Методы сжатия спутниковых данных для оптимизации полосы пропускания

Спутниковая технология коренным образом изменила глобальные коммуникации, позволив всему, от широкополосного интернета в отдаленных регионах до наблюдения Земли с высоким разрешением для мониторинга климата. Однако физика радиочастотной передачи накладывает серьезные ограничения на доступную полосу пропускания, особенно для миссий с низкой околоземной орбитой (LEO) и глубокого космоса. Для максимизации полезности каждого драгоценного бита используются сложные методы сжатия данных. Эти методы уменьшают объем данных, которые должны передаваться, позволяя спутниковым системам работать более эффективно, снижая эксплуатационные расходы и поддерживая датчики с более высоким разрешением, не требуя дополнительного спектра. Эта статья обеспечивает всестороннее исследование методов сжатия спутниковых данных, охватывающих фундаментальные подходы, передовые стратегии, приложения реального мира и проблемы, которые продолжают стимулировать инновации.

Важность сжатия данных в спутниковой связи

Пропускная способность, возможно, самый дефицитный ресурс в спутниковой связи. Типичный геостационарный спутник может иметь всего несколько сотен мегагерц полезного спектра, разделяемого среди многих пользователей и служб, в то время как миссии в глубоком космосе полагаются на узкие каналы с чрезвычайно низкой скоростью передачи данных. Сжатие данных напрямую устраняет этот дефицит, уменьшая количество битов, необходимых для представления информации. Например, сжатие изображения от 100 МБ до 10 МБ сокращает время передачи на порядок, освобождая нисходящую линию связи для других данных полезной нагрузки.

Помимо экономии пропускной способности, сжатие снижает потребление энергии — как в передаче (поскольку более короткие всплески требуют меньше энергии), так и в хранении (поскольку требуется меньше встроенной памяти). Это также позволяет более частое получение изображений без превышения пропускной способности нисходящей линии связи. В миссиях в глубоком космосе, где сигналы занимают минуты или часы, чтобы достичь Земли, эффективное сжатие может означать разницу между получением критического научного набора данных или потерей его до битовых ошибок и задержек ретрансляции. По данным Консультативного комитета по космическим системам данных (FLT:0) CCSDS ], стандартные алгоритмы сжатия стали основой для современных космических операций.

Техника сжатия без потерь

Сжатие без потерь гарантирует, что декомпрессированные данные бит за бит идентичны оригиналу. Это важно для научных измерений, телеметрии и любого приложения, где целостность данных не может быть нарушена. В то время как методы без потерь достигают более низких коэффициентов сжатия, чем утерянные - обычно между 2:1 и 5:1 для данных дистанционного зондирования - они гарантируют идеальную реконструкцию.

Энтропийное кодирование: Хаффман и арифметическое кодирование

Кодирование Хаффмана присваивает более короткие кодовые слова более частым символам, уменьшая среднюю длину кода. Это просто, быстро и широко используется в системах спутниковой телеметрии. Арифметическое кодирование, хотя и более вычислительно интенсивное, может достичь немного лучшего сжатия, кодируя целые последовательности символов в виде одного числа с плавающей точкой. Стандарт сжатия данных без потерь (Синяя книга) специально рекомендует алгоритм на основе риса, который сочетает кодирование энтропии с препроцессором для обработки целочисленных данных с научных инструментов.

RLE заменяет последовательные идентичные значения счетом и самим значением. Он особенно эффективен для данных с длинными пробегами нулей, таких как значения калибровки датчиков или поля телеметрии. Многие блоки обработки данных полезной нагрузки реализуют RLE в качестве легкого этапа предварительной обработки перед более продвинутым сжатием. Такие стандарты, как рекомендация CCSDS Сжатие данных изображения , включают RLE для конкретных форматов изображений.

Техника компрессии Lossy

Потерянное сжатие отменяет некоторую точность информации для значительно более высоких коэффициентов сжатия - часто от 10:1 до 100:1 или более. Это приемлемо для изображений, видео и аудио, где незначительные артефакты допустимы, особенно в таких приложениях, как коммерческое наблюдение Земли или широковещательное телевидение.

