面向各种应用场景任务，高分辨率光学遥感的应用范式正由传统的静态地表调查向高动态实时监测演进。然而，随着载荷分辨率的提升，海量原始影像数据与有限星地通信带宽之间的矛盾日益凸显。传统的“先下传、后集中处理”模式，其固有的高传输时延已无法满足高时效的任务响应需求。为此，发展星载边缘计算技术，赋予卫星在轨实时处理数据与自主提取高价值情报的能力，已成为当前航天遥感与商业航天领域亟待突破的核心前沿。
随着全球对地观测技术的飞速发展，商业航天已步入高频次、高分辨率成像的新时代。近年来，以吉林一号、高景一号、北京三号为代表的国产商业星座发展迅猛，标志着我国商业遥感卫星已具备全球领先的服务能力。其中，吉林一号星座通过大规模卫星组网，成功实现了全球任意地点的高频次重访，其单星分辨率普遍突破亚米级。特别是目前在轨的高分07系列卫星，其分辨率优于0.5m，达到甚高分辨率水平。这种卓越的成像能力能够精准捕捉到地表目标的精细结构，是实现目标识别任务的重要前提。
现阶段，甚高分辨率卫星提供了丰富的空间特征，但在轨应用仍面临双重困境。首先，遥感影像背景极其复杂，不同地域、光照条件及云遮挡干扰使得目标与背景的区分难度加大，传统的识别框架难以兼顾精度与鲁棒性。其次，目标识别对特征提取的深度有极高要求，而卫星载荷的计算功耗、存储空间及散热能力极其有限，这造成了高精度模型与受限星载硬件资源之间的显著矛盾。
针对上述挑战，本文介绍了一种基于甚高分辨率光学遥感卫星的在轨目标识别框架。本框架的核心在于：第一，构建了以海量高分辨率遥感影像为支撑的数据底座，利用吉林一号星座积累的高质量样本增强模型泛化能力；第二，针对星载硬件的约束，开发了一套深度融合轻量化算子与硬件加速指令的模型优化部署流程，打通了模型开发到部署的闭环链路；第三，在识别算法中融入了光学成像原理，利用成像特性辅助复杂背景下的目标特征解耦，显著提升了识别的准确性。在轨测试表明，该技术框架能有效支撑实际应用场景，为下一代智能化遥感卫星的建设提供重要的技术参考。
一、在轨目标识别框架
面对商业航天对地观测任务中对时效性与识别能力的双重需求，本文介绍了一个面向甚高分辨率光学遥感卫星的在轨目标智能识别框架。该框架突破了传统遥感星上采集、地面处理的局限，构建了一个端到端的星上在轨信息输出体系。其核心有四大模块驱动：一是海量遥感数据底座，提供强大的数据底座；二是轻量化部署策略，适配受限的星载算力；三是融入光学特性补偿的在轨处理机制，稳定提升在轨处理算法精度；四是敏捷迭代链路，保证太空卫星持续进化能力。四大核心模块组成，实现了遥感数据从“原始像素获取”到“信息提取”的高效即时转化。该框架突破现有星地通信的物理带宽瓶颈，将海量原始数据降维为高价值信息切片，任务响应延迟有望能从传统的小时级向分钟级迈进，在远海目标应急搜救、民航枢纽高频监视和偏远区域电力巡检等场景提供强力支撑。总体框架图如图1所示。
1．海量遥感数据底座
高精度的在轨识别离不开高质量、大规模的数据驱动机制。目前，长光卫星通过多次成功发射，累计将百余颗吉林一号工程组网卫星送入太空，建成了全球最大的亚米级商业遥感卫星星座，在遥感信息服务上占据优势地位，其中分辨率优于1m的124颗，配合高频次的卫星重访能力，已逐步形成日均数据获取量可观的太空信息采集网络。至今已累积构成PB级的遥感数据存储，为在轨目标识别算法训练与模型迭代奠定了丰富的数据基础。
在此基础上，长光卫星依托标准化地面样本产线，已经构建了一套具备标准化分类体系的高质量样本集，作为识别任务的核心数据底座。数据底座中充分覆盖了在不同季节、天气状况及光照条件下的目标表现形态，并涵盖港口、机场、城市、山地等多种地理场景，具备良好的场景多样性。特别是依托甚高分辨率卫星获取的卫星影像数据，样本中各类目标的微观几何结构和表面纹理细节得以清晰呈现，在面对型号差异极小的目标时，为模型提供了高信息密度的图像先验知识支持，有效增强了模型在相似目标间的特征判别能力。高质量、大规模且具备标准化标注的数据底座，使得算法模型的训练过程得以在充分学习目标本质特征的基础上进行，有效降低了对复杂模型结构的依赖性。同时，在面向星上部署的严格约束条件下，即使采用相对轻量化的模型架构，仍然可以保持高识别精度，为在轨目标识别处理提供可行性。
