论文部分内容阅读
高分辨率光学遥感卫星具备米级、亚米级空间分辨率的成像能力,广泛应用于空间信息应用领域。卫星发射入轨之前、在轨运营阶段需要大量的评估工作,保证卫星能够正常化运行。然而,传统卫星效能评估需要耗费大量时间、人力成本,也无法对效能指标进行敏感性分析。因此,从历史评估集中挖掘预测模型,代替串行化的评估流程就显得意义重大,同时引入参数敏感性分析方法,可以量化不同指标的灵敏度。基于此,论文的主要研究内容如下:(1)针对高分辨率光学遥感卫星对地观测能力,构建包含综合指标层、能力指标层、应用域指标层、性能指标层的评估指标体系;从固有观测能力、任务观测能力两个角度,分别给出不同指标定义及计算方法,并提出标准化的预处理方法。针对时空覆盖效能指标,设计一种基于网格法和矢量相交法的计算方法。(2)针对主、客观确权方法各自的缺陷,结合改进层次分析法、熵权法、主成分分析确权法,提出了一种基于最小二乘的效能指标组合确权方法。实验结果表明该方法可以有效地综合不同方法确权结果,从而保证了权重信息的完整性。(3)基于传统的灰色关联分析法、雷达图法,提出两种改进的评估方法,即基于动态分辨系数的加权综合灰色关联度评估法(RGRA)以及基于模糊综合的改进雷达图评估法(FCE-RRME)。RGRA评估法克服了分辨系数取为经验值的局限性,解决评估参考标准不一致问题。FCE-RRME评估法可有效避免传统方法因节点顺序导致的评估结果差异性,通过模糊化处理可以解决小样本、信息不确定问题。最终通过实验结果验证了上述方法的可靠性。(4)针对效能评估流程繁琐、耗时的特点,本文设计了一种基于Bagging和Boosting集成学习的效能预测模型。通过拉丁超立方参数抽样方法,构建仿真评估数据集。基于此数据集,与单一预测模型展开对比实验。实验结果表明,Bagging-SVR模型预测误差最小,RMSE、MAE小于0.005,MAPE小于0.9%,决定系数R~2高于0.99。基于集成学习的效能预测模型可以有效提升预测精度,较好地拟合评估结果,从而为遥感卫星效能评估领域注入新的研究思路。(5)针对传统评估方法难以定量分析指标敏感性的局限性,本文将参数敏感性分析方法应用于效能评估,设计了一种基于Sobol指数法的效能指标敏感性分析方法。实验结果表明空间域效能指标、覆盖效能指标敏感性较高,验证了该方法的可行性,对于遥感卫星效能评估敏感性分析研究具备一定的参考意义。