平台上分析的制作方法

平台上分析


背景技术：

1.除了国防和情报应用之外，卫星是多个垂直领域的重要数据源，包括农业、林业和土地使用规划、采矿、石油和天然气、零售预测、应急管理和其他商业用途。收集的图像通常利用分析来丰富，诸如通过检测图像中的对象，并且为下游用户注释图像。来自轨道平台的地球观察数据(eod)的民主化扩大了成像平台的数量，以及多个行业对图像的需求。这带来了挑战，诸如附加图像的更高带宽需求对通信通道造成压力。
2.此外，由于缺乏对轨道平台的飞越限制，民用资产对敏感军事场所成像的可能性导致限制可以向下传送到地球的图像的分辨率的约束。分辨率限制基于在地球表面处的地面采样距离(gsd)而被指定，目前在一些位置，对全色图像为0.25m，对多光谱gsd为1.0m。因此，在一些场景下，在将收集的图像传送到地面站之前，可能需要一些商业轨道平台来将收集的图像下采样到较低的分辨率。例如，轨道平台可以与传感器一起被发射，该传感器能够提供比目前允许的分辨率更高的分辨率，预计未来分辨率限制会放宽，或者可能需要遵守不同地缘政治管辖区中的多种分辨率要求。相对于来自板载传感器的原始图像可能实现的分析性能，这可能会使潜在的分析性能降级。


技术实现要素：

3.下面参考下面列出的附图详细描述所公开的示例。提供以下发明内容以说明本文公开的一些示例。然而，这不意味着将所有示例限制为任何特定配置或操作的序列。
4.本文公开的一些方面涉及一种用于平台上分析的解决方案，其包括：在板载轨道平台上，使用封装分析组件丰富收集图像；至少基于收集图像的内容，选择要传送到地面站的收集图像集；以及将选择的收集图像集传送到地面站。本文公开的一些方面涉及用于平台上分析的解决方案，其包括：将分析组件封装以供在轨平台进行平台上执行；从地面站向在轨平台传送从由以下各项组成的列表选择的至少一个更新：分析算法更新、机器学习(ml)模型和ml训练数据；以及利用更新执行分析组件。本文公开的一些方面涉及用于平台上分析的解决方案，其包括：在板载轨道平台上，使用封装分析组件丰富收集图像；对收集图像执行智能压缩过程，其中智能压缩过程至少基于收集图像的内容来确定要传送到地面站的数据；以及将数据传送到地面站。
附图说明
5.下面参考下面列出的附图详细描述所公开的示例：
6.图1图示了有利地采用平台上分析的布置；
7.图2图示了基于地面的分析和平台上分析的数据流的比较；
8.图3图示了用于轨道平台的重新访问时间场景；
9.图4图示了配置轨道平台以进行平台上分析的示例性过程；
10.图5图示了更新平台上分析能力；
11.图6图示了示例性图像，以及检测的对象(提取的实体)的集合；
12.图7是图示平台上分析中涉及的示例性操作的流程图；
13.图8是另一流程图，其图示了平台上分析中涉及的示例性操作；以及
14.图9是适于实现本文公开的各种示例中的一些示例的示例计算环境的框图。
15.贯穿附图，对应的附图标记指示对应的部分。
具体实施方式
16.将参考附图对各个示例进行详细描述。贯穿附图，在可能的情况下，相同的附图标记将用于指代相同或相似的部件。贯穿本公开，仅出于说明性目的，提供了与具体示例和实施方式有关的参考，但是除非相反指出，否则并不旨在限制所有示例。
17.除了国防和情报应用之外，卫星是多个垂直领域的重要数据源，包括农业、林业和土地使用规划、采矿、石油和天然气、零售预测、应急管理和其他商业用途。收集的图像通常利用分析来丰富，诸如通过检测图像中的对象，并且为下游用户注释图像。来自轨道平台的地球观察数据(eod)的民主化扩大了成像平台的数量，以及多个行业对图像的需求。这带来了挑战，诸如附加图像的更高带宽需求对通信通道造成压力。
18.此外，由于缺乏对轨道平台的飞越限制，民用资产对敏感军事场所成像的可能性导致限制可以向下传送到地球的图像的分辨率的约束。分辨率限制基于在地球表面处的地面采样距离(gsd)而被指定，目前在一些位置，对全色图像为0.25m，对多光谱gsd为1.0m。因此，在一些场景下，在将收集的图像传送到地面站之前，可能需要一些商业轨道平台来将收集的图像下采样到较低的分辨率。例如，轨道平台可以与传感器一起被发射，该传感器能够提供比目前允许的分辨率更高的分辨率，预计未来分辨率限制会放宽，或者可能需要遵守不同地缘政治管辖区中的多种分辨率要求。相对于来自板载传感器的原始图像可能实现的分析性能，这可能会使潜在的分析性能降级。
