对地观测卫星任务规划策略及应用研究综述

许宇栋，周敬博，尹嘉昭，谢剑锋，武炳阳

(北京市遥感信息研究所，北京 100192)

0 引言

在对地观测技术应用初期，由于卫星数量和种类不多、载荷能力有限，用户来源较为单一，所需卫星及成像窗口在多数情况下均有明确指定，因而任务规划相对简单。地面运控系统一般采用单星管理应用模式，如美国的EO-1卫星系统、LandSat7卫星系统以及法国的SPOT-5卫星系统等均面向单颗卫星进行调度管理。

单星管理模式的优势在于能够保证观测任务严格按照用户意愿实施，然而在遥感卫星技术飞速发展的背景下，卫星数量类型急剧增加，用户来源更为多元化，目标观测需求的数量飞速增长，由此遥感卫星任务规划的复杂度急剧增加，原有各型卫星相互独立的运行控制模式难以满足未来多用户需求，必须考虑如何在多星多用户条件下提升卫星观测效益。

观测任务预处理环节负责将来源于不同用户的观测需求规范化表述，并完成区域目标分解和点目标聚类；模型与算法构建环节针对规划问题的特点及优化目标，搭建规划模型、选取规划算法；工程应用环节关注的重点是如何将理论模型应用于业务运行，以解决实际问题；效能评估环节是对任务规划策略的应用效果进行多维度评价，给出规划策略的改进意见。本文围绕上述4个环节对当前观测卫星任务规划策略研究现状进行分析论证，以期为观测卫星地面运控系统建设提供有益借鉴。

1 观测任务预处理技术

观测任务预处理技术可细分为任务分析技术、任务分解技术和任务合成聚类技术等。预处理的目的是按照既定标准将用户提出的观测需求规范化表述后转换为元任务，以此作为任务规划的输入。通过对观测任务的预处理，可以更为简单高效地进行遥感卫星任务规划，提升观测效益。一般而言，对地观测卫星任务规划策略的应用与实施包含4个关键环节，如图1所示。

图1 任务规划策略应用与实施的4个阶段Fig.1 Four stages of the application and implementation of mission planning strategy

1.1 需求分析技术

需求分析是卫星任务规划前端输入的处理环节，主要任务是通过解析用户提交的观测需求，完成对需求的准确描述与建模。来自不同专业领域的用户往往对观测任务的理解与描述存在差异，与要素完备、含义单一的“明确”任务相比，多用户环境中存在着自然语言描述、语言描述与任务要素混合、任务要素不完备等“模糊”需求。对于后者，需要在任务规划前对观测需求准确描述并建模，生成要素完备、含义明确的观测元任务。

文献[1]针对不同用户提交的对地观测需求特征，运用本体技术构建领域用户的标准化需求模型，从时间、空间和光谱3个维度出发通过关联分析提取需求要素，然后进一步对各要素组织分类，进而完成需求要素与观测卫星有效载荷之间的关联映射。该文献提出的通用模型能够覆盖大部分需求类型，但难以支持更为精细化、定制化的观测需求。文献[2]在以领域本体对原始观测需求建模的基础上，构建“空间分辨率—时间分辨率”需求分类决策树，对观测需求进行分类综合。为更好应对多元化的观测需求，这一方法需要不断根据新的需求类型调整领域本体模型和决策树分类。

文献[3]运用自然语言处理技术抽取非格式化用户需求所包含的关键信息，再通过转义将其转换为格式化的用户需求。关键信息抽取环节采用知识本体构建信息抽取知识库，对抽取规则进行组织和管理。文献将关键信息归纳为4项概念要素：时间、地域、任务和影像参数，其中“任务”是一个抽象描述，需要预先在知识库中建立其与影像参数间的映射关系。自然语言处理技术的难点在于本体知识库的搭建。

为更好分析不同来源的用户需求，研究者大多采用本体技术，通过建立本体模型，抽取观测需求中的关键信息，完成需求的格式化转换。这一技术的关键在于本体知识库能否涵盖几乎全部的用户需求类型，此外关键信息的界定也是需要充分论证的问题。

1.2 区域目标分解技术

常见的需求类型包括目标观测、区域覆盖和移动跟踪等，后2种需求往往需要由多颗卫星在一段时间内协同配合完成观测任务。受制于成像幅宽、侧摆能力等因素，单颗卫星无法在单次过顶时完成区域观测任务，如图2所示。对移动目标的普遍处理步骤是首先构建目标潜在区域，然后再利用区域目标分解技术对潜在区域分解[4]。

