XiaoMi-AI文件搜索系统
World File Search System卫星数据
2023 年小型卫星数据
• 此处使用的定义是 600 公斤及以下，反映了 FAA 定义的五个最小质量等级 • 报告包括所有发射的小型卫星，无论其运行状态如何 • 由于 2022 年发射的 LEO 宽带电信小型卫星数量众多，本报告提供了包括和排除这些系统的数据视图；不包括 LEO 宽带电信小型卫星系统的视图可以深入了解其他类型系统的趋势
新闻稿：ISRO在不丹的卫星数据分析上启动定制培训计划
1。由印度政府（ISRO）的印度太空研究组织主席/秘书Shri Somanath S.在印度大使Ruchira Kamboj在场，科学秘书Shri Shantanu Bhatawdekar and Isro Centors<62222222222。不丹皇家政府，外交部和ISRO的官员参加了虚拟的就职典礼。
使用 SAR 和光学卫星数据进行作物分类
将估算范围从目前的 9 种作物扩展到 17 种作物。 主要作物（水稻和小麦）的分区/街区级作物产量预测。 开发国家作物信息门户。 努力整合基于 NAVIC 和 GAGAN 的导航网络，以改进地理标记应用 基于多边形的地面实况，以提高准确性。 设想/实施基于 AI/ML 的方法来改善作物种植面积和产量估算（水稻、小麦、大豆和玉米）。 将各部委提供的各种数据与 ISRO/SRSC/州政府部门提供的地籍信息进行集成，以用于作物保险、统计数据、作物状况等。
2022 年小型卫星数据
• 此处使用的定义是 600 公斤及以下，反映了 FAA 定义的五个最小质量等级 • 报告包括所有发射的小型卫星，无论其运行状态如何 • 由于 2021 年发射的 LEO 宽带电信小型卫星数量众多，本报告提供了包括和排除这些系统的数据视图；不包括 LEO 宽带电信小型卫星系统的视图可以深入了解其他类型系统的趋势
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
近海可再生能源部门的卫星数据
是爱丁堡大学工程学院的基础设施和环境学院，国王大楼，英国爱丁堡建筑物，英国B大学，英国英国贝斯利德大学，英国爱丁堡，英国爱丁堡大学，英国英国苏格兰大学，英国英国E Weatherquest Ltd.工程，爱丁堡大学，国王建筑物，爱丁堡EH9 3JL，英国H Laboratoire de Recherche en decherche en dromynique，Energ´ etique et ecique et ecornement Alterique。阿伯丁大学生物科学，蒂利德隆大街，阿伯丁AB24 2TZ，英国k地球科学院，爱丁堡大学，爱丁堡大学，爱丁堡EH9 3JL，英国l物理和技术海洋学系是爱丁堡大学工程学院的基础设施和环境学院，国王大楼，英国爱丁堡建筑物，英国B大学，英国英国贝斯利德大学，英国爱丁堡，英国爱丁堡大学，英国英国苏格兰大学，英国英国E Weatherquest Ltd.工程，爱丁堡大学，国王建筑物，爱丁堡EH9 3JL，英国H Laboratoire de Recherche en decherche en dromynique，Energ´ etique et ecique et ecornement Alterique。阿伯丁大学生物科学，蒂利德隆大街，阿伯丁AB24 2TZ，英国k地球科学院，爱丁堡大学，爱丁堡大学，爱丁堡EH9 3JL，英国l物理和技术海洋学系
拟议飞行模拟系统的卫星数据通信链路要求
本论文由候选人论文委员会主席、航空科学系 Lance Erickson 博士指导撰写，并已获得其论文委员会成员的批准。论文已提交给研究生院，并被接受，部分满足航空科学硕士学位的要求。
机载网络稳健卫星数据单元仿真/优化建模
本文的目的是介绍一种基于 Simulink 模型的方法，用于仿真和优化一个强大的卫星数据单元 (SDU)，该单元能够提供安全和非安全航空移动卫星服务，包括在机载网络中运行的能力。为此，对 SDU 中要处理的主要航空电子系统信号和数据流量进行了分析和建模。这里的主要贡献是设计 SDU 数据流量模型，该模型集成了航空电子系统中的不同仿真模型，例如自动相关监视 - 广播、飞机通信寻址和报告系统以及飞行中连接，以供将来实施和优化，从而允许在模块化框架中对机载设备进行特性描述。最后，本文介绍了一种建模和分析工具，旨在为航空业提供减少机载设备数量（从而减少飞机重量以降低燃料消耗）和满足乘客连接需求的方法。最后，请注意，此建模是朝着开发确保更高操作安全性和易于维修和维护的设备迈出的一步。