19.一些卫星的板载传感器包括多光谱和高光谱图像(一起被称为“多光谱”)。由于图像内包含附加的光谱信息，可以对成像场景进行推断。例如，可以推断某些材料的化学成分和其他性质，包括土壤湿度、ph值、预期作物产量和植被健康状况。此外，附加信息可以改进被用于丰富收集图像的对象检测、识别和分类算法(一起被称为“对象检测”)的准确性。分析通常在对象检测中使用人工智能(ai)和/或机器学习(ml)算法(一起被称为“ml”)。但是，ml引擎中使用的ml模型需要训练。生成训练集可以是人力密集型过程，需要选择和注释足够大的训练数据集。
20.本公开的多个方面以非常规方式操作，以通过为诸如卫星的轨道平台执行平台上分析来丰富收集的图像。本公开的多个方面以非常规方式操作，以利用合成物增强平台上分析，例如通过利用合成物来训练ml模型和/或通过将合成ml训练数据传送到轨道平台以进行板载训练。本公开的多个方面以非常规方式操作，以通过执行智能压缩和数据选择来改进收集图像的传输，以将图像和/或数据从轨道平台传输到地面站。
21.本文公开的一些方面涉及一种用于平台上分析的解决方案，其包括：在板载轨道平台上，使用封装分析组件丰富收集图像；至少基于收集图像的内容，选择要传送到地面站的收集图像集；以及将所选择的收集图像集传送到地面站。本文公开的一些方面涉及用于平台上分析的解决方案，其包括：将分析组件封装以供在轨平台进行平台上执行；从地面站向在轨平台传送从由以下各项组成的列表选择的至少一个更新：分析算法更新、机器学习
(ml)模型和ml训练数据；以及利用更新执行分析组件。
22.本文公开的一些方面涉及用于平台上分析的解决方案，其包括：在板载轨道平台上，使用封装分析组件丰富收集图像；对收集图像执行智能压缩过程，其中智能压缩过程至少基于收集图像的内容来确定要传送到地面站的数据；以及将数据传送到地面站。在带宽非常宝贵时，一些示例将图像以外的数据(诸如提取实体的轻量级通知)传送到地面站，并且稍后在更多带宽可用时传送图像。
23.图1图示了有利地采用平台上分析的布置。轨道平台100(例如，卫星)对地球表面上的成像场景160进行成像，并且跨通信通道150向地面站152传送数据。通信通道150的一些示例类似于或等同于通信通道926，其关于图9更详细地被描述。地面站152将数据转发到数据存储库154，并且接收上行链路数据，诸如平台100的更新、任务和命令。数据存储库154被用户156访问，用户156检索由平台100提供的图像和数据，并且也提供更新，诸如算法更新和更新的ml模型。在一些示例中，数据存储库154提供基于云的服务，以用于管理轨道平台100的组件。数据存储库154还与合成服务158接合，以接收更新和训练数据，并且提供来自平台100上的任何板载ml训练的反馈。附加细节在图5的描述中被提供。地面站152、数据存储库154和合成服务158中的任一个可以在计算设备900的一个或多个示例上被实现，计算设备900关于图9更详细地被描述。
24.平台100具有至少一个处理器102和存储器110，其可以类似于或等同于计算设备900的处理器914和存储器912，并且因此，平台100的示例具有下面针对计算设备900描述的功能中的至少一些功能。平台100还具有至少一个传感器104，并且可以具有附加传感器104。传感器104的一些示例包括光学传感器，诸如相机，其收集可见光，无论是红色、绿色和蓝色(rgb)颜色通道还是其他可见的颜色通道。传感器104的一些示例包括收集可见光谱之外的光的多光谱(包括高光谱)传感器。平台100还具有至少一个收发器106，以用于与地面站152和其他轨道平台100a和100b通信(参见图5)。
25.由处理器102使用以执行平台上分析的各种数据集和逻辑(例如，计算机可执行指令)被存储在存储器110中。传感器104基于传感器104的图像捕获能力(诸如分辨率和光谱频带)，输出原始图像112。分析组件114摄取原始图像112以执行板载分析，并且检测在原始图像112内可用的信息中捕获的对象和状况(提取的实体)。分析组件114利用ml组件120，例如使用ml模型124来检测对象和状况的ml引擎122。在一些示例中，ml模型124包括多个ml模型(每个ml模型均是张量)，用于检测多个不同的对象和状况(例如，提取多个不同的实体)。ml训练器126使用ml训练数据128来执行板载训练，从而更新或增强平台100内的ml模型124。一般地，由于重量是轨道平台的关键因素，因此需要使用重量较轻的电池，诸如分析组件114和ml组件120的可执行程序将针对计算效率而被设计，或者基于计算效率来从各种候选者中间进行选择。