图2 点目标与区域目标示意Fig.2 Schematic diagram of point target and area target

传统的区域目标分解技术主要采用集合覆盖问题的解决思路，即首先沿卫星轨道方向按照标准成像幅宽等间距分割区域目标，其次沿轨道垂直方向按照标准像幅尺寸将区域目标分割成独立场景，确保以尽量少的场景数量完成覆盖，从而将区域目标转换为点目标群[5]。与之相关的后续研究集中于如何提升区域目标覆盖率，减少独立场景数目。文献[6]采用相互平行的矩形条带对区域目标进行划分，条带的方向与偏移量取决于卫星轨道及成像幅宽。文献[7]以网格形式划分区域目标，建立以最大化覆盖率为最终优化目标的整数规划模型，在此基础上选取优化算法进行分割。此项研究的基本假设是参与观测的卫星侧摆能力相同，且只能选择固定的侧摆角度。

一些针对遥感卫星的专用调度系统采用预定义的参考系对区域目标进行分割，比较有代表性的是Space Image公司的全球参考系统(World Reference System，WRS)和欧空局的网格参考系统(Grid Reference System,GRS)。在受理到区域覆盖任务后，调度系统根据参考系选择与区域相关的场景进行任务规划。WRS以“Path/Row”坐标系表示；GRS则以星下点轨迹为参考，采用“卫星飞行方向/飞行垂直方向”坐标系。

随着遥感卫星平台、载荷的异构化特征日趋明显，上述静态的区域目标分解方法难以充分发挥遥感卫星资源整体观测效能。文献[8]提出了区域目标动态分解方法，根据遥感卫星任务规划结果确定区域分解方案，实质上是通过倒置任务控制流程在提高区域目标覆盖率的同时兼顾各型卫星的载荷特性。文献[9]在上述研究的基础上设计了基于高斯投影的动态目标分解方法，通过将区域目标在高斯坐标系与大地坐标系之间转换提升分解精度，该方法适用于低纬度经度差别不大的区域，计算较为复杂。

文献[10]针对敏捷卫星区域覆盖问题，设计了同轨多条带拼幅成像的卫星工作模式，根据星载相机视场角对区域目标进行动态划分，划分结果依据卫星成像侧摆角平方和确定各条带观测顺序。文献[11]进一步对条带的重叠度开展研究，针对不同目标类型、不同卫星姿态设置不同的重叠宽度阈值，从而在保证成像质量的同时减少条带数量，提高成像效率。

静态区域目标分解方法计算相对简单，在工程应用中易于实现，但难以适用于多星协同的场景，特别是在遥感卫星异构化条件下，区域目标的分割难度大，存在重复观测的问题；相较而言，动态分解方法能够充分发挥各型卫星的观测效能，但在实际应用中可能会导致迭代计算，增加任务规划耗时。

1.3 任务聚类合成技术

任务聚类合成技术是将相同或者相似的用户需求融合归并，通过减少任务规划的求解空间减少规划耗时、提升遥感资源利用率。观测任务在聚类合成时需要考虑卫星与目标之间的可见弧段、成像侧摆角度、目标之间的地理位置关系等，技术难点在于聚类约束及规则的确定。

文献[12]运用图论解决观测任务的聚类问题，分别采用启发式算法和基于相容关系的算法完成多星条件下的任务聚类，这一方法适用性强但计算复杂度较高，没有考虑后续的任务规划效能。文献[13]研究了点目标聚类方法，提出先聚类后调度再修复的多星分阶段规划策略，分阶段的求解方法虽然能够显著降低计算复杂度，但难以保证获得全局优化解。文献[14]采用上述分阶段的计算框架，针对敏捷卫星的密集点目标聚类问题开展研究，采用团划分算法完成任务聚类，以聚类结果为输入运用启发式蚁群算法生成任务规划方案。

分阶段的“任务聚类—任务调度”计算框架实质上是一种静态解决方案，即任务聚类阶段生成的任务，在任务调度阶段不作调整，只确定任务的执行与否以及执行的具体时段。为进一步提升任务聚类对观测效能的优化作用，文献[15]提出动态化的聚类策略，并在后续的任务调度阶段采用自适应模拟退火调度算法，从而实现聚类与调度两个环节之间的交互。

