天基穿冰雷达系统：机遇与挑战

肖鹏,  于志同,  陈卓奇,  崔祥斌,  赵博,  稂时楠,  李萌,  胡洛佳,  黄彦,  刘敏,  王成,  陈亮,  刘露,  眭晓虹,  袁春柱

文章导航 > 雷达学报  > 2022 >  11(3): 479-498
何峻, 傅瑞罡, 付强. 自动目标识别评价方法发展述评[J]. 雷达学报, 2023, 12(6): 1215–1228. doi: 10.12000/JR23094
引用本文: 肖鹏, 于志同, 陈卓奇, 等. 天基穿冰雷达系统：机遇与挑战[J]. 雷达学报, 2022, 11(3): 479–498. doi: 10.12000/JR21196
shu
HE Jun, FU Ruigang, and FU Qiang. Review of automatic target recognition evaluation method development[J]. Journal of Radars, 2023, 12(6): 1215–1228. doi: 10.12000/JR23094
Citation: XIAO Peng, YU Zhitong, CHEN Zhuoqi, et al. Orbital radar sounding of earth’s ice sheets: Opportunities and challenges[J]. Journal of Radars, 2022, 11(3): 479–498. doi: 10.12000/JR21196
shu

天基穿冰雷达系统：机遇与挑战

DOI: 10.12000/JR21196 CSTR: 32380.14.JR21196
  • 1.

    中国空间技术研究院钱学森空间技术实验室 北京 100094

  • 2.

    中山大学测绘科学与技术学院 珠海 519082

  • 3.

    中国极地研究中心 上海 200136

  • 4.

    中国科学院空天信息创新研究院 北京 100094

  • 5.

    北京工业大学信息学部 北京 100124

  • 6.

    中国空间技术研究院航天东方红卫星有限公司 北京 100094

基金项目: 东方红联合研发基金，五院杰出青年人才基金，国家自然科学基金(42074225, 41601483, 41730102)
详细信息
    作者简介:

    肖　鹏(1984–)，男，黑龙江哈尔滨人，博士，高级工程师。2014 年在北京航空航天大学电子信息工程学院获得博士学位，现为中国空间技术研究院钱学森空间技术实验室高级工程师。主要研究方向为新型星载合成孔径雷达系统设计、先进雷达信号处理、高分辨率微波遥感图像质量提升与应用等，目前已发表学术论文 20余篇

    于志同(1985–)，男，河北衡水人，博士，副研究员。2015年在中国科学院大学获得博士学位，现为中国空间技术研究院钱学森空间技术实验室高级工程师、PI。主要研究方向为全球变化天基观测、生物地球化学、碳循环，目前已出版专著1部、发表论文30余篇

    陈卓奇(1982–)，男，江西南昌人，博士，副教授。2009年在中国科学院地理科学与资源研究所获得博士学位，现为中山大学测绘科学与技术学院副教授。主要研究方向为全球变化、碳循环，目前已发表论文50余篇

    崔祥斌(1981–)，男，山西朔州人，博士，研究员。2010年获浙江大学地质资源与地质工程专业博士学位，现为中国极地研究中心极地冰雪与气候变化研究所研究员，主要研究方向为南极雷达冰川学，发表论文70多篇

    赵　博(1983–)，男，山西芮城人，博士，副研究员。2009年获中国科学院电子学研究所电磁场与微波技术专业博士学位，现为中国科学院空天信息创新研究院副研究员，主要研究方向为超宽带雷达技术，发表论文20余篇

    稂时楠(1988–)，女，陕西汉中人，博士，副教授。2015年获中国科学院电子学研究所电磁场与微波技术专业博士学位，现为北京工业大学信息学部副教授。主要研究方向为冰雷达成像与数据处理方法，发表论文30多篇

    李　萌(1985–)，男，吉林扶余人，博士，研究员。2013年在哈尔滨工业大学宇航空间机构及控制研究中心获得工学博士学位，现为钱学森空间技术实验室研究员。主要研究方向为空间大型可展天线、星球探测着陆缓冲技术，发表论文30余篇，出版专著2部