26.分析组件114输出检测的对象(提取的实体)130，其用于丰富收集图像。附加解释在图6的描述中被提供。当原始图像112具有比传送到地球所允许的分辨率更高的分辨率时，分辨率限制组件132降低原始图像112的gsd以产生有限分辨率图像134。在被允许时，一些示例对较高分辨率的原始图像112而不是对有限分辨率图像134执行分析组件114，因此与通过对有限分辨率图像134执行分析可能产生的结果相比，可以潜在地产生出众的丰富结果(例如，所检测的对象130内的出众的数据内容)。
27.所检测的对象130和有限分辨率图像134被组合以产生丰富图像136。所检测的对象130和丰富图像136的子集被智能压缩组件140选择和压缩，以传输到地面站152。通信组件142管理从存储器110到收发器106的数据流的协议、加密、调度和其他方面，以用于将数据传送到地面站152。任务数据集144控制给平台100的任务，并且提供用于对分析算法选择的特定位置调度进行选择的信息，诸如选择更适合成像场景160的ml模型(例如，基于平台100是在陆地之上还是在海洋之上)。在一些示例中，智能压缩组件140利用任务数据集144来优先处理用于传输到地面站152的数据。
28.图2图示了分别针对基于地面的分析和平台上分析的数据流200a和200b的比较。具体地，将数据流200a与数据流200b进行比较说明了平台上分析的优势。在数据流200a中，成像场景160由传感器104成像以产生原始图像112，原始图像112被存储在存储器110中。当原始图像112具有比传送到地球所允许的分辨率更高的分辨率时，分辨率限制组件132将原始图像112的gsd降低以产生有限分辨率图像134。有限分辨率图像134被存储在存储器110中以用于在通信通道150上传输。
29.相对于数据流200b，数据流200a传递更低信息密度的数据，并且对带宽提出更高的要求。一旦到达数据存储库154，就基于地面的分析组件214摄取有限分辨率图像134并且输出检测的对象(提取的实体)230。所检测的对象230和有限分辨率图像134被组合以产生丰富图像236以供用户156消费。
30.在数据流200b中，成像场景160由传感器104成像以产生原始图像112，原始图像112被存储在存储器110中。分析组件114摄取原始图像112，并且输出所检测的对象130。对于其中分析组件114可以使用更高分辨率图像(例如，原始图像112而不是有限分辨率图像134)的场景，所检测的对象130可以具有比所检测的对象230更出众的信息内容。当原始图像112具有比传送到地球所允许的分辨率更高的分辨率时，分辨率限制组件132将原始图像112的gsd降低以产生有限分辨率图像134。所检测的对象130和有限分辨率图像134被组合以产生丰富图像136。丰富图像136被存储在存储器110中以用于在通信通道150上传输。
31.相对于数据流200a，当仅丰富图像136的子集被传送(经由通信通道150，经由地面站152)到数据存储库154时，数据流200b传递更高信息密度数据并且对带宽提出更低的要求。例如，对于数据流200a，由于产生有限分辨率图像134的内容是未知的，基于地面的分析组件214接收和处理有限分辨率图像134的整个集合。这要求跨通信通道150传送有限分辨率图像134的整个集合，即使是对于有限分辨率图像134包含大量重复信息或包含很少感兴趣对象的场景的情况。相比之下，对于数据流200b，如果所检测的对象130指示有限分辨率图像134或丰富图像136包含大量重复信息或很少感兴趣对象，则跨通信通道150传送较少的图像(例如，仅丰富图像136的子集)。在到达数据存储库154时，丰富图像136可用于用户156消费。
32.图3图示了轨道平台的重新访问时间场景。卫星群300包括平台100和其他轨道平台100a和100b。如图3中所示，平台100处于收集成像场景160的图像的位置。重新访问周期302(由图3内的箭头圆圈指示)是平台100在其轨道导航路径中返回到它可以再次收集成像场景160的图像的位置所需的时间。重新访问周期302的倒数是平台100的重新访问时间。
33.然而，一些轨道成像服务提供商基于成像资产的可互换性假设，基于卫星群来抽象重新访问时间。因此，例如，由于平台100和其他轨道平台100a和100b的轨道间距，卫星群
重新访问周期304由在平台100不再能察看成像场景160之后，其他轨道平台100a和100b中的一个多快移动到位以开始收集成像场景160的图像而被确定。
