数据激增背景下的海洋卫星地面应用系统建设分析

黄 路，许永成，尹锡帆，艾文光

（1.国家海洋技术中心漳州基地筹建办公室，福建 厦门 361007；2.91668 部队，上海 200080；3.中国电子科技集团公司第三十九研究所，陕西 西安 710065）

当前，对海观测卫星正在蓬勃发展，我国计划2025年前建成海洋水色卫星星座、海洋动力卫星星座， 发展海洋环境监测卫星[1]， 包括前期存在空白的一些海洋卫星/传感器，如盐度计、星载激光雷达、高轨凝视水色星等，也在抓紧时间研制中。除传统意义上的海洋卫星外，许多资源星、环境星、高分星、合成孔径雷达（Synthetic Aperture Radar， SAR） 星、视频星等因其高空间分辨率、全天候全天时、实时/近实时等优势，也常被应用于提取海洋生态、地理等环境参数或执行海洋监视任务[2]，如图1 所示。加之一些低成本、运行高效灵活的小卫星星座[3]，这种广义范围的对海观测数据无论是其种类、数量还是容量均在快速增长。

图1 地面应用系统组成

对海观测数据的多样化、多源头化、大数据量势必将对地面应用系统的接收、处理、存储和分发等分系统功能提出更高要求。面对海量激增的海洋遥感数据，当前不少地面应用系统准备还不充分。一是卫星站接收能力不强。孙承志等[4]指出我国还没有建立覆盖全球的遥感卫星接收服务体系，数据接收能力和覆盖面与美国、欧洲等还有较大差距，并提出有关全球建站的建议。王万玉等[5]也有类似观点，提出应合理布局地面接收站以提高卫星数据全球获取能力、强化卫星组网以减少卫星间的冲突等；二是算法库/模型库不完善，尤其是国产海洋卫星定量化水平还有待提高。蒋兴伟等[6]指出我国海洋卫星遥感机理与反演算法研究投入不足，产品定标和真实性检验与国外相比存在明显差距，应用方向虽多，但业务化应用程度较低。文质彬等[2]认为我国缺乏长时间序列、高质量、易于使用的海洋卫星数据产品，产品使用频次低，提出应在海洋卫星数据处理、反演模型优化、试验验证、地面和在轨标定等方面加强投入；三是图像处理速度不快、共享水平不高。何国金等[7]指出当前遥感数据处理速率要远低于遥感数据获取与记录码速率，两者之间存在较大的数据吞吐性能差距，认为大数据时代对地观测数据处理正面临着“数据密集型计算”的挑战。阎继宁[8]发现现有的遥感产品生产系统产品种类单一、生产流程固定，无法满足用户复杂多变的个性化产品生产需求，提出可通过构建数据源推荐模型、关系知识库和云计算环境， 来实现多源、海量遥感数据的在线处理及产品生产。孙显等[9]指出利用人工智能技术对遥感数据智能分析与解译是未来发展趋势，提出发展以“云+端”架构为代表的高性能计算框架以促进算力提升、分领域搭建遥感开源大数据集和共享平台来充分发挥遥感数据效益等。海洋卫星地面应用系统建设是个复杂的系统工程，它包括从遥感数据接收到处理成专题产品，并最终按需分发给用户等全过程。上述研究多针对各分系统或其某一视角等展开讨论，缺乏对整个系统，尤其是在数据激增背景下，其优化建设方案的全面总结。

