XiaoMi-AI文件搜索系统
World File Search System观测的
地球观测的社会价值
本文以地球观测（EO）为例，探讨了评估高科技基础设施的社会经济影响的主要挑战。EO是太空经济的一个重要领域，为了解地球的自然和社会方面提供了宝贵的见解。随着国家机构对EO等高科技基础设施的投资，评估其社会经济回报（不要与财务回报混淆）的需求日益增长。然而，对于如何评估这种社会影响，并没有明确的共识。基于研究基础设施的社会成本效益分析和太空经济投资的社会经济影响这一新研究领域，我们提出了一个新的评估框架，该框架考虑了EO价值链上的各个利益相关者。这种方法可以用于评估其他高科技公共基础设施的社会经济回报，如望远镜、粒子加速器、基因组平台、同步加速器光源、超级计算机和云基础设施。
用于神经形态空间情境观测的双目望远镜...
虽然基于事件的空间态势感知提供了显著的优势，但基于事件的传感范式也带来了传统基于帧的 SSA 所没有的新挑战。快速而微弱的点源很难在其他来源产生的虚假变化检测中识别出来，尤其是来自昆虫、蝙蝠和飞机的检测。神经形态传感器缺乏绝对亮度信息，当 RSO 和大气物体的轨迹从观察者的角度来看相似时，更难区分它们。虚假检测不仅限于大气伪影，也可能是由于传感器噪声造成的。虽然最近的神经形态传感器与旧型号相比已显著改善了噪声特性，但仍然希望尽可能接近本底噪声来检测越来越微弱的物体。
用于高分辨率地球观测的展开式自调热空间望远镜
GRD = 地面分辨率距离（原生）对于 4m 卫星，运行望远镜比火箭整流罩更宽，未展开的望远镜的 GRD 值大约大 4 倍（60 厘米和 1.2 米）4m 卫星示例只是为了展示类似于阿丽亚娜 6 的运载火箭的潜力
由学生主导的设计，开发和测试，用于分布式太空天气观测的自主，低成本平台
摘要 - 基于地面仪器的分布式阵列可以帮助提高观察结果并改善对太空天气的理解。可以通过商业工具的高成本以及互联网和电源的可用性来限制一系列传感器的实现。此外，分布式观测值需要可以轻松部署和维护的传感器。作为扩大物理学生技能呼吸的努力的一部分，同时增加了有关太空天气的识字率，成立了一组本科生，并负责使用ScIntpi 3.0设计，构建和测试一个自主平台，以进行电离层观察。scintpi 3.0是低成本的电离层闪烁和总电子含量（TEC）监视器。设计导致了采用基于蜂窝的Internet连接以及太阳能和电池电源的平台。在美国达拉斯附近建造并部署了一个功能齐全的原型（32.9 N，96.4 W）。结果表明，该平台只能在连接到选定的太阳能光伏面板时仅使用电池或无限期地运行232小时。对于系统监控，LTE功能可以实现系统健康和远程外壳访问的实时更新。提出了原型的观测示例示例，包括检测由太空天气事件引起的电离层效应。此外，讨论了研究，教育和公民科学计划的潜力。
基于横截面原位观测的双分量纤维的快速定量分析
1作物科学和农业验证系，捷克生命科学大学的热带农业学院，布拉格大学，kamin g cká129，165 00 00，捷克共和国29，165 00 165 00 00布拉格，捷克共和国3植物保护局，农业生物学，食品和自然资源学系，捷克生命科学大学布拉格，kamin cká129，165 00 00 129，165 00布拉格，捷克共和国5研究中心农业技术，尼特拉的斯洛伐克农业大学，tr。A. Hlinku 2，94976 Nitra，斯洛伐克 *通信：eloy@ftz.czu.cz
陆地卫星 50 周年及美国卫星地球观测的未来......