34.然而，在平台100上的分析组件114使用ml组件120的情况下，如果其他轨道平台100a和100b不具有ml组件120的精确副本(例如，ml模型124已经被唯一地训练)，则平台上分析的能力不可互换。在这种场景中，使用特定卫星(例如，平台100)的重新访问时间进行任务规划可以比使用卫星群重新访问时间更优选。卫星间通信(其可以共享ml组件(例如，ml模型124)的副本，并且关于图5进行描述)可以允许利用卫星群300以用于更快的重新访问时间。
35.图4图示了配置轨道平台100以进行平台上分析的示例性过程400。在一些示例中，包括ml组件120的至少一部分的分析组件114在现场可编程门阵列(fpga)402上实现。在这种示例中，fpga 402包括存储器110的一部分。在一些示例中，作为fpga 402的补充或代替fpga 402使用专用集成电路(asic)。这种解决方案可能被对空间合规硬件的严格要求影响，其中严格要求包括确保平台100在恶劣环境中的安全的大量安全要求。此外，fpga 402被精心配置以使功耗最小化，因为轨道平台上的重量和功率预算通常非常严格。
36.使用fpga 402的一种解决方案包括将图像收集和分析引擎压缩为分析组件114，使用它对fpga 402进行编程，然后将fpga 402安装到平台100中。应当理解，过程400是用于配置轨道平台100以进行平台上分析的多种解决方案之一，并且其他解决方案(诸如在处理器102上作为指令和数据运行分析组件114)也是可能的。
37.图5图示了更新平台上分析能力，更新诸如分析组件114以及ml组件120的各种组件。平台100在轨道上时的远程性对如本文所述的那样解决的分析能力的更新产生挑战。一旦平台100的操作者或用户确定存在更新平台100的板载分析能力的需求，就准备更新。在一些示例中，这是由用户156提供的更新的ml模型524a，其经由地面站152发送以更新ml模型124(参见图1)。在一些示例中，这是人工合成训练的ml模型524b，其由合成服务158提供和训练，合成服务158经由地面站152发送以更新ml模型124。在采用板载训练的示例中，合成服务158提供合成ml训练数据528以增强、更新或代替ml训练数据128。在一些示例中，更新包括其他更新和修复502，其可以例如包括分析组件114、ml引擎122和ml训练器126中的一个或多个中的漏洞修复。在一些示例中，ml引擎122和ml训练器126由基于云的服务管理，诸如通过数据存储库154管理。不同的平台可以作为不同的边缘计算节点被管理，具有不同的人工智能(ai)和ml算法的集合和重点。
38.合成训练提供了成本有效地改进分析能力的能力，使得ml模型能够使用从多光谱传感器可用的光谱频带进行推理(例如，检测对象、提取实体等)。这使得能够利用成像场景内可用的信息，即使是光谱信息在可见光的范围之外。合成服务158还为可见频带(例如rgb)内的图像提供有成本效益的训练。合成服务158的一些示例能够以比人类专家更快的速度生成大量的ml训练数据。
39.不幸的是，诸如地面站152的地面站在地理上是分散的，并且可能具有较满的时间表。因此，为了向平台100发送任何更新，至少基于平台100的期望的导航路径和地面站152的位置，在平台100和地面站152之间安排通信会话。在接收到更新后，平台100能够利用更新来执行分析组件114。
40.在一些示例中，平台100还能够分别使用通信通道550a和550b与其他轨道平台
100a和100b通信。这使得平台100能够向其他轨道平台100a和100b传送(转发)接收的更新的至少一部分。在从平台100接收到更新之后，其他轨道平台100a和100b能够利用该更新来执行它们自己的分析组件。该场景将卫星群300呈现为对等网络，该对等网络在一些示例中充当分布式计算布置。
41.图6图示了示例性收集图像600以及对象掩模602内的检测的对象的集合。例如，收集图像600可以表示原始图像112或有限分辨率图像134内的图像。对象掩模602包括大小、位置和在(从)收集图像600中检测(提取)的特定对象或状况。关于对象掩模内的对象的信息被存储在所检测的对象130内，并且被用于丰富或注释收集图像600。
42.图7是图示在用户设备的智能配置管理中涉及的示例性操作的流程图700。在一些示例中，针对流程图700描述的操作由图9的计算设备900执行。流程图700开始于操作702，其包括将分析组件封装以供在轨平台进行平台上执行。在一些示例中，这包括在fpga中实现分析组件软件组件。在一些示例中，这包括封装分析组件以在轨道平台环境约束内操作。操作704包括将平台放到轨道中，并且操作706包括由平台收集图像以产生收集图像的集合。在一些示例中，这包括利用多光谱传感器对收集图像进行收集。