因此，本文以数据激增背景下的海洋卫星地面应用系统建设策略为主线，从数据接收、处理、存储和分发4 个方面展开详细讨论。

1 数据接收分系统

数据接收分系统主要用于自动跟踪、接收下传的实时和延时的卫星数据。

1.1 加快接收站的全球化布局

当前世界主要的航天强国均积极通过自建加共建的方式在全球范围内建设接收网，如欧洲航天局（European Space Agency，ESA） 分别在欧洲和加拿大等地建立14 个接收站，同时与其他国家签署允许接收和分发ESA 遥感卫星的协议，以提升其全球接收能力。美国地质勘探局也在计划搭建涉及36个国家、39 个组织和49 个数据接收站的国际合作伙伴接收站网[10]。我国的高分、资源、环境等卫星主要是由中国遥感地面站负责接收的，它是以北京总部为中心，拥有密云、喀什、三亚、昆明、北极5 个卫星接收站；海洋卫星接收站网是由北京站、三亚站、陵水站和牡丹江站，以及雪龙船接收系统等组成的，加上正在建设的南极站，将形成国内-移动-极地的“4+2+1”接收布局[11]。上述接收站网只能实时获取中国近海附近及一些极地地区的数据， 要实现国产卫星对更大范围海域， 如全球大洋开展实时动态遥感监测，还应积极寻求国际合作，加快接收站全球化布局，设置更多的海外接收站点。

在建设策略上，应该加强统筹规划，采用境内站和境外站以组网的方式进行接收。具体实施上，首先，要以任务为牵引，针对性地制定卫星接收计划。明确所需卫星数据的时效、范围、分辨率等参数，在此基础上遴选现有或未来可用的数据源。其次，要制定并优化地面站布局方案。一方面，要考虑接收圈对地面覆盖范围，以及当地的基础设施、自然地理环境、政治舆情因素等是否适合建站[12]；另一方面， 也要结合现有国际国内已有卫星站、拟接收卫星的航迹线[13]、对相关海域数据时效性需求等方面内容，设计出地面站最优布局方案，避免卫星增多时地面站资源浪费。

在运行策略上，首先，应设置站网中心进行统一调度和控制[11]，通过远程操控，使遍布全球的接收站发挥协同作用；其次，各站设备应该高度标准化，统一系统架构、统一标准接口，以方便各站之间的数据通信和数据应用[10]；最后，提升各站自动化运行能力，包括实现系统正常时的无人值守运行和系统异常时的应急自动化处理[14]，以及自动为每个卫星配置合理的地面接收资源[15]，以提高各站的运行效率。

1.2 预留一定的天线接收余量

当前，国内不少气象、海洋、农林等行业应用部门， 在天线口径选择上主要以4.2 m 及以下为主，在工作频段上多使用L、X 或L/X 等频段。从实现功能上看，这些天线硬件配置能够满足对多数气象星、水色星和动力星的接收需求，但对于获取监视星等数据则较为困难，如表1 所示。因为对于执行海上目标监视任务或进行海岛、海岸带调查等，通常要求数据有“3 高”，即高空间、时间和辐射分辨率，以提高探测目标的精度、时效和灵敏度，这就导致了单景卫星数据量愈来愈大。为了快速下传这些卫星图像，传输信道所使用的频段也不断提高， 逐渐由X 频段向Ka 频段过渡[16]， 以适应传输高速率数据的需求，而随着数据传输频率和码速率越来越高，小口径天线可接收数据的时间窗口也可能会变小[17]。

表1 不同传感器/卫星对接收天线口径和工作频段的需求

因此，后期规划接收SAR 星、高分星和视频星等高码率数据，有必要对接收系统的硬件端预留一定余量，主要体现在天线口径、馈源和调制解调器上。一方面，考虑适当增大天线口径， 如表1所示；另一方面，为接收不同卫星、不同工作模式的下行信号，在系统建设时可选用L/X、X/Ka、L/X/Ka 等多频段高性能馈源[18]。考虑到卫星测控和高精度对星的需要，还可增加S 频段。此外，解调器应有备份，且能够适应不同调制、编码和交织方式，以及不同数据传输速率的要求[19]。

2 数据处理分系统

经天线接收的原始数据不能直接使用，还需要进行预处理和图像处理，前者完成对原始数据冗余信息的去除、地理定位和辐射定标，形成L1B 等通用数据格式；后者则是通过专门的算法和模型反演出所需的各级遥感专题产品。