任务聚类合成技术需要基于先验信息，如地理位置、统计学特性等，按照一定规则和约束抽取原始任务中的关键信息，将其映射至多维空间，然后对空间距离相近的目标进行合成。需要注意的是，任务聚类合成可能会引起图像分辨率降低甚至畸变，对需要精确成像的目标影响较大。此外，聚类合成后新任务的优先级如何确定也是需要解决的问题。

2 任务规划建模与算法研究

对地观测卫星任务规划需要应对众多的需求和繁杂的约束，为充分发挥卫星观测效益，必须构建与应用场景相适应的规划方法。本节对近年来被广泛研究应用的多星协同规划方法、快速响应规划方法和星上自主规划方法进行归纳梳理。

2.1 多星协同规划

2.1.1 多星协同规划模型

在针对多星协同规划模型的研究中，埃姆斯研究中心AIG研究团队设计了考虑卫星侧摆能力及载荷约束的协同规划模型；文献[16]设计了基于约束的模型表示；文献[17]建立了求解速度更快的约束满足模型，这几项研究未给出模型细节且模型的适用范围有限。

文献[18]设计了多维背包模型并求解，这一方式难以确保得到最优解；文献[19]建立了以三项优化为目标的多资源联合调度模型，并给出三种优化目标：未完成的成像任务数量最小化、成像载荷的空闲时间最小化以及未达到任务要求的最低分辨率的差值最小化；近几年很多研究者采用多Agent模型为基本进行研究，取得了良好效果；文献[20]将基于策略的管理技术引入卫星管控领域，实现基于事件驱动的卫星集群自动响应。表 1对具有代表性的研究进行了归纳。

表1 多星协同规划模型研究Tab.1 Research on multi-satellite collaborative programming model

综上所述，多星协同规划本质上是通过建立模型解决时间和资源的分配以完成任务的过程，主要特点如下：

① 多任务统筹：一是任务数量多，需建立排队队列；二是任务要求多样，包含成像类型、分辨率及时间要求等。

② 多资源选择：同一任务可有多颗卫星，对每一圈资源都有多颗卫星可以使用，要选择最佳资源组合。

③ 多时间窗口：除静止轨道卫星外，协同规划除了要考虑卫星与访问窗口多对多的关系，还要多星协同时的窗口间隔。

④ 多优化目标：结合实际问题，可选取任务完成最大化、资源使用最大化、综合效益最大化等一个或多个优化目标。

⑤ 多约束条件：一是卫星约束，如星上存储容量、侧摆范围等;二是协同约束，如协同间隔、协同覆盖等。

2.1.2 多星协同规划算法

现有研究多倾向于采用启发式算法和搜索算法，其中启发式算法可细分为邻域搜索、贪婪算法等，搜索算法分为禁忌搜索、遗传算法、模拟退火等，梳理情况如表 2所示。

表2 多星协同规划算法研究Tab.2 Research on multi-satellite collaborative programming algorithm

文献[6]通过6组实验表明贪婪算法速度较快，约束算法性能较差；文献[21]研究表明,完全搜索算法适合规模较小规划，禁忌搜索算法适合规模较大问题；文献[22]研究表明，PA 算法适用于卫星数量较少时的任务规划，LA 算法在卫星数量增加时可适用但计算速度不快。

通过分析多星协同规划算法，可总结出各算法特性：

① 禁忌搜索和Russian Doll Search因对任务的合成情况考虑不足，在中小规模协同时使用较普遍。

② 遗传算法能够适用大规模任务和数传问题的求解，但耗时长且在以效率优先为目标时结果一般。

③ 贪婪启发式算法因实现简单从而求解较快，但优化性不足。

④ 标记更新算法能达到局部最优效果，但无法收敛到最优解。

⑤ 邻域搜索算法因分割了任务和时间窗的关系因而整体评价值不如遗传算法和标记更新算法。

2.2 快速响应任务规划

“快速响应”是新兴的遥感卫星应用技术概念。在任务规划领域，快速响应任务规划系统的主要评价标准有以下两个方面：一是对动态环境的适应能力，在快速响应应用模式中，用户随时可能提出新的目标获取需求或者目标更改需求，任务规划系统需要根据需求对原有规划进行调整；二是对用户需求的快速回应，快速响应任务规划系统需要在较短时间内告知用户其需求是否可以得到满足。