43.操作708包括：至少基于平台位置，选择至少一个ml模型来执行。例如，如果平台在海洋区域之上，则用于在基于陆地的设定中检测对象的分析算法的用处就有限。因此，备选地，将选择适于海洋场景的多光谱图像的分析算法，诸如确定盐度、温度和水生生物浓度。在一些示例中，平台的轨道位置被用作选择要执行的ml模型的因素。轨道位置可以影响太阳能面板可用的电量，诸如当平台在地球的阴影中时。这意味着处理需要电池功率。需要相对密集处理的一些ml模型导致处理器对平台的功率储备(诸如电池)提出更高的功率需求。因此，在一些示例中，当平台在阴影中并且依靠电池运行时，产生更高功率消耗的ml模型将不被选择来执行，而在平台正在接收全部太阳能或电池储备充足的其他情况下，该ml模型将被选择来执行。
44.通常，因为重量是轨道平台的非常关键的因素，因此驱动了对使用较轻重量的电池的需求，被选择以用于在平台上使用的ml模型将针对计算效率而被设计。作为降低处理器需求的示例，当平台在地球的阴影(夜间)侧并且收集红外(ir)图像时，基于rgb的图像分类或对象检测/识别算法可以被避免。操作710包括使用封装分析组件对收集图像执行分析，例如，执行在操作708中选择的ml模型。操作712包括降低收集图像的分辨率以产生有限分辨率图像。这在一些示例中被执行，以符合指定gsd的法律要求。
45.操作714包括：在轨道平台上，使用封装分析组件丰富收集图像。在一些示例中，这涉及对有限分辨率图像进行注释，尽管在一些示例中，原始分辨率图像被注释。操作716包括：至少基于收集图像的内容，选择要传送到地面站的收集图像集；并且操作718包括对收集图像执行智能压缩过程。在一些示例中，智能压缩过程至少基于收集图像的内容，来确定要传送到地面站的数据。即，在确保频谱效率(例如，确定要发送多少收集和丰富数据)中涉及智能。不同的地面站可能具有不同的数据摄取能力，因此智能压缩过程至少基于地面站的能力来选择要发送的数据量。一些示例仅发送图像内容的标识(例如，检测的对象或状况)并且发送包含某些检测的对象或状况的收集图像。一些示例标识包含重复的丰富数据(例如，检测的对象或状况)的图像并且仅发送单个示例，以避免发送不必要的重复项。
46.基于在决策操作720中确定的数据传输简档，操作722包括将所选择的收集图像集
传送到地面站。在一些示例中，被传送到地面站的所选择的收集图像集包括在操作714中被丰富的丰富图像的至少一部分。备选地，操作724包括向地面站传送除图像之外的数据。在一些示例中，这包括传送推理数据(经丰富的数据)，推理数据(经丰富的数据)针对来自多光谱收集图像集的频带的有限集(少于全部)。即，在带宽非常宝贵时，一些示例发送提取实体的轻量级通知，并且稍后在更多带宽可用时传送图像。
47.图8是图示在用户设备的智能配置管理中涉及的示例性操作的流程图8000。在一些示例中，针对流程图800描述的操作由图9的计算设备900执行。流程图800开始于操作702
‑
706，如上文针对图7所描述的。操作802包括确定对封装分析组件的更新的需求。在一些示例中，这包括分析算法更新，诸如漏洞修复或其他维护。操作804包括确定对新ml模型的需求。在一些示例中，新ml模型添加到平台上的现有ml模型集。在一些示例中，新ml模型是代替平台上的现有ml模型中的一个模型的更新。在一些示例中，新ml模型在传送之前由合成服务训练。操作806包括确定对ml训练数据的需求。以该方式，平台上的机器学习模型可以利用平台上的训练进行更新。在一些示例中，合成服务以合成训练数据提供ml训练数据。新ml模型和ml训练数据都是对分析组件的更新，因为分析组件包括ml组件。因此，操作802
‑
806一起包括确定对封装分析组件的更新的需求，其中对封装分析组件的更新包括：从由以下各项组成的列表选择的至少一个更新：分析算法更新、新ml模型和ml训练数据。
48.操作808包括确定用于通信的平台可用性。例如，这可以包括至少基于平台的期望的导航路径，来确定地面站通信能力(例如，下一个访问的地面站)。操作810包括至少基于平台的期望的导航路径，调度与平台的通信。操作812包括从地面站向在轨平台传送至少一个更新，该至少一个更新从由以下各项组成的列表选择：分析算法更新、ml模型更新和ml训练数据更新。在一些示例中，更新(ml模型更新)代替平台上的现有ml模型中的一个模型。在一些示例中，更新(ml训练数据更新)包括合成训练数据。操作814包括利用更新执行分析组件，例如执行流程图700的操作710。操作816包括将更新的至少一部分从平台传送(转发)到第二轨道平台。操作818包括利用第二轨道平台上的分析组件执行更新。