    胡洛佳(1990–)，女，山西太原人，博士，助理研究员。2018年在北京师范大学全球变化与地球科学研究院获得博士学位，现为钱学森空间技术实验室助理研究员。主要研究方向为海岸带遥感、星载激光雷达系统模拟仿真及数据应用

    黄　彦(1985–)，女，四川汶川人，博士，助理研究员。2015年在南京大学国际地球系统科学研究所获博士学位，现为钱学森空间技术实验室助理研究员。主要研究方向为全球变化遥感，已发表论文30余篇

    刘　敏(1986–)，女，重庆合川人，博士，高级工程师。2014年在北京航空航天大学电子信息工程学院获得博士学位。现就职于钱学森空间技术实验室军事智能信息体系研究室。主要研究方向为星载合成孔径雷达SAR成像处理，包括各种成像算法研究、图像质量提升、星载SAR图像定位等。目前已发表论文10多篇

    王　成(1988–)，男，陕西西安人，博士，副研究员。2015年在西安电子科技大学物理与光电工程学院获得博士学位，现为中国空间技术研究院钱学森空间技术实验室副研究员。主要研究方向为电波传播、电离层误差探测与补偿，目前已发表论文20余篇

    陈　亮(1982–)，男，河南信阳人，博士，高级工程师。2009年在中国科学院获得博士学位，现为中国空间技术研究院钱学森空间技术实验室高级工程师，主要研究方向为微波遥感系统仿真、参数定量反演

    刘　露(1988–)，男，安徽六安人，博士，副研究员。2015年在北京航空航天大学数学学院获得博士学位，现为钱学森空间技术实验室副研究员。主要研究方向为压缩感知、机器学习理论、遥感图像智能处理及目标识别，目前已发表论文27篇，受理或授权11项发明专利

    眭晓虹(1988–)，女，山西晋中人，博士，工程师。2017年在中国空间技术研究院飞行器设计专业获博士学位，现就职于钱学森空间技术实验室。主要研究方向为海洋测高卫星应用、海洋重力场与海底地形反演

    袁春柱(1987–)，男，山西临沂人，硕士，高级工程师。2011年在北京航空航天大学仪器科学与技术专业获硕士学位，现就职于航天东方红卫星有限公司。主要研究方向为卫星总体设计

    通讯作者:

    肖鹏 xiaopeng_email1984@163.com

    于志同 yuzhitong@qxslab.cn

  • 责任主编：刘小军 Corresponding Editor: LIU Xiaojun

  • 中图分类号: TN958

Orbital Radar Sounding of Earth’s Ice Sheets: Opportunities and Challenges

  • 1.

    Qian Xuesen Laboratory of Space Technology, China Academy of Space Technology, Beijing 100094, China

  • 2.

    School of Geospatial Engineering and Science, Sun Yat-Sen University, Zhuhai 519082, China

  • 3.

    Polar Research Institute of China, Shanghai 200136, China

  • 4.

    Aerospace Information Research Institute, Chinese Academy of Science, Beijing 100094, China

  • 5.

    Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China

  • 6.

    DFH Satellite Co., Ltd., China Academy of Space Technology, Beijing 100094, China

Funds: DFH Joint Research and Development Fund, Young Talents Fund of China Academy of Space Technology, The National Natural Science Foundation of China (42074225, 41601483, 41730102)
More Information

HTML全文

    摘要
  • 摘要: 极地冰盖特殊的热交换属性和庞大的含水量，使其成为全球气候变化的“指示器”和“放大器”。由于特殊的地理位置及严峻的气候环境，目前对极地冰盖的立体探测及认识仍旧匮乏。穿冰雷达具备强穿透性和高精度测距能力，成为冰盖立体层析探测的最佳选择，促进了极地科学的快速发展。受制于低频电磁波跨冰冻圈层传播的复杂性和雷达作用距离的大幅增加，迄今为止，利用天基平台实现穿冰探测依然是对地遥感的空白领域。该文针对天基穿冰雷达系统的科学需求和面临的特殊问题展开讨论，分析了天基穿冰系统面临的3大问题：传输衰减、积雪杂波干扰和垂直航迹向分辨率恶化；结合现有研究成果和技术发展趋势，分析了利用微小卫星平台进行分布式编队实现天基穿冰探测的可行性，论证了分布式穿冰雷达关键指标，指出了天基穿冰雷达未来发展亟需解决的关键技术难题，探索实现百米空间分辨率、季节尺度重访的天基穿冰雷达实施方案。

