美军天基通用数据链分析

高技术条件下的现代战争,作战样式已经发展到由指挥控制系统、侦察监视系统、联合火力打击系统等各种系统构成的作战体系的对抗,战场中能否获取信息优势将决定战争的成败。在介绍美军数据链发展历程和通用宽带数据链发展概况的基础上,着重分析了美军天基通用数据链的前期技术验证情况和未来实战应用模式,以期对开展相关领域论证研究具有一定的参考意义。

美军天基通用数据链及发展

现代战争的作战样式已经发展到由指挥控制系统、侦察监视系统、联合火力打击系统等各种系统构成的作战体系的对抗。而这种体系对抗的胜负是取决于所有参战武器装备所构成的体系的整体作战效能。这就在客观上要求不同的武器系统之间实现互联、互通和互操作,各种资源被充分共享。通过数据链,可以将众多复杂的武器平台以及指挥控制平台有机地连为一体,实现战场态势共享,缩短决策时间,提高指挥控制速度及协同作战能力,发挥体系的整体作战效能。天基通用数据链(Space CDL)作为美军"作战响应空间"(ORS)计划下重点发展的关键技术之一,成功验证了成像侦察卫星的战术应用能力,并将成为美军构建多源战场情报体系的重要手段。

迁移深度卷积神经网络模型秋粮作物泛化识别

深度卷积神经网络DCNN (Deep Convolutional Neural Networks)具有“端到端”、高效提取多尺度语义特征的优点,被广泛应用于遥感农作物识别中,取得了重要的进展。但深度学习模型需要大量标签样本,获取费时费力、成本高,限制了其广泛使用。本文基于模型迁移学习策略,将美国农业部统计署作物数据层CDL(Cropland Data Layer)作为作物标签数据,利用伊利诺伊州和印第安州的作物生长季Landsat OLI卫星影像训练2016年—2019年4个单年份模型和2016年—2017年、2016年—2018年两个多年份的U-net模型,将模型直接在美国3个测试区和中国黑龙江省黑河市的2016年—2020年迁移泛化分类。研究结果表明:1)基于CDL训练的U-net模型能够在美国本土推广应用,美国3个测试区的2016年—2020年的时间泛化总体精度在80%以上,玉米识别精度高于大豆,说明了模型在空间上具有很好的迁移能力。(2)对于黑河市秋粮,多年玉米识别总体精度平均高出大豆3%,原因是玉米种植地块更为规整、种植规模更大,单年份秋粮识别总体精度69%—79%,但多年份模型要优于单年份模型,这可能是随标签样本数量增多提升了训练样本的代表性,将中国与美国秋粮种植的差异通过样本数量的增加得以弥补,模型迁移到中国黑河区域的精度均低于美国本土,这是由于洲际间气候、作物物候、种植农业景观等差异导致遥感特征不一致,导致模型泛化能力降低。