利用绕行星运行的观测卫星观测行星的方法

本发明涉及利用绕行星运行的观测卫星观测行星的领域。

绕行星运行的观测卫星可以在静止轨道上，在这种情况下，观测卫星相对于该行星的表面是固定不动的，或者，绕行星运行的观测卫星可以在漂移轨道上，在这种情况下，观测卫星相对于该行星的表面处于运动状态。

静止轨道上的观测卫星可以连续观测行星的固定区域。该固定区域限于圆盘，或者，更具体而言，是行星表面的球冠。

漂移轨道上的卫星在对观测区域(通常称为“测绘带(swath)”)进行观测时围绕行星旋转，该观测区域沿与漂移轨道上的卫星的轨道在行星表面上的投影相对应的轨迹在行星上移动。漂移轨道上的观测卫星观测到的每个区域以称为“重访频率(revisitationfrequency)”的频率被观测。

本发明的目的之一在于，提供一种观测方法，该方法能够在空间和时间上收集可靠且全面的数据。

为此，本发明提出一种计算机实现的用于观测行星的方法，所述方法包括：

-根据如下数据计算针对第一兴趣区域及漂移轨道上的第一观测卫星未观测到所述第一兴趣区域的第一时期的第一预测观测数据的步骤：由静止轨道上的第二观测卫星针对所述第一兴趣区域在所述第一时期获取的第二观测数据，和/或由所述第一观测卫星针对位于所述第一兴趣区域附近的第一观测区域在所述第一时期获取的第一观测数据；以及先前记录在数据库中的参考观测数据；和/或

-根据如下数据计算针对第二兴趣区域及静止轨道上的所述第二观测卫星未观测到所述兴趣区域的第二时期的第二预测观测数据的步骤：由漂移轨道上的所述第一观测卫星针对第二兴趣区域在所述第二时期获取的第一观测数据；以及先前记录在所述数据库中的参考观测数据。

包含预先记录的参考观测数据的数据库的形成使得可以例如通过机器学习来预测可能已经观测到何种类型的第一观测数据和/或第二观测数据，然而而这些数据却丢失。

因此，当有第一观测数据而没有第二观测数据时，可以预测所述第二观测卫星可能已经观测到的第二观测数据，和/或，当有第二观测数据而没有第一观测数据时，可以预测第一观测卫星可能已经观测到的第一观测数据，尤其，当参考观测数据包含联合观测数据时，每个联合观测数据包括针对相同的联合观测区域及相同的联合观测时期获取的第一观测数据和第二观测数据。

这样的数据库的形成还使得可以根据由漂移轨道上的卫星在兴趣区域附近的观测区域在给定时期获取的第一观测数据、以及先前记录在数据库中的参考观测数据，尤其，根据第一参考观测数据或根据联合参考观测数据，例如通过机器学习来确定在给定时期内、未被漂移轨道上的卫星观测到的兴趣区域中的漂移轨道上的卫星本可以观测到的第一观测数据。

因此，可以根据未完全覆盖扩展区域的第一观测区域相关的第一观测数据来重构针对扩展区域的观测数据。

根据具体的实施方式，所述观测方法可以包括以下可选特征中的一个或多个。

-利用由所述第一观测卫星和/或第二观测卫星完成的观测数据来更新数据库；

-利用由所述第一观测卫星和所述第二观测卫星进行的联合观测来更新所述数据库；

-所述参考观测数据包含联合参考观测数据，每个联合参考观测数据包括针对相同的联合观测区域在相同的联合观测时期获取的第一观测数据及第二观测数据；

-每个计算步骤通过预测算法完成，该预测算法通过根据由所述第一观测卫星和所述第二观测卫星联合观测到的至少一个兴趣区域的预先存储在数据库中的参考观测数据进行机器学习来更新；

-所述第二观测数据使得能够与波长无关地检测行星大气中的气象现象、大气成分变化、行星表面或内部的变化、以及电、电磁、引力及量子场的变化；

-所述第一观测数据使得能够与波长无关地检测行星表面的气象现象、大气成分变化、行星表面或内部的变化、以及电、电磁、引力及量子场的变化；

-观测卫星包括至少一个机载图像传感器；

-每个图像传感器在任意波长范围内工作，例如可见波长、红外波长及微波中的一个或多个；

-观测卫星具有至少一个机载雷达传感器，例如合成孔径雷达传感器；以及

-所述行星是地球。

本发明还涉及一种行星观测系统，配置为实现如上所述的观测方法，所述观测系统包括：漂移轨道上的第一观测卫星及静止轨道上的第二观测卫星；数据库，其中存储有所述参考观测数据；以及计算机，其上安装有预测算法，该预测算法被配置为在被所述计算机执行的过程中实现每个计算步骤。