主席希肯卢珀、排名成员卢米斯、小组委员会和委员会成员，我很高兴今天能在地球观测科学如此充满活力和创新的时代向你们作证。美国内政部 (DOI) 和美国地质调查局 (USGS) 长期以来一直提供地球观测，包括地形、生物、地质和水资源以及地震、火山、野火和海岸变化等自然灾害。美国地质调查局忠于其使命，为不断变化的世界提供科学信息。 Landsat 的历史美国地质调查局自 1960 年代后期就一直参与 Landsat 计划，当时 DOI 提出了利用空间技术可持续管理地球自然资源的大胆愿景。第一颗 Landsat 卫星于 1972 年 7 月 23 日发射。它之后又发射了一系列 Landsat 卫星，50 多年来，这些卫星从 400 英里的太空绘制了我们星球的全面图像。 Landsat 提供的独特数据使全球科学家和分析师能够检测和监测地球上的重大变化。地方、部落、州和联邦机构都依赖 Landsat 数据来了解其土地、地表水、海岸线、生态系统和自然资源的持续变化。Landsat 是联邦机构每天执行任务时使用最广泛的陆地遥感数据源。Landsat 数据为美国和世界各地带来了巨大的经济效益，超过了对 Landsat 技术的投资。仅在美国，Landsat 每年的经济效益估计就超过 20 亿美元。如果算上对其他国家的效益，Landsat 每年的总经济效益估计接近 35 亿美元。两个独特的属性使 Landsat 成为所有民用和商业陆地成像的“黄金标准”：1) 数据的准确性和精确性，以及 2) 这些数据的长期和不间断记录。美国地球观测组织主导的地球观测评估将 Landsat 的空间系统影响力排在仅次于全球定位系统 (GPS) 的第二位。与 GPS 非常相似
用于地球观测的可解释人工智能
人工智能和机器学习在地球观测 (EO) 和遥感领域无处不在。与它们在计算机视觉领域的成功相一致，它们已被证明可以在 EO 应用中获得高精度。然而，在将复杂的机器学习模型用于特定应用之前，EO 专家还应考虑其弱点。其中一个弱点是复杂的深度学习模型缺乏可解释性。本文回顾了地球观测领域已发表的可解释 ML 或可解释 AI 示例。可解释性方法分为：内在解释与事后解释、模型特定与模型无关、全局解释与局部解释，并提供了每种类型的示例。本文还确定了社会科学和即将出台的联合国教科文组织人工智能伦理监管建议以及欧盟人工智能法案草案中的关键可解释性要求，并分析了这些限制在 EO 领域是否得到充分解决。研究结果表明，对于哪些模型可以被视为可解释或不可解释尚不明确。 EO 应用通常使用随机森林作为“可解释的”基准算法来与复杂的深度学习模型进行比较，尽管社会科学明确指出大型随机森林不能被视为可解释的基准算法。其次，大多数解释针对的是领域专家，而不是算法的潜在用户、监管机构或可能受算法决策影响的人。最后，出版物往往只是提供解释，而没有通过目标受众测试解释的实用性。鉴于这些社会和监管方面的考虑，我们提供了一个框架来指导选择合适的机器学习算法，该框架基于是否有具有高预测精度的更简单的算法以及解释的目的和目标受众。
Landsat 的持久遗产：开创从太空进行全球陆地观测的先河
Landsat 诞生于二战后的研究、工业和工程领域，是监测地球陆地面积的先驱。Landsat 最初被命名为“ERTS”（地球资源技术卫星），在卫星数据收集方面实现了多项“第一”：首次从太空平台获取数字编码的地球数据、首次在同一地方太阳时以固定间隔重复拍摄的场景图像、首次在多个光谱带中以足够的几何保真度对地面进行成像，从而可以对这些通道的响应进行有意义的比较。聪明的用户从数据中收集了大量信息，并获得了全球视野。农业清单、精确地图、地质线分类和灾害损失评估也随之而来。完全依赖个人在地面上徒步走遍每个方格并目测每片种植地以及依靠飞机飞行有限航线的时代已经一去不复返。我们怀着怀旧之情回忆那些日子，但并不后悔。
用于飞机轨迹跟踪的不完全状态观测的系统识别和 LQR 控制器设计
摘要：本文介绍了一种当并非所有状态都可用时，针对飞机跟踪问题的控制器设计流程。在研究中，采用了非线性运输飞机仿真模型，并通过最大似然原理和扩展卡尔曼滤波器对其进行了识别。在并非所有状态都可测量的情况下，所获得的数学模型用于设计具有最佳加权矩阵的线性二次调节器 (LQR)。对具有 LQR 控制器跟踪能力的非线性飞机仿真模型进行了多次实验，实验中噪声水平各不相同。结果表明，所设计的控制器具有鲁棒性，可实现精确的轨迹跟踪。研究发现，在理想的大气条件下，即使对于未测量的变量，跟踪误差也很小。在有风的情况下，跟踪误差与风速成正比，对于小扰动和中等扰动而言是可以接受的。当实验中存在湍流时，会发生与湍流强度成正比的状态变量振荡，对于小扰动和中等扰动而言是可以接受的。