49.附加示例
50.本文公开的一些方面和示例涉及一种用于对收集图像执行平台上分析的系统，系统包括：处理器；以及存储指令的计算机可读介质，这些指令在由处理器执行时可操作使：在板载轨道平台上，使用封装分析组件来丰富收集图像；至少根据收集图像的内容，选择要传送到地面站的收集图像集；以及将选择的收集图像集传送到地面站。
51.本文公开的附加方面和示例涉及用于对收集图像执行平台上分析的系统，系统包括：处理器；以及存储指令的计算机可读介质，这些指令在由处理器执行时可操作使：将分析组件封装以用于在轨平台进行平台上执行；从地面站向平台传送至少一个更新，该至少一个更新从由以下各项组成的列表选择：分析算法更新、ml模型更新和ml训练数据更新；以及利用更新执行分析组件。
52.本文公开的附加方面和示例涉及对收集图像执行平台上分析的方法，方法包括：在板载轨道平台上，使用封装分析组件丰富收集图像；至少基于收集图像的内容，选择要传送到地面站的收集图像集；以及将选择的收集图像集传送到地面站。
53.本文公开的附加方面和示例涉及对收集图像执行平台上分析的方法，包括：将分析组件封装以用于在轨平台进行平台上执行；从地面站向平台传送至少一个更新，该至少
一个更新从由以下项组成的列表选择：分析算法更新、ml模型更新和ml训练数据更新；以及利用更新执行分析组件。
54.本文公开的附加方面和示例涉及一个或多个计算机存储设备，其上存储有用于对收集图像执行平台上分析的计算机可执行指令，该计算机可执行指令在由计算机执行时，使计算机执行操作，操作包括：在板载轨道平台上，使用封装分析组件丰富收集图像；至少基于收集图像的内容，选择要传送到地面站的收集图像集；以及将选择的收集图像集传送到地面站。
55.本文公开的附加方面和示例涉及一个或多个计算机存储设备，其上存储有用于对收集图像执行平台上分析的计算机可执行指令，该计算机可执行指令在由计算机执行时，使计算机执行操作，操作包括：将分析组件封装以用于在轨平台进行平台上执行；从地面站向平台传送至少一个更新，该至少一个更新从由以下各项组成的列表选择：分析算法更新、ml模型更新和ml训练数据更新；以及利用更新执行分析组件。
56.备选地或作为本文描述的其他示例的补充，示例包括以下的任何组合：
57.‑
对收集图像执行智能压缩过程，其中智能压缩过程至少基于收集图像的内容，来确定要传送到第二地面站的数据；
58.‑
将数据传送到第二地面站；
59.‑
数据包括来自多光谱收集图像集的、针对少于所有频带的频带的有限集的推断数据；
60.‑
利用多光谱传感器对收集图像集进行收集；
61.‑
至少基于平台位置，选择至少一个ml模型来执行；
62.‑
丰富收集图像包括：使用选择的ml模型对收集图像执行分析；
63.‑
降低收集图像的分辨率以产生有限分辨率图像；
64.‑
将选择的收集图像的集合传送到地面站包括：传送有限分辨率图像集；
65.‑
丰富收集图像包括对有限分辨率图像进行注释；
66.‑
在fpga中实现分析组件软件组件；
67.‑
将分析组件轨道平台环境约束封装；
68.‑
将平台放到轨道中；
69.‑
传送到地面站的所选择的收集图像的集合包括丰富图像的至少一部分；
70.‑
确定对封装分析组件的更新的需求；
71.‑
确定用于通信的平台可用性；
72.‑
至少基于平台的期望的导航路径，调度与平台的通信；
73.‑
更新代替平台上的现有ml模型；
74.‑
更新包括合成训练数据；
75.‑
将更新的至少一部分从平台传送到第二轨道平台；
76.‑
利用第二轨道平台上的分析组件执行更新；
77.‑
通过平台收集图像；以及
78.‑
使用封装分析组件对收集图像执行分析。
79.虽然已经根据各种示例及其相关联操作对本公开的方面进行了描述，但是本领域技术人员应当理解，来自任何数目的不同示例的操作的组合也在本公开的各方面的范围
内。
80.示例操作环境
