XiaoMi-AI文件搜索系统
World File Search System飞行轨迹
美国国家航空航天局碳空气通量实验（CARAFE）
摘要。地球表面和大气之间的微量气体交换对大气成分有重大影响。空气涡流协方差可以量化局部到区域尺度（1-1000 公里）的地表通量，可能有助于弥合自上而下和自下而上的通量估计之间的差距，并为生物物理和生物地球化学过程提供新的见解。美国宇航局碳空气通量实验 (CARAFE) 利用美国宇航局 C-23 Sherpa 飞机和一套商用和定制仪器，以高空间分辨率获取二氧化碳、甲烷、显热和潜热的通量。本文介绍了 CARAFE 有效载荷的关键组件，包括气象、温室气体、水蒸气和地表成像系统。连续小波变换沿飞机飞行轨迹提供空间分辨的通量。深入讨论了通量分析方法，特别强调了不确定性的量化。导出的表面通量中典型的不确定性为 40-90%（标称分辨率为 2 公里）或 16-35%（全程平均，通常为 30-40 公里）。CARAFE 已于 2016 年和 2017 年在美国东部成功执行了两次任务，量化了森林、农田、湿地和水域的通量。这些活动的初步结果被呈现出来，以突出该系统的性能。
2021 年美国航空气候行动计划
目标和行动承诺 美国认为，通过增强雄心来应对气候危机是我们这个时代的当务之急。本《航空气候行动计划》为航空业提供了一种全政府方法和政策框架，以促进更广泛的全经济目标。为实现雄心勃勃的气候目标，美国将实施一系列政策措施，促进创新并推动整个美国航空生态系统的变革，即航空公司、制造商/供应商、机场、能源公司、航空公司客户和各级政府。该计划以美国航空业宣布的单独和全行业承诺为基础。我们的愿景是通过以下方式减少排放： • 航空公司将新的、更高效的飞机引入其运营机队，并退役旧的、效率较低的飞机。 • 原始设备制造商 (OEM) 开发新的、更节能的飞机和发动机技术。 • 美国政府 (USG) 和航空公司改进了整个国家空域系统 (NAS) 的飞机运营，飞行轨迹更加优化，从而减少了燃料使用和尾迹影响。 • 能源部门生产可持续航空燃料 (SAF)。 • 电气化和潜在的氢气作为短途航空的解决方案。 • 美国各地机场运营的进步。 • 国际倡议
美国国家航空航天局 (NASA) 碳空气通量实验 (CARAFE)
摘要。地球表面和大气之间的微量气体交换对大气成分有重大影响。空气涡流协方差可以量化局部到区域尺度（1-1000 公里）的表面通量，可能有助于弥合自上而下和自下而上的通量估计之间的差距，并为生物物理和生物地球化学过程提供新的见解。美国宇航局碳空气通量实验 (CARAFE) 利用美国宇航局 C-23 Sherpa 飞机和一套商用和定制仪器，以高空间分辨率获取二氧化碳、甲烷、显热和潜热的通量。本文介绍了 CARAFE 有效载荷的关键组件，包括气象、温室气体、水蒸气和表面成像系统。连续小波变换沿飞机飞行轨迹提供空间分辨的通量。深入讨论了通量分析方法，特别强调了不确定性的量化。 导出的表面通量中典型的不确定性为 40-90%（标称分辨率为 2 公里）或 16-35%（全程平均，通常为 30-40 公里）。 CARAFE 已于 2016 年和 2017 年在美国东部成功执行了两次任务，量化了森林、农田、湿地和水域的通量。 这些活动的初步结果被呈现出来，以突出该系统的性能。
首次使用多基线 L 波段数据进行机载 SAR 层析成像演示