本发明还涉及一种计算机程序产品，包括用于执行如上所述的观测方法的代码指令。

本发明及其优点将在阅读仅作为非限制性示例提供并参照附图进行的下面的描述的过程中变得更好理解。其中：

-图1是行星的卫星观测系统的观测卫星的示意图。

-图2是卫星观测系统的示意图。

-图3至图6是示出位于观测区域之间的兴趣区域的示意图。

在图1中，配置为观测行星4的卫星观测系统2具有围绕行星4的漂移轨道上的第一观测卫星6及围绕行星4的静止轨道上的第二观测卫星8。

行星4具有旋转轴A，并且绕着该旋转轴A自转。旋转轴A穿过行星4的两点，该两点是行星4的直径上相对的两个点。行星4例如是地球。

第一观测卫星6相对于行星4的表面运动，并在给定的时刻观测第一观测区域10，该第一观测区域10(测绘带)沿轨迹11在行星4的表面上移动，该轨迹11是第一观测卫星的轨道在行星表面上的投影。

由第一观测卫星6观测的每个第一观测区域10以称为重访频率的频率被观测。由于行星4的旋转，第一观测卫星6在每次第一观测卫星绕行星旋转时不会返回到相同的观测区域上。

在所示示例中，第一观测卫星6沿实质上的极地低轨道移动，亦即，位于包含旋转轴A或与旋转轴A形成微小角度的平面内。那么，重访频率是第一观测卫星6绕行星4旋转的频率的倍数。

在变型例中，第一观测卫星6沿非极地轨道移动，例如赤道型等轨道。

第二观测卫星8相对于行星4的表面固定不动，并且连续地观测行星4的固定的第二观测区域12。第二观测卫星8以与行星4绕其旋转轴A旋转的速度相同的速度绕行星4旋转。

第二观测卫星8的轨道例如在赤道平面内。

如图2所示，第一观测卫星6获取第一观测数据16，第二观测卫星8获取第二观测数据18。

第一观测数据16和第二观测数据18例如是不同类型。在变型例中，第一观测数据16和第二观测数据18可以是相同类型的。

第一观测数据16使得可以例如检测第一类型的现象，第二观测数据18使得可以检测与第一类型的现象不同或相同的第二类型的现象。

当第一类型的现象和第二类型的现象不同时，优选地，第一类型的现象和第二类型的现象相关。

“相关类型的现象”是指第一类型的现象在一区域中的发生可伴有第二类型的现象在该相同区域中的发生。

卫星观测系统2包括计算机30，配置为执行由计算机执行的预测算法32。

计算机30例如包括处理器34及记录有预测算法32的存储器36，预测算法32具有可由处理器34执行的代码指令，并且配置为处理器34执行算法时实现观测方法。

卫星观测系统2包括记录有参考观测数据的数据库38。

所述参考观测数据例如包括第一参考观测数据和/或第二参考观测数据。

数据库38中包含的第一参考观测数据和/或第二参考观测数据已由卫星观测系统2的第一观测卫星6、第二观测卫星8和/或一个或多个其他观测卫星获取，这些其他卫星中的每一个被配置为收集第一观测数据和/或第二观测数据。

换言之，数据库38由第一观测卫星6、第二观测卫星8和/或配置为获取相同类型的观测数据的其他卫星提供观测数据。

有利地，所述参考观测数据包括联合参考观测数据40，每个联合参考观测数据40包括联合获取的，亦即，在相同的联合观测时期内针对相同的联合观测区域获取的第一参考观测数据42及第二参考观测数据44。

联合观测时期是与所观测到的现象的变化速度密切关联的持续时间。该期间可能是1秒(对于较快的自然现象，例如阵风)到几分钟(云)，在较慢的自然现象(例如，侵蚀)的情况下可能是几小时甚至几天到几年(例如，行星磁场的变化)。

每个联合参考观测数据40的第一参考观测数据42和第二参考观测数据44已由第一观测卫星6和第二观测卫星8，或由卫星观测系统2的其他观测卫星联合获取，这些其他卫星中的每一个被配置为收集第一观测数据和/或第二观测数据。