81.图9是用于实现本文公开的方面的示例计算设备900的框图，并且被一般地指定为计算设备900。计算设备900只是适当计算环境的一个示例，并且不旨在暗示对本文公开的示例的用途或功能的范围的任何限制。计算设备900也不应当被解释为对所说明的任何一个组件/模块或组件/模块的组合具有任何依赖性或要求。可以在计算机代码或机器可用指令的一般上下文中描述本文公开的示例，包括由计算机或其他机器(诸如个人数据助理或其他手持设备)执行的计算机可执行指令，诸如程序组件。通常，程序组件(包括例程、程序、对象、组件、数据结构等)是指执行特定任务或实现特定抽象数据类型的代码。所公开的示例可以在各种系统配置中被实践，包括个人计算机、膝上型计算机、智能手机、移动平板、手持设备、消费电子、专业计算设备等。当任务由通过通信网络链接的远程处理设备执行时，所公开的示例也可以在分布式计算环境中被实践。
82.计算设备900包括直接或间接耦合以下设备的总线910：计算机存储存储器912、一个或多个处理器914、一个或多个呈现组件916、i/o端口918、i/o组件920、电源922和网络组件924。虽然计算设备900被描绘为看似单一的设备，但是多个计算设备900可以一起工作并且共享所描绘的设备资源。例如，存储器912可以跨多个设备分布，并且处理器914可以与不同的设备一起被容纳。
83.总线910表示什么可以是一个或多个总线(诸如，地址总线、数据总线或其组合)。虽然为了清楚起见，利用线示出了图9的各个块，描绘各种组件可以利用备选的表示来完成。例如，在一些示例中，诸如显示设备的呈现组件是i/o组件，并且处理器的一些示例具有它们自己的存储器。在诸如“工作站”、“服务器”、“膝上型计算机”、“手持设备”等类别之间不做区分，因为所有这些都被预期在图9以及本文对“计算设备”的引用的范围内。存储器912可以采用下面引用的计算机存储介质的形式，并且可操作地为计算设备900提供计算机可读指令、数据结构、程序模块和其他数据的存储。在一些示例中，存储器912存储以下中的一个或多个：操作系统、通用应用平台或其他程序模块和程序数据。因此，存储器912能够存储和访问数据912a和指令912b，指令912b可由处理器914执行并且被配置成实施本文公开的各种操作。
84.在一些示例中，存储器912包括易失性和/或非易失性存储器、可移除或不可移除存储器、虚拟环境中的数据盘或其组合的形式的计算机存储介质。存储器912可以包括与计算设备900相关联或可由计算设备900访问的任何数量的存储器。存储器912可以在计算设备900内部(如图9中所示)、在计算设备900外部(未示出)，或者两者(未示出)。存储器912的示例包括但不限于随机存取存储器(ram)；只读存储器(rom)；电子可擦可编程只读存储器(eeprom)；闪存或其他存储器技术；cd
‑
rom、数字多功能盘(dvd)或其他光学或全息媒体；盒式磁带、磁带、磁盘存储装置或其他磁性存储设备；接线到模拟计算设备的存储器；或用于对所需信息进行编码并且由计算设备900访问的任何其他介质。附加地或备选地，存储器912可以跨多个计算设备900分布，例如，在多个设备900上实施指令处理的虚拟化环境中。出于本公开的目的，“计算机存储介质”、“计算机存储存储器”、“存储器”和“存储器设备”是计算机存储存储器912的同义术语，并且这些术语均不包括载波或传播信号。
85.(多个)处理器914可以包括从各种实体(诸如存储器912或i/o组件920)读取数据
的任何数量的处理单元。具体地，(多个)处理器914被编程为执行计算机可执行指令以实现本公开的方面。指令可以由处理器、由计算设备900内的多个处理器或由客户端计算设备900外部的处理器执行。在一些示例中，处理器914被编程为执行指令，诸如在下面讨论的流程图中说明和在附图中描绘的那些指令。此外，在一些示例中，处理器914表示用于执行本文描述的操作的模拟技术的实现。例如，操作可以由模拟客户端计算设备900和/或数字客户端计算设备900执行。呈现组件916向用户或其他设备呈现数据指示。示例性呈现组件包括显示设备、扬声器、打印组件、振动组件等。本领域技术人员将理解和意识到，可以以多种方式呈现计算机数据，诸如在图形用户界面(gui)中视觉呈现、通过扬声器可听地呈现、在计算设备900之间无线地呈现、跨有线连接呈现或以其他方式呈现。i/o端口918允许计算设备900逻辑地耦合到包括i/o组件920的其他设备，其他设备中一些可以是内置的。示例i/o组件920包括，例如但不限于，麦克风、操纵杆、游戏手柄、卫星天线、扫描仪、打印机、无线设备等。
86.计算设备900可以使用到一个或多个远程计算机的逻辑连接，经由网络组件924在联网环境中操作。在一些示例中，网络组件924包括网络接口卡和/或用于操作网络接口卡的计算机可执行指令(例如，驱动器)。计算设备900与其他设备之间的通信可以通过任何有线连接或无线连接使用任何协议或机构进行。在一些示例中，网络组件924可操作以在无线使用短程通信技术(例如，近场通信(nfc)、蓝牙