摘要—在合成孔径雷达 (SAR) 干涉测量中，两个不同传感器位置之间的相位差用于估计地形地貌。虽然可以通过这种方式找到三维 (3-D) 表面表示，但在固定距离和方位角位置的高度方向上不同散射体的分布仍然未知。与此相反，断层扫描技术在高度方向上实现了真正的几何分辨能力，并为许多应用和反演问题带来了新的可能性。即使是由重叠和缩短效应引起的 SAR 图像中的误解也可以通过断层扫描处理来解决。本文首次展示了极化机载 SAR 断层扫描的成功实验实现。我们提出了针对多基线成像几何的断层成像孔径合成概念，并讨论了由有限数量的飞行轨迹引起的限制。我们提出了一种减少与成像位置的不规则和欠采样空间分布相关的高度模糊性的方法。最后，我们解决了极化机载 SAR 层析成像的实验要求，并展示了使用德国航空航天中心的实验 SAR（E-SAR）在德国上法芬霍芬附近试验场的 L 波段获取的多基线数据集的实验结果。
数据驱动的攀爬轨迹不确定性量化
摘要 高效的轨迹预测工具将成为未来基于轨迹的运营 (TBO) 的关键功能。除了管制员的行动之外，爬升飞行中的不确定性是飞行轨迹预测误差的主要组成部分。出于运营方面的考虑，飞机起飞重量和爬升速度意图（定义爬升剖面的关键性能参数）并不完全适用于基于回合的轨迹预测基础设施。在空中交通流量管理范围内，扇区进入和退出时间（包括爬升结束和下降开始的时间）是需求容量平衡过程的主要输入。在这项工作中，我们专注于爬升轨迹的不确定性，以量化和分析它们对爬升至巡航高度的时间的影响。我们通过飞机飞行记录数据集（即 QAR）使用了模型驱动的数据统计方法。根据此分析，为飞机起飞重量和速度意图生成了概率定义。获得了这些爬升参数与飞行距离之间的回归，以减少战略层面的不确定性。此外，通过自适应不确定性减少来降低爬升不确定性也在飞行战术层面得到体现。通过模拟，说明了降低飞机质量不确定性对爬升时间的影响。关键词：空中交通管理、轨迹预测、不确定性量化、BADA 缩写
首次演示使用多基线 l 波段数据的机载 SAR 断层扫描 - 地球科学和遥感，IEEE 交易
摘要—在合成孔径雷达 (SAR) 干涉测量中，两个不同传感器位置之间的相位差用于估计地形地貌。虽然可以通过这种方式找到三维 (3-D) 表面表示，但在固定距离和方位角位置的高度方向上不同散射体的分布仍然未知。与此相反，断层扫描技术能够在高度方向上实现真正的几何分辨能力，并为许多应用和反演问题引入了新的可能性。即使是因重叠和缩短效应导致的 SAR 图像中的误解也可以通过断层扫描处理解决。本文首次展示了极化机载 SAR 断层扫描的成功实验实现。我们提出了针对多基线成像几何的断层成像孔径合成概念，并讨论了有限飞行轨迹数量带来的限制。我们提出了一种方法，用于减少与成像位置不规则和欠采样空间分布相关的高度模糊性。最后，我们解决了极化机载 SAR 断层扫描的实验要求，并使用德国奥伯法芬霍芬附近试验场的 DLR 实验 SAR（E-SAR）在 L 波段获取的多基线数据集展示了实验结果。
提高飞行精度和 - DGLR
随着飞行轨迹日益复杂，精度要求越来越高，飞行员手动飞行的工作量也随之增加，尤其是在控制发动机和减速板时。通过发动机转速或操纵杆位置等辅助参数进行的传统控制无法准确预测状态变化。相反，您必须等待并在必要时调整条目。除了座舱中现有的默认控制器（例如侧杆或控制喇叭上）之外，DFG 项目 nxControl 中还开发了一个默认控制器，用于控制发动机和制动襟翼，该控制器使用飞行路径方向 n x 上的负载倍数作为命令值（nxController）。 x 载荷倍数与总能量角同义，直接受推力和阻力的影响，但也受风的影响。该参数提供有关状态强度或总能量变化的信息，这就是在预期反应和输入之间建立直接联系的原因。 nxController旨在以低工作量满足手动飞行的高精度要求。人机界面由输入杆和驾驶舱主显示器和辅助显示器中的显示元件组成，用于控制和监控，也旨在提高能源意识。整个系统被集成到一个研究模拟器和各种
国家航空事故调查委员会