换言之，数据库38由第一观测卫星6和第二观测卫星8和/或被配置为获取相同类型的观测数据的其他卫星提供联合观测数据。

预测算法32被配置为根据第一观测卫星6获取的第一观测数据16和/或第二观测卫星8获取的第二观测数据18来实现观测方法。

所述观测方法包括：

-一方面根据由第二观测卫星8针对第一兴趣区域在第一观测卫星6未观测第一兴趣区域的第一时期获取的第二观测数据18，和/或由第一观测卫星6针对位于所述第一兴趣区域附近的第一观测区域在所述第一时期获取的第一观测数据16，另一方面根据先前记录在数据库38中的参考观测数据，例如，根据联合观测数据40，计算针对第一兴趣区域及第一时期的第一预测观测数据46的步骤；和/或

-根据由第一观测卫星6针对第二兴趣区域在第二观测卫星未观测该兴趣区域的第二时期获取的第一观测数据16、以及先前记录在所述数据库38中的参考观测数据，例如根据联合参考观测数据40，计算针对第二兴趣区域及所述第二时期的第二预测观测数据48的步骤。

第一预测观测数据46和/或第二预测观测数据48的计算例如基于通过预测算法32根据数据库38中的参考观测数据进行的机器学习，例如，根据先前记录在数据库38中的联合参考观测数据40。

预先记录在数据库38中的大量参考观测数据使得可以预测在兴趣区域并在给定时期内本可以观测到哪些第一观测数据和/或哪些第二观测数据，然而没有或至少不完全地具有针对兴趣区域的这些第一观测数据和/或这些第二观测数据。

尤其，预先记录的联合参考观测数据40使得可以通过机器学习知道在所考虑的时期内，在存在第二观测卫星8获取的第二观测数据18的情况下应当观测到何种类型的第一观测数据，亦即在所考虑的时期内，在存在第一观测卫星6获取的第一观测数据16的情况下应当观测到何种类型的第二观测数据，和/或根据第一观测卫星6在位于附近的观测区域获取的第一观测数据，预测哪些第一观测数据应在兴趣区域被第一观测卫星6观测到。

所述观测方法例如包括：计算针对第一兴趣区域50及第一时期的第一预测观测数据46，在所述第一时期期间第一观测卫星6未观测到第一兴趣区域50，因此，在所考虑的时期内没有第一观测卫星6获取的第一观测数据16可用。

因此，尽管在第一考虑时期内不存在由第一观测卫星6针对第一兴趣区域50获取的第一观测数据16，预测算法32提供第一预测观测数据46。

因此，与包含联合参考观测数据40的数据库38相关联的预测算法32使得可以预测第一观测卫星6在第一兴趣区域50且在第一观测卫星6未观测该第一兴趣区域50的第一考虑时期本可以观测到什么内容。

如图3所示，第一观测卫星6沿第一观测卫星6的轨迹相继观测分布在行星表面上的一系列第一观测区域10。

第二观测卫星8连续地观测被观测的行星4的表面上的固定的第二观测区域12。

由于行星4绕着其旋转轴A的旋转以及第一观测卫星6的漂移轨道，第一观测卫星6的轨迹周期性地经过第二观测区域12，使得第一观测区域10位于第二观测区域12。

第一观测卫星6例如观测被非观测带54隔开的两个连续的观测带52，该非观测带54在分离两个连续的观测带52的观测时期内不被第一观测卫星6观测。

两个连续的观测带52之间的距离可以与第一观测卫星6的两个行程之间的被观测的行星4的旋转相对应。

因此，考虑位于该非观测带54的第一兴趣区域50，在位于第一观测卫星6的两个连续的行程之间的时期没有针对该第一兴趣区域50获取的数据16。相反地，第二数据18已被第二观测卫星8获取。

由预测算法32实现的观测方法使得可以根据在所考虑的时期由第二观测卫星8获取的第二观测数据18来预测与第一观测卫星16本可以观测到的内容相对应的预测的第一观测数据46。

可以对于位于第二固定观测区域12且在第一观测卫星6在第二观测区域12上方连续的行程期间未被第一观测卫星6观测到的第一兴趣区域50进行预测，以预测针对这些第一兴趣区域50的预测的第一观测数据46，从而为所有固定的第二观测区域12重构所获取或预测的第一观测数据16、46。

