间的快速预报算法研究[J]. 哈尔滨工业大学学报, 2006,38(4):514-516,664.

[ Zhang J X, Cao X B, Lin X H . Fast algorithm for prediction of satellite passes and image opportunity[J]. Journal of Harbin Institute of Technology, 2006,38(4):514-516,664. ]

[10]
沈欣, 李德仁, 姚璜 . 一种面向成像任务规划的光学遥感卫星成像窗口快速预报方法[J]. 武汉大学学报·信息科学版, 2012,37(12):1468-1471.

[ Shen X, Li D R, Yao H . A fast algorithm for imaging time window prediction of optical satellites considering perturbation for imaging mission scheduling[J]. Geomatics and Information Science of Wuhan University, 2012,37(12):1468-1471. ]

[11]
刘述民, 顾行发, 余涛 . 基于Web的资源卫星覆盖查询设计与仿真[J]. 计算机仿真, 2008,25(12):49-53.

[ Liu S M, Gu X F, Yu T . Design and simulation of inquiries about resource satellite coverage on web[J]. Computer Simulation, 2008,25(12):49-53. ]

[12]
张占月, 徐艳丽, 曾国强 . 基于STK的航天任务仿真方案分析[J]. 装备学院学报, 2006,17(1):48-51.

[ Zhang Z Y, Xu Y L, Zeng G Q . Analysis on the STK-based space mission simulation[J]. Journal of the Academy of Equipment Command & Technology, 2006,17(1):48-51. ]

[13]
鄂智博, 李俊峰 . 遥感卫星对区域目标可见性的快速计算方法[J/OL]. 清华大学学报(自然科学版), 2019: 1-6.

[ Er Z B, Li J F . Fast simulation algorithm for area target visibility using remote sensing satellites[J/OL]. Journal of Tsinghua University (Science and Technology), 2019: 1-6. ]

[14]
左尧, 王少华, 钟耳顺 , 等. 高性能GIS研究进展及评述[J]. 地球信息科学学报, 2017,19(4):437-446.

DOI

[ Zuo Y, Wang S H, Zhong E S , et al. Research progress and review of high-performance GIS[J]. Journal of Geo-information Science, 2017,19(4):437-446. ]

[15]
卢万杰, 徐青, 蓝朝桢 , 等. 面向服务的空间态势信息系统的设计与实现[J]. 系统仿真学报, 2014,26(10):2452-2457.

[ Lu W J, Xu Q, Lan C Z , et al. Design and implement of service-oriented space situational information system[J]. Journal of System Simulation, 2014,26(10):2452-2457. ]

[16]
韩蕾, 陈磊, 周伯昭 . SGP4/SDP4模型用于空间碎片轨道预测的精度分析[J]. 中国空间科学技术, 2004,24(4):65-71.

[ Han L, Chen L, Zhou B Z . Precision analysis of SGP4/SDP4 implemented in space debris orbit prediction[J]. Chinese Space Science and Technology, 2004,24(4):65-71. ]

[17]
刁宁辉, 刘建强, 孙从容 , 等. 基于SGP4模型的卫星轨道计算[J]. 遥感信息, 2012,27(4):64-70.

[ Diao N H, Liu J Q, Sun C R , et al. Satellite orbit calculation based on SGP4 model[J]. Remote Sensing Information, 2012,27(4):64-70. ]

[18]
Hoots F R, Roehrich R L . Space track report No.3-models for propagation of NORAD element sets[R]. Peterson: Aerospace Defense Command,United States Air Force, 1980: 13-34.

[19]
National Imagery and Mapping Agency . Department of defense world geodetic system 1984[EB/OL]. 2000. 01. 03.

[20]
陈祖刚, 杨雅萍 . 耦合尺度的地理实体空间相关度算法的建立与应用[J]. 地球信息科学学报, 2018,20(1):37-47.

DOI

[ Chen Z G, Yang Y P . A case of establishment and application of spatial correlation degree algorithm for geographic entities coupling scales[J]. Journal of Geo-information Science, 2018,20(1):37-47. ]

[21]
成波, 关雪峰, 向隆刚 , 等. 一种面向时空对象及其关联关系动态变化表达的概念数据模型[J]. 地球信息科学学报, 2017,19(11):1415-1421.

DOI

[ Cheng B, Guan X F, Xiang L G , et al. A conceptual data model for dynamic changes expression of spatio-temporal object and its association[J]. Journal of Geo-information Science, 2017,19(11):1415-1421. ]

[22]
孙怀英, 虞慧群, 范贵生 , 等. 大数据流计算环境下的低延时高可靠性的资源调度方法[J]. 华东理工大学学报(自然科学版), 2017,43(6):855-862.

[ Sun H Y, Yu H Q, Fan G S , et al. Low latency and high-reliability resource scheduling method in big data streaming computing environment[J]. Journal of East China University of Science and Technology, 2017,43(6):855-862. ]

[23]
李坚, 李德仁, 邵振峰 . 一种并行计算的流数据Delaunay构网算法[J]. 武汉大学学报·信息科学版, 2013,38(7):794-798.

[ Li J, Li D R, Shao Z F . A streaming data Delaunay triangulation algorithm based on parallel computing[J]. Geomatics and Information Science of Wuhan University, 2013,38(7):794-798. ]

[24]
Gurusamy V, Kannan S, Nandhini K . A study on distributed computing framework: Hadoop, spark and storm[J]. International Journal of Computer Sciences and Engineering, 2018,6(3):269-274.

[25]
马可, 李玲娟 . 分布式实时流数据聚类算法及其基于Storm的实现[J]. 南京邮电大学学报(自然科学版), 2016,36(2):104-110.

[ Ma K, Li L J . Distributed real time stream data clustering algorithm and its implementation based on Strom[J]. Journal of Nanjing University of Posts and Telecommunications (Natural Science Edition), 2016,36(2):104-110. ]

[26]
王铭坤, 袁少光, 朱永利 , 等. 基于Storm的海量数据实时聚类[J]. 计算机应用, 2014,34(11):3078-3081.

DOI

[ Wang M K, Yuan S G, Zhu Y L , et al. Real-time clustering for massive data using storm[J]. Journal of Computer Applications, 2014,34(11):3078-3081. ]

[27]
乔通 . 基于Storm的海量交通数据实时处理平台的研究[D]. 北京:北方工业大学, 2017: 9-17.

[ Qiao T . Research on real-time processing platform of mass traffic data based on Storm[D]. Beijing: North China University of Technology, 2017: 9-17. ]

[28]
CelesTrak . NORAD two-line element sets current data[DB/OL]. 2018.07.22.

[29]
李德仁 . 我国第一颗民用三线阵立体测图卫星—资源三号测绘卫星[J]. 测绘学报, 2012,41(3):317-322.

[ Li D R . China's first civilian three-line-array stereo mapping satellite: ZY-3[J]. Acta Geodaetica et Cartographica Sinica, 2012,41(3):317-322. ]

Options
文章导航

/

〈 〉