经典的任务规划算法难以充分应对这种动态性，常用的处理方法为，在用户提交新的需求后重新启动规划算法，然而重启规划无法在短时间内对需求做出响应。假定新规划方案与当前规划方案接近，若能对当前规划进行选择性保存，则可以快速生成新规划，所以快速响应任务规划的关键在于如何在需求环境变化时选择要保留的信息。当前可应用于快速响应的规划方法有进化算法、自然启发算法、自组织系统等。

2.2.1 进化算法

进化算法的本质是通过进化适应环境的动态变化，是受自然进化启发的算法。这一算法应对动态规划问题时，在每次种群进化之后插入新的目标请求。虽然该算法在重新规划的过程中会保留之前计算的基因，但是处理速度依然较慢，原因在于即使在每次插入请求后都没有从初始状态重新启动，必须重新收敛到一个新的解。

2.2.2 自然启发算法

这类算法的灵感来自于蚂蚁、蜜蜂、鱼类等群居物种的集体行为。被学术界广泛研究和使用的基于自然启发的优化算法是蚁群算法和粒子群优化算法(PSO)。这些算法属于多Agent系统。

2.2.3 粒子群优化算法

PSO通过维持一个群随机解来解决动态环境问题。Agent的行为受到自然生物的启发，如鸟的群居。在群体中，每个个体利用局部感知保持和其他个体的最佳距离。因此，每只动物的行为都与邻居的行为联系在一起：每个个体都试图优化自己寻找食物的机会，并通过跟随来躲避捕食者。在粒子群算法中，每个Agent(粒子)随机进入空间搜索，并维持相同速度，每个Agent都是问题的候选解，且都能记住访问过的最佳解，并与其他Agent交互。单个粒子是通过其邻居和局部感知来找到一个解决方案，由此整个粒子群可以向最优解收敛。粒子群优化算法已应用于多卫星任务规划[23]。

2.2.4 蚁群算法

蚁群优化(Ant Colony Optimization,ACO)算法本质上也属于多Agent系统，其核心思想是利用通信机制复制简单的蚂蚁行为。在蚁群算法中，由于信息素的作用，Agent通过标记有希望的区域与环境间接互动。在每一步中，Agent都会将信息素释放到被访问的位置，信息素本身受到蒸发和强化过程的影响。因此，单个Agent探索过的区域更容易被遗忘，因为信息素会消失。根据当前局部解，每个Agent可以决定从相邻集合中添加一个可行解组件。难点在于初始化，蚁群算法中有许多参数需要调整：如Agent的数量、信息素的初始值和蒸发速率等。

文献[24]利用混合蚁群算法规划SAR卫星的任务，所采用的蚁群算法可在30多分钟内收敛到一个解。文献[25]利用混合蚁群算法规划调度地观测卫星。

2.2.5 自组织系统

近年来，自组织系统被用来解决动态问题，其特点在于拥有适应环境的能力。自适应多Agent系统已在多个应用领域证明了它的优势，例如Boes等人开发了一种用于热机动态控制的自适应多智能体系统；Jorquera等人提出了一种应用于多学科优化问题的自适应多智能体系统。文献[26]提出了利用自适应多Agent系统进行快速响应条件下的多星规划方法。

综上所述，对快速响应任务进行规划的方式有很多，这些研究需要面对的主要问题为如何快速给出规划方案。技术难点为以下三个方面：第一，如何构造Agent模型；第二，合理调节系统参数；第三，正确选择初始状态，初始状态的选择决定计算速度以及最终结果是局部最优还是全局最优。

2.3 星上自主任务规划

在以地面控制为主的管控模式中，遥感卫星仅具备任务执行能力，也就是严格按照地面上注的指令执行载荷动作。若将卫星视为被动的执行者，则难以充分应对动态化的观测需求。近几年，随着智能控制技术逐步从理念走向应用，研究者对于遥感卫星自主任务规划的研究也随之不断深入。NASA和美国空军于20世纪末已开始在卫星自主控制领域布局，在卫星自主控制技术的应用目的、任务要求以及实现模式等方面开展系系统性论证。美国空军实验室(AFRL)通过TechSat-21计划验证小型航天器集群的自主管理性能，该项计划的星载处理器采用OSE操作系统。OSE系统的特点在于通过消息传递完成分布式功能调用，其实现自主决策依赖于3个重要组件：① 星载智能算法，用于分析图像数据、检测触发条件等；② 基于模型的模式识别与执行(MIR)模块，通过硬件模型分析异常情况，并针对异常生成指令序列；③ 连续活动调度规划执行和重新规划(CASPER)软件，基于先前轨道周期的观测结果重新规划任务，调度下行链路；④ 容错性强的执行管理软件，采用航天器指令语言(SCL)实现事件驱动和低级别的自治[27]。