因此，尽管第一观测卫星6在确定的时期内不覆盖整个第二观测区域12，但可以获得针对整个固定的第二观测区域12的获取或预测的第一观测数据16、46。

如图4所示，第一观测卫星6的第一观测数据16的获取频率可以使得第一观测卫星6沿其漂移轨道相继观测到的两个第一观测区域10彼此隔开第一兴趣区域50，该第一兴趣区域50在位于两个连续的第一观测区域10的观测之间的第一时期未被第一观测卫星6观测。

换言之，在第一观测卫星6绕行星4的相同的旋转过程中，第一观测卫星6通过获取与非观测区域交替的一系列的第一离散观测区域10的第一观测数据16来观测行星表面4。

也可以暂时中断由第一观测卫星6进行的第一数据16的获取，从而存在第一非观测兴趣区域50，该第一非观测兴趣区域50将在第一观测卫星6绕行星4的相同的旋转过程中由第一观测卫星6相继观测到的两个第一观测区域10隔开。

因此，在一示例性的实施例中，所述观测方法包括：计算第一观测卫星6绕行星4的相同旋转过程中、由第一观测卫星6相继观测到的两个第一观测区域10之间的第一兴趣区域50的预测的第一观测数据46，第一兴趣区域50未被第一观测卫星6观测到。

同样如图4所示，在一变型例中或可选地，所述观测方法包括：计算位于第二观测区域12中的第一兴趣区域51的预测的第一观测数据46，该第一兴趣区域51在第一观测卫星6观测位于第二观测区域12中的第一观测区域10的第一时期中未被第一观测卫星6观测到，第一兴趣区域51不位于第一时期内第一观测卫星6在第二观测区域上的连续行程的第一观测区域10的任一成行排列中。

第一观测区域10沿着与第一观测卫星6在第二观测区域12上方的连续行程相对应的线定位，第一兴趣区域51位于这些线的外部。

因此，所述观测方法可以通过组合第一兴趣区域50和第一兴趣区域51来重构第一观测卫星6在确定的时期在扩展区域上应该会观测到的内容，对于该扩展区域，第一观测卫星6仅在位于扩展区域中、同时彼此隔开的多个第一观测区域10中获取到第一观测数据16。

换言之，因此，可以从扩展区域中的零散数据中预测整个扩展区域的第一观测数据。

如图5所示，第一观测卫星6观测位于由第二观测卫星8连续观测的固定的第二观测区域12的外部且第二观测卫星8不获取第一观测数据18的第一观测区域10。

在一示例性的实施例中，所述观测方法包括，根据以下两方面的数据来计算在第二考虑时期未被第二观测卫星8观测到的第二兴趣区域55、57的预测的第二观测数据48：

-一方面根据第一观测卫星6在第二考虑时期内例如针对第二兴趣区域55获取的第一观测数据16，并且

-另一方面根据先前记录在数据库38中的参考观测数据，尤其先前记录在数据库38中的联合参考观测数据40。

这使得可以在第二观测卫星8未观测到的第二兴趣区域55中计算预测的第二观测数据48，从而实际上扩大第二观测卫星8所覆盖的第二观测区域12。

如图5所示，兴趣区域55可以与第一观测卫星6在第二时期观测到的第一观测卫星6的观测区域10一致，在这种情况下，根据针对兴趣区域55获取的第一观测数据计算预测的第二观测数据46，或者，兴趣区域57可以不同于第一观测卫星6在第二时期观测到的第一观测卫星6的观测区域10。

如图6所示，在第一时期，第一观测卫星6获取位于扩展区域60中的第一观测区域10的第一观测数据16。这里，第一观测区域10沿与第一观测卫星6在扩展区域60上方的连续行程对应的平行的观测线62对齐。观测线62彼此分隔开。每个观测线62的第一观测区域10彼此隔开(如图所示)或连续。

在一个示例性的实施例中，所述观测方法包括：根据由所述第一卫星获取的第一观测数据16及先前记录在数据库38中的参考观测数据，针对与一个或多个观测区域10相邻的至少一个兴趣区域64并且针对所考虑时期计算第一预测观测数据46。

在一实施例中，先前记录在数据库38中并被考虑以计算第一预测观测数据46的参考观测数据排他地为第一参考观测数据。在这种情况下，数据库38可以仅包括第一参考观测数据。

