面向增强型地球观测卫星网络的空中深度学习集成语义推理模型

地球观测（EO）系统是制图、灾害监视和资源管理的关键组件。然而，这些系统在处理和传输大规模数据方面面临诸多挑战，尤其是在精准农业和实时灾害响应等特定领域。地球观测卫星配备遥感技术，采集 onboard 传感器和启用 IoT 的地面对象的数据，提供远程重要信息。领域适配的大型语言模型（LLM）通过实现原始和处理后的 EO 数据集成，为解决这些挑战提供了方案。通过领域适配，LLM 改善了多数据源的整合与分析，处理特定领域数据集（如农业和灾害响应）的复杂性。由 LLM 驱动的数据合成提升了所传递信息的精度和相关性。本研究对在复杂地球观测系统中应用语义推理和深度学习进行了全面检视。我们提出了一种用于 EO 卫星网络语义通信的创新架构，旨在通过语义处理方法提高数据传输效率。近期的 onboard 处理技术进展使卫星在轨中的可靠、可适应且节能的数据管理成为可能。这些改进保证了在恶劣太空环境下使用抗辐射和可重构技术时的可靠性能能。总体而言，这些进展使下一代卫星任务具备 improved 的处理能力，这对于 operational灵活性和6G卫星通信中的实时决策至关重要。