JPEG и JPEG 2000 для спутниковых изображений

Классический стандарт JPEG использует дискретное косинусное преобразование (DCT) для преобразования блоков пространственного изображения в частотные коэффициенты, которые затем квантоваются (потеря некоторых данных) и кодируются энтропией. Несмотря на эффективность, JPEG может производить блочные артефакты при высоких коэффициентах сжатия. JPEG 2000, основанный на дискретном вейвлет-преобразовании (DWT), предлагает превосходное качество при аналогичных уровнях сжатия, поддерживает режимы без потерь и потерь в одном кодеке и особенно хорошо подходит для больших спутниковых изображений. Европейское космическое агентство (ESA) приняло JPEG 2000 для многих своих миссий, включая спутники Sentinel-2 , которые производят многоспектральные изображения Земли.

Вейвлет-сжатие для гиперспектральных данных

Гиперспектральные датчики захватывают десятки или сотни узких спектральных полос, генерируя огромные объемы данных. Сжатие на основе волнлета — такое как 3D-DWT (трехмерное дискретное вейвлет-преобразование) — использует избыточность как в пространственных, так и в спектральных измерениях. Стандарт CCSDS Гиперспектральное сжатие данных предоставляет кодек, разработанный специально для этой цели, достигая коэффициентов сжатия, которые позволяют бортовое хранение и нисходящую линию гиперспектральных кубов, которые в противном случае потребовали бы нескольких проходов.

Сжатие видео: H.264, H.265 и новые кодеки

Спутниковые видеосвязи, используемые для сбора новостей, наблюдения и телемедицины, по-прежнему широко используются в современных видеокодеках. H.264 (AVC) остается широко распространенным, в то время как H.265 (HEVC) обеспечивает примерно 50%-ную экономию битрейта при том же качестве. Новые кодеки, такие как AV1 и VVC (Versatile Video Coding), начинают находить применение в спутниковых терминалах следующего поколения. Компромисс заключается в повышенной вычислительной сложности, которая может потребовать выделенных аппаратных кодеров на космическом корабле.

Продвинутые стратегии сжатия

Современные спутниковые системы все чаще используют интеллектуальные и адаптивные подходы к сжатию, выходя за рамки алгоритмов, подходящих для всех.

Контекстно-осознанные и адаптивные алгоритмы

Контекстно-осознанное сжатие анализирует поток данных в режиме реального времени, чтобы выбрать лучший алгоритм для каждого сегмента. Например, спутниковый мониторинг цвета океана и городского развития может применять различные параметры сжатия к покрытым облаком областям по сравнению с наземными функциями. Адаптивные алгоритмы могут переключаться между режимами без потерь и потерь на основе доступной пропускной способности нисходящей линии связи или приоритета данных. Исследования NASA Наука о Земле продемонстрировали контекстно-осознанное сжатие для данных атмосферного звука, достигая сжатия 3:1 до 6:1 без значительной потери точности поиска.

Машинное обучение на основе сжатия

Глубокое обучение революционизирует сжатие, изучая оптимальные представления из данных. Автокодеры - нейронные сети, которые кодируют вход в низкоразмерное узкое место, а затем декодируют его - могут достичь самых современных коэффициентов сжатия для конкретных типов данных, таких как изображения с синтетической апертурой (SAR) или облака точек лидара. Однако развертывание моделей ML на спутниковом оборудовании является сложной задачей из-за ограничений мощности, памяти и излучения. Новые чипы «передового ИИ», такие как Intel Myriad X или Google Coral, оцениваются для орбитального использования. Лаборатория реактивного движения НАСА (JPL) протестировала систему сжатия на основе нейронной сети на Международной космической станции (МКС) для сжатия изображения с марсоходов , демонстрируя перспективность для приложений в глубоком космосе.

Гибридная без потерь архитектура

Многие миссии сочетают сжатие без потерь и сжатие потерь в многоуровневом подходе. Например, спутник может сначала применить преобразование с потерями вейвлета для уменьшения данных в 10 раз, а затем запустить кодер энтропии без потерь на остаточной ошибке, чтобы обеспечить сохранение критических функций. Эта гибридная стратегия используется в Operational Land Imager (OLI) спутника , где поток данных разделен на высокоприоритетные и низкоприоритетные слои, каждый из которых сжат с соответствующими алгоритмами.