2.1 提高算法、模型及国产软件图像处理精度

在遥感反演算法和模型建立方面。国外对于水色、动力星图像处理研究起步较早，不少算法经过长期研究和真实性检验已经相当成熟，生成的产品种类也更为丰富，并形成了完整的全球海洋遥感产品体系。而国产海洋卫星起步晚，目前，卫星应用主要以数据服务为主，增值产品和服务较少，全球海洋遥感数据产品制作尚处于起步阶段[6]，不少算法的可移植性也尚待检验。因此， 国产海洋卫星星下处理技术的完善，一方面要在反演模型优化、试验验证、产品业务化应用等方面加强资源和人才投入[2]；另一方面还要提高数据的开放性，完善共享机制并加大行业推广应用[20]，吸引全球科研人员的研究兴趣并参与其中。

在遥感图像处理软件研制方面。当前，遥感图像处理多使用桌面端软件来完成，具体分专用型和通用型两类。专用软件方面，国外遥感软件代表如用于中等分辨率成像光谱仪（Moderate Resolution Imaging Spectro Radiometer，MODIS）等海洋水色卫星数据处理的SeaDAS（SeaWiFS Data Analysis System） 和用于哨兵（Sentinel） 系列卫星数据处理的SNAP（Sentinel Applications Platform） 等；国产软件代表如海洋二号系列卫星微波散射计数据处理软件等。其中，国外遥感软件多为开源，可免费下载使用，而且功能设计上更加成熟和齐全，除完成对特定数据处理外，还封装了许多通用的遥感图像处理功能模块。如SeaDAS 软件除提供MODIS 图像流程化处理模块外，还兼容对多种类型的光学卫星、SAR 卫星及通用格式和矢量格式数据的处理。通用软件方面，国外遥感软件代表如表2 所示，国产软件有像素专家（PixelInformationExpert，PIE）、MapMatrix、Image Station 等。国外软件因其具有先进可靠的影像分析工具、流程化图像处理工具，以及强大的二次开发和与地理信息系统（Geographic Information System， GIS） 集成等方面的优势而长期占据垄断地位。国产遥感图像处理系统在经历1972—2000年的萌芽期、2001—2010年的追赶期和持续至目前的自主创新期后， 已经从单机版发展演变为集群版和遥感云服务平台， 其图像解译方式由半自动化逐步发展到智能化[21]。遥感图像处理的核心是算法和模型，对于国外软件（包括专用型和通用型），其突出优势是封装了大量成熟、高精度的算法和模型， 这是国产软件需要重点借鉴和提升的地方。

表2 3 种类型的遥感图像处理平台

2.2 构建去专业化的遥感图像处理平台

对于桌面端处理平台，遥感图像的下载、处理及产品制作和分发过程均是由用户自行完成的。一方面，专业性要求高，面向特定群体，难以普适化应用；另一方面，效率也低，远不能满足快速批处理海量遥感数据的需求，如表2 所示。因此，为方便更多普通用户快速获取所需产品，首当其冲的就是将遥感图像的处理过程去专业化。企业级遥感平台和云遥感服务平台就是这方面的代表，它们不需要较高的先验知识，能轻松实现对海量遥感图像的自动化处理。其共同特点是将专业的遥感影像处理与分析功能部署在服务器端， 并以网络服务（Web Service） 方式发布， 用户可以通过各种终端，如桌面端、移动端、网页端等，很方便地获取影像分析结果[22]。区别是企业级遥感平台发布的数据和产品类型多是提前设计好的，且种类和数量不多，用户不能按需获取其他类型的数据和产品。而在云遥感服务平台上，用户可以自主地构建轻量级的在线遥感应用系统， 按需获取由系统提供的软硬件、数据、算法等并进行行业应用，因此它解决了桌面端软件非专业人员应用难和企业级遥感平台灵活性不够等问题，是“人人皆可遥感”的重要方向。