文献[28]针对观测卫星拍摄前云量难以预测的问题，采用“反应—审议”架构(Reactive-Deliberative Architecture)实现星上自主决策，其中“反应”模块根据当前环境生成规划方案并激活“审议”模块，“审议”模块对规划方案进行优化并将结果返回。“反应”模块负责最终决策，执行的计算相对简单；而“审议”模块需要消耗较多的时间和内存资源。文献[29]提出两种基于动态规划理念的调度算法，分别为离线调度和在线自主调度，经简化模型的仿真验证，后者能够更好地应对动态用户需求。

文献[30]将基于Agent的软件体系架构引入卫星集群管理领域，采用MAS(Multi Agent-based System)架构实现卫星集群的高度自治。在MAS架构中，每颗卫星都根据集群中的角色划分虚拟为不同的功能代理，如交互代理、决策代理、组织代理等。MAS可进一步划分为集中式体系和分布式体系，前者采用主从构架，两种体系的应用性能取决于软件体系的可靠性。文献[31]针对多星协同观测问题，基于MAS理论设计了分布式的多维多代理任务协同构架，该构架将遥感卫星分为管理层和工作层，管理层卫星除担负工作层基本职能外还负责观测任务的协商与分发。以管理层与工作层之间的协商为前提，文献进一步探讨了交互重规划方法(Interactive Re-planning Method)以应对异常发生时任务分配与重规划问题。IRM的基本理念是将新任务或者未完成任务尽可能添加到卫星有效载荷空闲时段内，如果任务间存在冲突，则用高优先级任务替代低优先级任务。经仿真验证，多维多代理模型较集中式MAS模型计算耗时更短。

综上，当前关于卫星自主规划的研究大致可分为两类：① 通过配置星载软件提升卫星自动化管理水平，主要针对敏捷卫星；② 将卫星集群视为智能体集合，采用MAS架构通过星间协作实现集群的自动控制。在工程应用中，为降低卫星自主规划运行的不可预见性，研究者大多采用地面运控中心有限参与控制与星上自主任务规划相结合的机制。

3 规划策略实际应用情况

本节主要介绍美国、欧洲等国家和地区的常规地面调度系统、快速响应调度系统以及自主任务调度系统的应用现状和发展趋势。

3.1 常规地面调度系统

美国各军种均有自己专属的卫星调度系统，其中空军卫星控制网(Air Force Satellite Control Network,AFSCN)是美国最大的卫星地面调度系统，负责管理军用卫星和测控站之间的通信。系统包含公用网络和专用网络，公用网络负责调度多种通用型卫星系统，专用网络则只调度专门的卫星系统[32]。大部分美国军用卫星由AFSCN控制，其4个主要组成部分为：① 卫星；② 任务控制系统(MCCs)；③ 远程跟踪站(RTSs)；④ 资源控制系统(RCCs)。

AFSCN支持的卫星包括低轨、中轨、高轨3个级别。卫星调度取决于任务需求、卫星可见的接收站数量以及卫星对于每个接收站的可视时间。任务控制系统负责对卫星的任务进行规划，制定卫星载荷控制指令，并对卫星传回的数据进行分析。资源控制系统监视整个AFSCN系统，负责调度资源，并管理卫星和接收站之间的所有数据/信息传输[33]。

美国卫星网络“烟囱”式的组织模式，导致专用网络建设成本高昂，资源综合使用效率低，故近年来美国开始推行“企业级地面系统(Enterprise Ground System)”。EGS的主要目标是建立一个通用地面体系，以整合各种独立的地面控制系统。EGS 预计将在 2020 年代早期实际运用于卫星指挥和控制[32]。

