XiaoMi-AI文件搜索系统
World File Search System卫星识别
Cluster-II XMM Intégral - 欧洲航天局
飞行模型组装、集成和测试 (AIT) 活动随着不同仪器的集成而加速。雷达高度计（RA-2）和ASAR（CESA）、MTSR和SCIAMACHY的电子设备已完全集成，MIPAS飞行模型的电子设备已与识别模型的光学单元耦合。 MERIS识别模型从卫星识别模型中移除并集成到飞行模型中。固态记录器也已集成到有效载荷模块中。目前，飞行模型集成工作进展正常，热平衡和真空热环境试验准备工作正在按计划进行。
2020 年 4 月 2 日 FCC 事实说明书*《新太空时代轨道碎片减缓报告和命令》以及拟议规则制定的进一步通知，IB 案卷
• 通过关于卫星可跟踪性、卫星识别以及运营商计划如何共享与空间态势感知相关的信息（如星历数据）的披露要求。 • 将地球静止轨道卫星许可证延期的信息要求编入法典，并将每次延期的期限限制为五年。 • 澄清委员会关于维持授权站控制权（包括卫星指挥通信）的现行高级要求。 • 通过一项要求，即许可证持有者必须赔偿美国根据国际外层空间条约对美国提出的任何索赔所产生的费用，从而澄清责任问题。 • 澄清修订后的规则（某些例外情况除外）适用于委员会规则第 5、25 和 97 部分下的申请人，包括第 25 部分下的美国市场准入申请人。
被动RF支持紧密间隔对象方案
在太空领域意识（SDA）任务领域，尤其是地球同步轨道，在现有的太空监视网络（SSN）和商业市场中，主要有两个现象，用于观察，测量和表征近距离空间对象（CSO）：地面基于雷达和电动光电传感器。这些现象学和能力在SDA社区中是众所周知的，但跌倒了。本文将介绍并强调强大的SDA现象学，被动射频（RF）的独特能力。被动RF天线可用于支持CSO场景，以进行独特的卫星识别和通过操纵检测产生ephemeris。通过观察每个卫星自己的RF传输，它将涵盖用于轨道测定和操纵检测的独特，高度准确的，非交叉标记的测量结果。包括现实世界的商业示例，用于突出这种能力和对分析的讨论。
高级的分布式时间域分析模拟...
在HPCMP Portal TASAT上的高级跟踪（TASAT）软件的分布式时间域分析模拟首先是在被动和主动的照明条件下以及使用地面成像系统的详细模拟进行的。tasat已演变为支持空间成像和照明器平台，用于被动（太阳能，月球，地球）和目标（激光）目标。tasat在模拟的地球轨道中提供了详细的三维（3D）计算机辅助设计（CAD）卫星模型的详细的二维（2D）渲染。使用射线示踪技术以及卫星几何和材料光学特性的数据库进行渲染。3D CAD模型的每个元素都有其自身的材料特性，因此可以确定每个表面的适当的光学，极化和散射效应。然后将渲染的图像字段与成像系统点扩散函数（PSF）进行卷积，并使用传感器空间采样和噪声模型降级，以为定义的场景提供逼真的卫星图像模拟，以作为时间的函数。tasat使用卫星材料的多光谱光学特性的库来生成用于特定目标和观察场景的辐射标志。这些材料先前已经在各种波长和观察几何形状上进行了测量，并以光学量（例如光谱反射率和双向反射率函数（BRDF）值（BRDF）值（用于有限数量的波长）值。使用TASAT对空间对象图像和相关的辐射准确性的模拟来增强对空间对象现象学（例如对象表面“闪烁”）的理解。AFRL正在与TASAT合作，开发基于物理的，详细的对空间对象成像的理解。通过生成模拟图像数据，用于不同的目标情景和广泛的光学传感器（可见到长波长红外）的知识库，支持卫星识别和表征的知识库正在发展。此知识用于对图像进行分析，以确定利用图像信息的最佳方法。
LACIE 卫星辅助监测实验... - 范围