但从发展上来看，企业级遥感平台经过10 余年快速发展，从最初的在线影像服务模式，到最新一代已经包括了在线影像服务加云计算和云存储等技术，这使得其管理、处理、存储和共享海量分布式存储遥感数据的能力越来越强大。该平台特别适合面向非专业人员提供定制化、一站式，甚至无人值守等服务，因此常被应用在有特定需求的行业部门，如自然资源卫星遥感云[23]。云遥感服务平台刚刚起步，但它所需的软硬件已经成熟，能够满足行业应用的需要。此外，放在云端的遥感数据库也有不少建成的案例，如云地球大数据集。短板是平台所需的算法库、模型库尚未建立起来，即使像在云端部署大量数据和算法的谷歌地球引擎（Google Earth Engine， GEE）， 也难以为普通用户提供个性化的算法服务，虽然可以基于Web 代码编辑器进行快速、交互式地算法开发，显然这种操作更适合专业人员。因此，下一步构建完善高精度的算法库和模型库是云遥感服务平台真正实现普适化应用的关键。

3 数据存储与分发分系统

数据存储与分发分系统负责对原始数据、各级卫星产品、相关算法和模型，以及其他辅助数据进行即时存储和入库管理，并为用户提供产品信息查询检索和按需分发等服务。

在数据存储方面，数据库存储是目前遥感数据存储的主要方式，国内不少数据中心，如国家海洋科学数据中心、中国资源卫星应用中心等，均独立建库开展数据管理工作。这种方式方便用户自主、高效管理数据，灵活制定数据分发策略，如表3 所示，借助于网络，也可同时向多用户分发数据。缺点是面对海量激增的海洋遥感数据，需要数据存储、传输等设备的大量投入，而且查询、访问的人次和下载的数据量也有一定限制。而云存储方式则能很好地解决海量数据管理和共享的问题。无论是相比硬盘存储还是数据库存储，它都更容易快速部署，并且允许用户在任何时间、任何地点、任何设备上自由共享和访问数据， 这对快速收集全球范围内各站点接收的卫星数据极为方便。目前云存储方式在卫星数据存储上应用较少， 但未来有望成为主流。

表3 3 种类型的遥感图像存储形式

在数据分发方面，数据量激增并没有淘汰传统的数据分发方式，如表4 所示。未来分发策略的制定，也不应局限于某一种分发方式，而是要综合考虑不同用户对获取数据量、时效和安全性等方面的需求，将多种分发方式有机结合起来使用。如面向普通公众提供在线数据共享服务，可采用订单数据分发、FTP（File Transfer Protocol） 数据分发和云共享的方式；面向应急、监察、监测等部门提供高时效性数据时，可选择专线传输或云共享方式以加快数据分发的进度；面向军队等特殊行业部门提供高保密数据时，可采用专线传输、硬盘拷贝等离线或点对点的方式，以保证数据安全。

表4 常见的数据共享方式

4 结论

针对海洋卫星地面应用系统，尤其是国产系统，在数据接收、处理、存储和分发等方面存在的短板弱项，本文提出建立全球化的接收布局以提高数据实时接收能力，提前预留天线接收余量以避免后期扩容困难，研制高精度算法和模型以提高国产卫星产品定量化水平，建立自动化生产模式以推动遥感图像处理去专业化，发展云遥感技术（云计算、存储和共享技术） 以提高遥感产品制作、存储和分发效率等观点。

本文认为地面应用系统未来优化的重难点主要在数据处理端。一方面，不少卫星数据，尤其是国产或新发射卫星，其遥感反演算法的种类、精度、可移植性等尚存在诸多不足；另一方面，遥感图像处理的速度与快速增长的数据量还没有很好地匹配起来，数据获取与产品生成之间还存在较大的时间差；再者，遥感图像解译和产品生产目前仍以桌面端软件和专业人员为主，还未真正实现去专业化。未来，可充分借鉴一些智能化的遥感服务平台，如企业级遥感平台和云遥感服务平台等去专业化的新思路，进一步强化人工智能、深度学习、数据挖掘、云计算等与遥感技术的深度融合，并在完善高精度算法库和模型库、提高对大规模数据的算力、构建无人值守的自动化遥感图像处理模式等方面开展创新性的工作。