在一变型例中，先前记录在数据库38中并被考虑以计算第一预测观测数据46的参考观测数据包括第一参考观测数据及第二参考观测数据。这使得可以具有更多数据，从而可以更好地学习。

在一特定实施例中，先前记录在数据库38中并被考虑以计算预测的第一观测数据46的参考观测数据包括联合参考观测数据40或由联合参考观测数据40构成。这有利于学习和预测的可靠性。

该计算是尤其在不考虑第二观测卫星8在与针对第一观测区域10获取的第一观测数据16相同的时期获取的第二观测数据18的情况下进行的。扩展区域60例如与第二观测区域12隔开。

实际上，尤其与机器学习相关联的联合参考观测数据40的收集使得可以从针对相邻观测区域10获取到的第一观测数据16中预测针对非观测兴趣区域的第一预测观测数据46。

该方法使得可以从针对位于扩展区域60中并且仅覆盖扩展区域60的一部分的第一观测区域10获取的第一观测数据来重构针对扩展区域60的第一观测数据。

第一观测卫星6及第二观测卫星8分别包括配置为获取观测数据的一个或多个传感器。

在一个示例性的实施例中，第一观测数据16由嵌入在第一观测卫星6中的至少一个雷达传感器56，例如合成孔径雷达传感器来获取。

在一个示例性的实施例中，第一观测数据16使得可以确定行星表面上的风场。实际上，雷达传感器，尤其合成孔径雷达传感器例如使得可以确定水体的表面状态，例如海洋的表面状态，这使得可以推断出在该水体表面上循环的风的方向和/或产生的力。

在一个示例性的实施例中，第二观测数据18由第二观测卫星8上的至少一个机载图像传感器58提供。

每个图像传感器58可以在任意波长范围内工作。

每个图像传感器58例如在可见波长、红外波长及微波中的一个或多个波长范围内工作。

第二观测数据18使得可以确定大气中的气象现象的存在。气象现象例如以观测区域上方的大气中存在的云的形状、尺寸、形状的变化速度和/或尺寸的变化速度为特征。

实际上，云的一定形状和/或扩张是特定气象现象的特征。例如，通常是暴风雨的所在地的积雨云是较大的垂直扩张迅速移动的具有特征性的形状(砧状)的云。

此外，某些气象现象的存在与行星表面上的特定风相关。例如，积雨云产生上升及下降风，并具有较强的水平风。

与气象现象相关的使风的第一观测数据42和第二观测数据44交叉的联合参考观测数据40使得可以将风与产生风的气象现象相关联。

接下来，可以根据第二观测卫星8在第一兴趣区域50并在第一观测卫星6未提供第一观测数据16的第一时期获取的气象现象相关的并且由第二观测卫星8获取的第二数据18，来预测行星4表面上的风场。

相反地，可以根据第一观测卫星6在第二兴趣区域55并在第二观测卫星8未提供第二观测数据18的第二时期获取的与风相关的第一观测数据16来预测气象现象。

在一个优选的示例性实施例中，所观测的行星是地球。在这种情况下，所述第一观测卫星例如是诸如SENTINEL(哨兵)、TerraSAR(特拉雷达)、CloudSat(云卫星)等的观测卫星，和/或所述第二观测卫星例如是诸如Meteosat(欧洲气象卫星)、Himawari(向日葵卫星)、Goes(静止轨道气象卫星系列)等的观测卫星。

本发明不限于地球表面上的风和气象现象的观测。

本发明适用于其他可观测的现象，例如地球或其他任意行星的表面或内部的海岸或山体侵蚀现象、植被的变化，土壤类型、地震现象及波浪、由于固结、坍塌或入流而导致的陆地高度的变化等。

因此，第一观测数据和/或第二观测数据例如使得可以与波长无关地确定大气的成分变化、行星表面或内部的变化、以及电、电磁、引力及量子场的变化。

对于演化或快或慢的这样的现象，联合观测时期的持续时间例如在一秒(阵风、地震波)和几小时(湿表面)到几天(植被、侵蚀、固结、坍塌或入流引起的陆地高度变化)或几年(例如，磁场变化)之间。

本发明基于根据先前记录在数据库38中的参考观测数据的机器学习。这些参考观测数据可以包括第一参考观测数据、第二参考观测数据和/或联合参考观测数据。在特定实施例中，每个计算步骤根据第一参考观测数据、第二参考观测数据和/或联合参考观测来进行。