2．模型轻量化部署
传统深度学习模型结构一般基于地面可见光应用设计，输入普遍采用红、绿、蓝（RGB）三个光谱通道的图像数据作为输入。然而，在甚高分辨率光学遥感任务中，单波段全色影像往往承载了最核心的空间结构特征。考虑到卫星边缘载荷的计算带宽限制，通过调整模型前端输入的拓扑结构，将三通道输入修改为单通道输入，显著降低网络输入数据量，缓解数据传输和预处理环节的带宽压力。为实现地面训练的高性能识别算法高效迁移到星载硬件，构建了地面训练向星上部署的模型转换机制。具体而言，将基于主流框架生成的高精度格式权重，经结构化剪枝、算子融合与计算图优化等处理，转化为星载边缘计算芯片专用的离线模型格式。经转换后的星上部署模型，能够深度调用芯片底层的计算单元，实现对高分辨率影像的快速在轨处理，从而在有限资源约束下，提升在轨处理任务时效性的能力。
3．融合光学成像原理在轨处理
当甚高分辨率遥感卫星执行识别任务时，识别算法的性能边界往往与成像端的物理条件直接相关。针对在轨目标识别，传统算法在标准条件下具有稳定的特征提取能力，但在光学成像条件极限的观测任务下，原始影像中目标表征会产生非线性变化，打破了预训练算法模型中数据分布的一致性。
甚高分辨率遥感卫星的成像质量与光学成像原理密不可分，故融合光学成像原理对原始数据完成一定的自适应补偿，能有效减少极限成像条件下的目标差异。例如，在推扫大侧摆成像条件下，目标会存在一定的非线性变化，通常表现为在图像不同区域的像元等效地物尺寸存在差异，导致同类目标的特征纹理在像面上呈现出不稳定的缩放状态。为消除底层物理成像差异对高程语义识别的干扰，框架中引入光学特性自适应补偿模块，该模块通过解析中心机传递光学特性成像参数，每个成像单元都根据当前参数计算补偿算子，重新完成L0原始数据的自适应特征重组，融合全部单元后进行空间变换，输出自适应补偿后的待检测数据。利用光学成像参数实时对原始数据完成重组和空间变换，确保输入到神经网络的数据经过优化修复，能极大地提升在极限成像条件下的目标识别算法的鲁棒性。
4．敏捷迭代链路
为满足复杂应用场景下的算法演进需求，构建端到端的星地一体化算法在轨迭代链路是不可或缺的。目前敏捷迭代链路分为四个阶段，分别是上注包制备与封装，上注单机发送数据，备份存储与安全切换和闭环状态遥测确认。具体过程是在地面算力中心完成针对特定目标的模型训练与剪枝后，对模型完成加密封装，生成标准上注软件包。上注包在上注单机锁定卫星后通过高信噪比的链路完成发送，卫星在接收到上注包后展开解调译码工作，并进行完整性检查。通过完整性检查的上注包将写入备用存储区，当全部上注内容校验通过后，地面向星上发送切换指令，激活新版本数据模型。星上在完成切换版本的同时会下发遥测指令，地面通过下注遥测状态的观测即可确认在轨迭代的状态。目前针对在轨识别业务，该链路仅需两次上注任务即可完成功能演进，显著提升卫星在轨适应新业务的能力。
二、应用模式与方向
目前，长光卫星在轨业务数据回传的应用模式主要分为两种，一种是通过天基测控链路，将识别结果以加密文本形式回传到地面；另一种是以数传切片的方式，将识别结果以目标切片的形式传回给地面站。前者在时效性方面更有前景，后者在用户可用性上更加便捷。通过获取的高质量光学影像，已经验证甚高分辨率光学卫星具备在轨识别能力，能够为海上搜救、源头监控和电力普查等领域提供有效的支撑。
1．海上搜救目标船舶
针对突发性海上事件，如船只失联、原油泄漏等临时划分的应急区域，通过迅速调度甚高分辨率的遥感卫星星座，利用多星拍摄，对目标海域实施高重访频率的密集过境拍摄。由于海域面积广阔，多星高重访的方式下生成的数据量是巨大的，传统的方式要完成星地数传、地面生产、智能解译的完整传统业务流程，耗时巨大。针对突发性场景，采用星上在轨海上船舶识别，能够直接从星上对拍摄的数据完成信息提取，将识别结果的数传切片回传，完成数据量从GB级别到MB级别的蜕变。
自星上在轨识别任务开展期间，团队通过对指定区域，多时相规划海上识别任务，完成对目标的确认，进一步验证海上搜救目标应用的可能性。例如，任务期间，通过吉林一号甚高分辨率高分07系列卫星对太平洋某海域油轮完成识别，任务时间是2026年2月3日5时15分至5时19分，识别返回的数传切片如图2所示，该油轮尺寸长约274m，宽约49m。在执行任务期间，数据拍摄稳定，成像质量良好，对油轮目标均精准召回，经星载智能系统几何预处理后，通过与5时19分AIS位置点（2117.153N，15754.563W）对比，无控制点定位精度优于20m，为未来海上应急搜救场景打下坚实基础。