欧洲地区有着许多不同的地面系统。通常情况下，一个空间系统的操作和运行在不同阶段需要调用多个系统，然而这些现有系统使用的多为旧的软件技术和硬件平台，有许多已经或即将报废。随着时间的推移，这些系统的维护成本升高，与其他系统的信息兼容和交换也很困难，导致不同任务之间缺少协同。为有效应对这一局面，欧空局(ESA)与包括Astrium Satellites，Astrium Space Transportation，Thales Alenia Space (France and Italy)，OHB System在内的欧洲大型系统集成商讨论协作开发欧洲地面系统共同核心(EGS-CC)。法国与德国的国家航天机构、法国国家空间研究中心和德国空间研究中心也表示出加入该计划的意愿[34]。

总的来看，当前卫星调度地面系统的发展趋势为通用化，即开发通用的卫星地面控制系统，整合当前分散的卫星测控、运控资源，加强任务间的协同，降低系统维护成本。

3.2 快速响应调度系统

2012年2月，美国 ORS-1卫星及地面系统通过最终运行验收。ORS是美军基于“快速响应”理念提出的“快速响应航天 (Operationally Responsive Space，ORS)”计划。“快速响应”是军事卫星技术的重要概念，其基本特征为卫星研制速度快，目标获取速度快，数据下传速度快。ORS计划中提出了适用于快响卫星的“地面系统企业(Ground System Enterprise，GSE)”，上节介绍的EGS系统是对GSE的升级扩展。ORS的地面系统构建于美军各军种已有系统的基础，主要的调度系统为多任务卫星操作中心 (Multi-Mission Satellite Operation Center,MMSOC)。

MMSOC的地面系统架构(GSA)是由美国航天与导弹系统中心空间发展与试验联队(SDTW)开发的通用系统，用来为多种空间任务提供灵活的总体地面系统架构。MMSOC-GSA的结构可以满足多种需求，其中包括美国国防部的试验卫星任务以及ORS计划。MMSOC-GSA是一个开放系统，其遥测、跟踪和控制能力基于COTS和NDI，主要技术支持由洛克希德马丁公司、SAGES和STK提供[35]。

美国政府和美国国防部联合发起一项名为虚拟任务操作中心(VMOC)的计划，旨在开发基于互联网协议的空间或近空间系统，系统允许任何连接到互联网的计算机执行有效的载荷动态任务提交以及跟踪、遥测和控制(TT&C)操作[36]。通过标准化的星地接口，VMOC可以使操作人员以较低的成本，快速完成卫星任务规划和资源调度，实现快速响应作业[37]。

3.3 自主任务调度系统

随着分布式微小卫星在功能上逐渐完善以及星载计算能力的提升，星上自主任务规划已成为卫星系统发展的主要趋势。

美国地球观测一号(EO-1)航天器和TechSat21三星星座系统采用了自主科学飞行器实验(Autonomous Sciencecraft Experiment，ASE)软件[38]。星载自主项目(PROBA)由欧空局支持研发，其主要目的是测试卫星平台设计中的一些涉及姿态控制和错误恢复的创新技术，这些技术将使卫星能够在最少地面干涉的情况下自主操作。PROBA项目的第一颗试验卫星PROBA-1于2001年发射，从项目提出到卫星升空仅用时4年[39]。

航天器自主任务规划验证系统(VAMOS)由德国航空航天中心/德国空间操作中心(DLR /GSOC)任务规划团队提出，搭载于Biros卫星，属于综合规划系统，由在有效载荷处理单元(PPU)上实现的星载组件和FireBird任务规划系统的地面扩展组件组成。此系统可以进行实时遥测检查，以确定任务是否可以执行，此外还可以通过事件以及遥测检查，触发新的图像采集任务[40]。

4 规划策略效能评估体系

通过前文研究可看出，关于任务规划的技术、模型、算法与应用多种多样，必须依托有效的评估体系对规划策略进行分析。本节对国内外研究资料梳纳整理，将效能评估大致分为面向需求、面向算法和面向系统3个大类。