对 2010 年 4 月 10 日波兰空军 Tu-154M PLF101 飞机在斯摩棱斯克坠毁事件展开调查。委员会工作的起点是分析有关 Tu-154M 大修的决定，然后为波兰总统莱赫·卡钦斯基率领的代表团访问卡廷、飞往斯摩棱斯克以及波兰和俄罗斯军事和民事服务活动做准备。委员会审查了从驾驶舱 (CVR) 提取和读出的对话历史以及飞行参数记录器的记录及其可靠性。它根据 MAK 和部长 J. Miller 的委托重建了飞行轨迹和地面影响。针对图-154M 飞行员，检查了复飞时的控制进场和离场路径，此前从未进行过此项工作，因为当时认为调查假设撞上桦树后的事件并不重要。同时，图-154M 飞行的最后 20 秒决定了斯摩棱斯克惨案的发生。该委员会与美国威奇托国家航空研究所 (NIAR)、华沙军事技术大学、华沙航空研究所、华沙大学跨学科建模中心和华沙红衣主教斯蒂芬·维辛斯基大学合作，重建了图-154M 飞机的结构并进行了模拟
飞机起飞重量的统计建模
摘要 — 飞机的起飞重量 (TOW) 是飞机性能的一个重要方面，会影响从飞行轨迹到燃油消耗的大量特性。由于其依赖于乘客和货物载重因素以及运营策略等因素，特定航班的 TOW 通常不提供给运营航空公司以外的实体。上述观察结果促使开发准确的 TOW 估计值，可用于燃油消耗估计或轨迹预测。本文提出了一种基于高斯过程回归 (GPR) 的统计方法，使用从起飞地面滑行观测到的数据来确定 TOW 的平均估计值和相关的置信区间。选择预测变量时要同时考虑它们的易用性和底层飞机动力学。模型开发和验证是使用飞行数据记录器档案进行的，该档案还提供地面真实数据。发现所提出的模型的平均 TOW 误差为 3%，平均适用于八种不同类型的飞机，比飞机噪声和性能 (ANP) 数据库中的模型误差小近 50%。与仅提供 TOW 点估计的 ANP 数据库相比，GPR 模型通过提供概率分布来量化估计中的不确定性。最后，开发的模型用于估计飞机上升过程中的燃油流量。GPR 模型估计的 TOW 用作燃油流量估计的输入。与确定性 ANP 模型或不使用 TOW 作为明确输入的模型相比，所提出的 TOW 统计模型能够更好地量化燃油流量的不确定性。索引术语 — 统计建模；起飞重量 (TOW)；燃油流量；飞行数据记录器 (FDR)；起飞地面滑行
通过从人类反馈中进行强化学习来学习飞机操纵行为的可解释模型
高速喷气式飞机的飞行员需要经过多年的高级训练才能获得出色的操控能力。如果能够将飞行员和其他领域专家的技能、知识和偏好提炼成一个能够捕捉真实操控行为的软件模型，那么这种方法将具有重大的实用价值。这种模型的可扩展性将使其可用于战略规划演习、培训以及其他软件系统的开发和测试。这将使人类驾驶专业知识这一稀缺资源获得更大的回报。这一愿景面临着实际挑战，即准确地获取所需知识以将其编入自动化系统。在许多需要直觉决策和快速运动控制的情况下，专家们一看到良好的操控性就知道，但并不总是能用形式或语言术语表达原因 [1]。∗ 显性知识获取策略也可能非常耗时，任何依赖专家演示的方法也是如此。这促使人们采用一种使用稀疏数据源的基于学习的方法。鉴于透明度对于安全至关重要的航空应用的重要性 [2、3]，任何此类方法都必须学习一个可解释（即人类可读和可理解）的专家知识模型，以促进信任和验证。本文提出了一种可能的解决方案。我们使用人工智能强化学习 (RL) 代理来生成模拟飞行轨迹数据集，然后咨询专家以获得对这些轨迹的成对偏好，表明哪一个是针对给定感兴趣任务的首选解决方案。众所周知，成对偏好引出具有稳健性和时效性，并为组合来自多个专家的数据提供了基础，而无需就共同的评分系统达成一致。然后，我们使用统计学习算法以基于规则的树结构形式构建收集到的偏好的可解释解释模型。反过来，该树被用作奖励函数来训练代理生成更高质量的轨迹，并迭代该过程直至收敛。最终结果是两个不同的输出，它们可以形成未来规划、培训和开发软件的宝贵组成部分：