tm
品牌通信等)或其组合的设备之间使用传送协议通过公共、私有或混合(公共和私有)传输数据。网络组件924通过无线通信通道926和/或有线通信通道926a跨网络930与云资源928通信。通信通道926和926a的各种不同示例包括无线连接、有线连接和/或专用链路，并且在一些示例中，至少一部分通过互联网路由。
87.尽管结合示例计算设备900进行了描述，但是本公开的示例能够使用许多其他通用或专用计算系统环境、配置或设备来实现。可能适合与本公开的各方面一起使用的众所周知的计算系统、环境和/或配置的示例包括但不限于智能电话、移动平板、移动计算设备、个人计算机、服务器计算机、手持式设备或膝上型计算机设备、多处理器系统、游戏控制台、基于微处理器的系统、机顶盒、可编程消费者电子产品、移动电话、可穿戴式或配件形状因子(例如，手表、眼镜、耳机，或听筒)中的移动计算和/或通信设备、网络pc、小型计算机、大型计算机、包括上述系统或设备中的任一系统或设备的分布式计算环境、虚拟现实(vr)设备、增强现实(ar)设备、混合显示(mr)设备、全息设备等。这种系统或设备可以经由手势输入、接近输入(诸如通过悬停)和/或经由话音输入以任何方式接受来自用户(包括来自诸如键盘或指向设备的输入设备)的输入。
88.本公开的示例可以在诸如由一个或多个计算机或其他设备以软件、固件、硬件或其组合执行的程序模块的计算机可执行指令的一般背景中进行描述。计算机可执行指令可以被组织成一个或多个计算机可执行组件或模块。通常，程序模块包括但不限于执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件和数据结构。本公开的方面可以利用任何数目和组织的这种组件或模块来实现。例如，本公开的方面不限于图中所示和本文描述的特定计算机可执行指令或特定组件或模块。本公开的其他示例可以包括功能性比本文所示和描述的功能性多或少的不同的计算机可执行指令或组件。在涉及通用计算机的示例中，当被配置成执行本文描述的指令时，本公开的方面将通用计算机转换为专用计算设备。
89.作为示例而非限制，计算机可读介质包括计算机存储介质和通信介质。计算机存储介质包括以任何方法或技术实现的易失性存储器和非易失性存储器、可移动存储器和不可移动存储器，用于存储诸如计算机可读指令、数据结构、程序模块等的信息。计算机存储介质是有形介质，并且与通信介质互斥。计算机存储介质以硬件实现，并且把载波和传播信号排除在外。出于本公开的目的，计算机存储介质本身不是信号。示例性计算机存储介质包括硬盘、闪存驱动器、固态存储器、相变随机存取存储器(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦可编程只读存储器(eeprom)、闪存或其他存储器技术、压缩盘只读存储器(cd
‑
rom)、数字通用磁盘(dvd)或其他光学存储装置、盒式磁带、磁带、磁盘存储设备或其他磁性存储设备，或能够用来存储信息以供计算设备访问的任何其他非传输介质。相比之下，通信介质通常在诸如载波或其他传输机制的经调制数据信号中体现计算机可读指令、数据结构、程序模块等，并且包括任何信息递送介质。
90.本文所示和描述的本公开的示例中的操作的执行(execution)或执行(performance)的顺序不是必需的，并且在各种示例中可以以不同的顺序方式被执行。例如，预期了，在另一个操作之前、同时或之后执行(executing)或执行(performing)特定操作在本公开的各方面的范围内。当介绍本公开的各方面或其示例的元素时，冠词“一(a)”、“一个(an)”、“该”和“所述”旨在表示存在元素中的一个或多个元素。术语“包含”、“包括”和“具有”旨在是包括性的，并且意指可以存在除了所列元素之外的附加元素。术语“示例性”旨在意指“...的示例”。短语“以下中的一个或多个：a、b和c”意指“a中的至少一个和/或b中的至少一个和/或c中的至少一个”。
91.已经详细描述了本公开的各方面，将明显的是，在不脱离如所附权利要求中限定的本公开的各方面的范围的情况下，修改和变化是可能的。由于在不脱离本公开的各方面的范围的情况下，可以对上述构造、产品和方法进行各种改变，所以意图在于，被包含在以上描述中以及在附图中示出的所有内容应当被解释为说明性而不是以限制性意义解释。