4.1 面向需求满足度的效能评估

关于遥感卫星观测需求满足度的研究较少，但其对整个系统设计具有重要意义。本节对国内外具有代表性的研究进行分析，概略如表 3所示。

表3 面向需求满足度的效能评估Tab.3 Effectiveness evaluation oriented to demand satisfaction

文献[41]从信息完备性、准确性和及时性3个维度出发，运用概率论、信息论和效用论方法建立概念模型，以通用方程进行评价，这一方法紧密关联需求，理论性较强，实际应用有待研究；兰德公司在一份研究报告中，选取观测时间、观测区域和图像质量3个指标评价需求满意度；意大利CNR构建空间分辨率等四类指标体系，这些方法对策略应用效果的单方面评估完善，但整体性不强；气象组织面向全球，建立了包含气象、化学和地理等多方需求的评估工具，涵盖深广，相应投入时间精力较多[1]。

综上所述，关于需求满意度的评估有2个特点：① 基于通用理论模型研究，而对于需求覆盖范围没有进一步讨论；② 没有深入考虑卫星应急观测、成像条件等技术指标间的关联性对需求满足度的影响。

基于上述特点，目前对满意度的评估大多采用如下思路：① 结合用户需求，建立评估指标体系；② 考虑多种约束，进行需求覆盖仿真；③ 进行满意度评估，得出结论。

4.2 面向算法性能的效能评估

算法性能评估需要建立在对算法深入了解的基础上，本节对具有代表性的研究进行分析，概略见如表 4所示。

表4 面向算法性能的效能评估Tab.4 Effectiveness evaluation oriented to algorithm performance

Barbulescu L等人[42]经30组实验，验证了启发式遗传算法应用于规模较大的场景时规划效果较好；图卢兹研究中心证明求解小规模最优解时完全搜索算法较好，而大规模时应采用禁忌搜索算法[5]；Verfaillie G.研究团队认为在线性条件下动态规划算法较好，而在非线性条件下局部搜索算法较好。

综上所述，关于算法性能的评估有2个特点：① 规划模型及算法因卫星系统的多样与复杂而类型较多；② 遗传算法等近似算法是规划求解主要方法，而精确算法在因耗时长等原因适用范围受限。

基于上述特点，目前对算法性能评估大多采用如下思路：① 抽象出观测约束，建立规划模型；② 建立优化函数反映算法性能；③ 比较各算法结果得出结论。

4.3 面向系统的效能评估

学术界对面向系统的效能评估研究较早，对文献[30，43-47]的梳理如表 5所示。

表5 面向系统的效能评估Tab.5 System-oriented effectiveness evaluation

综上，观测系统评估整体上可以划分为3个阶段：① 探索阶段:主要以概率和运筹学为主；② 中期阶段：转变为系统工程的方法论体系；③ 第三阶段：基于观测应用全过程的效能理论，定性与定量相结合。

4.4 借鉴意义

4.4.1 加强顶层设计，构建遥感卫星对地观测系统体系

随着对地观测需求的数量与复杂度不断提升，必须从以往考虑卫星的构造、效能等方面真正向应用转变。一定要注重将观测需要、应用需求到指标评估的迭代转化，以及复杂多变的全球场景和动态的目标保障。

效能评估指标体系的构建可以从单项效能、系统效能到观测效能3个层次进行分析。单项效能从卫星、传感器、地面测控站、数据接收站等应用过程中梳理得出；系统效能根据任务完成度梳理得出；对地观测效能主要从目标获取中梳理得出，示意如图 3所示。

图3 综合系统体系示意Fig.3 Schematic diagram of integrated system

4.4.2 融合评价方法，创建效能评估仿真模型

对于规划策略的评估，必须通过仿真加以验证。为了更好地贴近应用需求，需要选取卫星系统、地面系统、全球环境和观测目标等进行仿真。卫星仿真应包括平台、载荷等要素；地面仿真应包括接收、测控等因素；全球环境应包含地理、水文等环境情况，如图 4所示。

图4 仿真模型示意Fig.4 Schematic diagram of simulation model

5 结束语

随着航天技术的进步，我国在轨对地观测卫星的数量和种类不断增加，用户需求也随之更为复杂和多样。特别是近几年，随着一系列政策的出台，我国卫星应用迈入“快车道”。在这一应用背景下，如何基于现有遥感卫星观测能力，兼顾后续发展，面向来自不同行业不同领域用户提出的观测需求，选取适当的任务规划策略、优化调度方案，是需要重点关注的问题。本文围绕任务规划的四个关键环节开展研究，梳理归纳了国内外相关领域的研究进展，总结各自特点和适用范围，期望能够为对地观测卫星任务控制系统建设提供有益借鉴。