2．固定机场飞机流量监测
面向大型民航枢纽的高动态运行监测需求，基于甚高分辨率光学卫星的在轨识别能够突破民航管理对业务时效性的严苛要求。依托具备强大边缘计算能力的吉林一号星座，通过对目标机场实施密集观测，能够实现对主流民用客机的分类和精准定位。下传的情报信息，能够打通空间感知与民航业务的壁垒，为枢纽机场的机位周转率高频评估、区域航空市场的运力投放摸底，以及突发公共事件下的场面透明化管控，提供全天时、高时效的底层数据支撑。
在轨任务期间，图3是对太原武宿机场2026年1月13日至1月17日的连续5次航班任务返回的记录情况，整体区域目标数量分别为30、30、30、27、26架次。
3．大规模输电线路卫星遥感巡检
目前的输电线路巡检主要依靠无人机和人力作业，然而通常线路绵延数万米，一旦在偏远区域发生地质灾害引起塔杆倾倒等问题，在时间紧迫、人力不足的情况下，快速确定故障问题区域是目前巡检应用中的一大挑战。借助吉林一号星座甚高分辨率高分07系列卫星，能够在轨识别塔杆目标位置。通过将快速回传的塔杆位置信息与地面塔杆台账比较，将发生差异的目标区域设定为优先排查点位，针对性地派出人力或无人机前往，完成进一步的巡检排查。
以原始数据为例，目标区域为云南省某山地，地面已通过测试具备将区域内8个塔杆均成功检出的能力。该例使得卫星支撑电力巡检应用有望形成闭环。当区域遭受自然灾害触发应急监测任务后，巡检人员通过比对卫星在轨识别算法返回的实时检测结果与原始位置掩模，精准捕获倒塔、滑坡遮挡导致的塔杆表征缺失或位移，从而将受灾区快速锁定于特定区域内（图4）。这一案例的未来应用，将有效地支持电力行业将全线盲搜转化为定向精准复核，大幅压缩后续无人机及地面人员的搜救响应时间，实现应急巡检中星级感知预警、地级精准排查的闭环协同。
三、未来发展展望
甚高分辨率光学遥感卫星在轨识别与传统数据下传、地面处理模式相比，能够满足应急场景下的时效性要求，缓解星地通信带宽紧张的问题。但是，要最大限度开拓卫星在轨实时处理的应用价值，亟待大力开拓的发展方向应该涵盖以下几方面。
1．星载硬件算力升级
基于航天级硬件的功耗与环境耐受力，现阶段边缘计算能力尚不足以支撑超大规模深度神经网络。未来，卫星将实现从单一成像终端向“太空算力中心”的职能转变。其核心在于构建通用算力与专用AI加速算力协同的异构计算架构。通过提升芯片的算力密度与能效比，支撑复杂场景下的高并发数据分析与精细化特征提取，从而彻底解决在轨算法规模受限的瓶颈，拓展星上在轨智能应用的覆盖广度。
2．星间高速可靠信息交互
随着卫星制造技术与发射技术的快速发展，遥感星座规模将从百颗向千颗、万颗的规模发展，组网成为巨型星座。未来基于激光通信的空间骨干网技术上的突破，可助力实现星座内部的高速信息交互。通过构建低延迟、高可靠的星间拓扑架构，支持识别结果的跨星共享与分布式协同观测。这种网络化的交互机制将推动应急响应时限从小时级向分钟级甚至秒级闭环跨越，确保信息流转的实时性与业务连续性。
3.多模态数据融合识别
单一光学载荷在观测能力上存在局限性。未来的在轨识别体系将打破载荷类型的壁垒，通过多模态数据深度融合，结合光学、红外、SAR、高光谱等，实现对目标物理属性从几何构型、热红外特性、电磁散射特性和材质组分等的全维度刻画。利用跨模态特征提取与补盲机制，增强系统在复杂气象条件与极端环境下的环境适应性，为地面决策提供高可靠、全天时、全天候的多维情报碎片，实现对全球热点区域的感知闭环。
四、结束语
甚高分辨率光学遥感卫星与目标识别系统的在轨融合，标志着商业航天正由原始数据感知向高效信息驱动的认知模式跨越。随着星载算力的持续演进，卫星智能化已成为遥感星座发展的必然趋势。未来，吉林一号星座在轨处理体系的建设将不断发展，依赖感算一体化架构与高时效星地链路，实现全球地表动态的秒级感知与全维度精准解译，将技术蓝图转化为实际的在轨应用效能。
文章来源：卫星应用微信公众号