计算机处理数据和使用数学模型及时获取信息。1977 年 8 月，该实验得出了后来被证明是准确的苏联春小麦缺口估计值。这一观察结果远早于苏联公布有关该作物的确切信息。此外，对苏联另外两个作物年度的春小麦和冬小麦产量的分析得出的估计值支持了该实验的绩效目标。LACIE 实验的成功得到了对美国冬小麦地区三个作物年度产量的准确估计的支持。该实验在预测加拿大小麦产量方面不太成功，但原因很容易理解。原因是加拿大的有效田地面积通常非常接近 LANDSAT 的分辨率极限，而且春小麦很难与某些其他作物区分开来。LACIE 导致开发了一种基于面积和产量估计来估计小麦总产量的技术、一种在不使用地面数据的情况下估计作物面积的可接受精度的技术以及一种估计作物产量的可接受精度的技术。改进 LANDSAT 数据分析程序可以进一步提高卫星识别小麦种植面积的准确性。通过结合使用 LANDSAT 数据和天气数据，可以改进产量模型，以更好地定义作物对自然条件的反应。还可以改进估计作物生长阶段的模型，以提供有助于区分小麦和类似作物（如大麦）的数据，从而改善预测。LACIE 是对已确定的国家需求和特定需求的及时响应。它是十多年研究和开发的成果，它汇集了一批特殊的人员和设备，并进行了大规模的严格测试。LACIE 令人鼓舞的结果促使人们进一步努力确定美国农业部和其他用户的需求，并将该能力扩展到其他重要问题。该实验于 1974 年启动，旨在将卫星遥感及其相关通信技术融入实验系统，并使用该系统对重要作物的产量进行估计。之所以选择小麦作为实验对象，一方面是因为小麦具有重要的经济价值，另一方面也因为它与太空技术的发展相契合。美国和苏联大片地区都种植小麦，印度和中国也有小块土地种植。世界上某些地区一年四季都有小麦生长。从农业角度来看，小麦是最简单的作物之一，也是最适合遥感的作物之一。为更准确地预测小麦产量而开发的技术似乎也适用于其他作物。农业生产变化很大，因为它取决于
采用自适应光学和边缘化盲反卷积进行低地球轨道卫星成像
1. 引言 最近，美国和法国等国家发布的声明表明，太空现已成为国防战略的明确组成部分。因此，从低地球轨道 (LEO) 到地球同步轨道 (GEO)，都需要监控关键资产、控制卫星发射等操作以及识别潜在或主动威胁。这些问题不仅对国防很重要，还可能对民用应用特别重要，例如监控专用卫星（电信、观测和科学任务）、交通处理、碎片识别和跟踪。低地球轨道尤其令人担忧，因为占据这一空间的卫星数量越来越多。借助雷达探测，可以轻松跟踪轨迹，而雷达成像可以提供卫星识别，尽管分辨率有限且成像深度有限 [1]。光学成像可以提供互补的高分辨率图像，并评估卫星的身份、状态、动态及其附近区域的控制。这需要具有快速转向能力的大口径望远镜来跟踪快速移动的目标。然后需要自适应光学 (AO) 来补偿大气湍流。因此，美国已经开发了这一领域的先进资产 [2][3]。本文的目的是展示和讨论使用专用原型获得的结果。我们还介绍了在这个特定框架下进行图像后处理的创新工作。Onera 确实为法国国防部开发了一种自适应光学 (AO) 辅助低地球轨道卫星成像仪原型。该系统还被用于演示低地球轨道卫星对地光通信 [4]。事实上，低地球轨道卫星空对地光通信在类似目标上面临着类似的问题，即使用自适应光学跟踪和补偿湍流。自适应光学台位于法国蔚蓝海岸天文台 (OCA) 的 MeO 望远镜上。考虑到低地球轨道卫星成像或光通信，其性能在很大程度上取决于卫星旋转速率驱动的湍流的快速时间演变。因此，我们开发了一种基于 GPU-CPU 的实时控制器，以减少循环延迟，从而减少时间误差。该控制器还提供了灵活性，以支持部分自动化的实施，以应对快速变化的情况。考虑到卫星成像，后处理也是一个关键问题。因此，我们利用天文学和生物医学成像领域的最新研究成果开发了专用的盲反卷积算法 [5][6][7][8]。我们首先简要介绍 AO 设置。我们讨论了系统要求和 AO 系统设计权衡。然后，我们讨论了后处理并介绍了在民用 LEO 卫星上获得的当前结果。