     

    Abstract: Owing to the enormous amount of frozen water and the particularity of heat exchange, polar ice sheets act as an important indicator and amplifier of global climate change. However, the detection and cognition of the tomographic structure of polar ice sheets remain insufficient due to the special geographical location and harsh weather. Benefit from the advantage of strong penetrability and high-precision range measurement, the ice sounding radar is an optimal instrument for tomographic detection of polar ice sheets, which significantly promotes the development of polar science. Nevertheless, existing radar satellites still cannot detect ice beds in depth because of the complex low-frequency signal propagation in ice and an extremely long operating distance. This study focuses on the scientific objectives (spatial resolution: 100 m and revisit time: 3 months) and presents an in-depth analysis of the key problems of orbital ice sounding radar, including transmission attenuation, firn clutter, and cross-track resolution deterioration. With reference to the current state and trend of radar satellite technology, we proved the feasibility of the application of distributed Synthetic Aperture Radar (SAR) on the microsatellite platform for ice bed detection, identified the key parameters of distributed SAR and the technical challenges of orbital radar sounding system for polar ice sheet tomographic observation, and further explored the implementation scheme.

     

    • HTML全文

  • 1.   引言

    信息化时代中对于深层次信息的需求日益迫切，目标识别就是根据某物体呈现的特征进行分析和判断，从而达到辨认和识别其身份和属性的目的。当这一过程不需要人工参与而只由机器自动完成时，就称该过程为自动目标识别(Automatic Target Recognition, ATR)。一旦将此项重要的任务交由机器来自主完成，应该如何评价ATR所取得的实际作用？

    由于ATR技术与模式识别、人工智能等技术有着许多共同点，因此雷达、光学等信息处理研究领域中都包含ATR这一研究方向，许多学术机构及期刊会议也设有ATR专栏。IEEE很早就从图像处理角度定义过ATR：自动目标识别一般指通过计算机处理来自各种传感器的数据，实现自主或辅助目标的检测和识别[1]。

    很多学者系统梳理过ATR的概念与技术发展。例如，文献[2]对雷达ATR技术现状与发展认识进行了总结，文献[3]从工程视角进一步对ATR技术发展进行了评述。ATR技术研究需要多个学科方向进行交叉融合[4]，而测试与评价对任何技术领域的发展都是非常重要的。随着ATR技术的快速发展，ATR评价方法的研究也逐步得到重视。例如，Ross等人[5–11]在历年SPIE会议上发表了一系列论文阐述SAR ATR评价的理念与方法，李彦鹏等人[12–14]对ATR效果评估进行了深入研究。但从总体来看，近年来通用性的评价方法研究较为少见。ATR评价方法研究经常被归属于某个相关技术领域，点缀在众多的图形图像[15,16]、信息处理[17,18]、系统工程[19,20]，乃至运筹管理[21,22]等领域的期刊或会议论文集中。

    专门总结ATR评价方法的综述研究更为少见，更多的是在论文、专著中作为ATR技术发展的组成部分予以介绍。例如，文献[12,23–27]虽然都以ATR评价方法作为主题，但研究重点在于提出新的评价方法；文献[13]对ATR评价进行了介绍，但主要成果是为ATR系统的性能评价提供综合性分析工具。文献[28]是一篇有关ATR算法评价方法的综述文献，更多的是对上述学位论文及专著相关部分的总结。十多年来，ATR技术领域有了新的发展，同时给ATR评价带来了新的问题，但是该领域缺乏最新的综述文献对这些新进展进行归纳与总结。

    本文面向通用的ATR算法与系统，不仅梳理和总结了ATR技术及其评价方法的发展，还对ATR评价方法研究背后的基础理论、方法模型等开展了分析讨论，并针对当前方法研究中存在的关键问题给出了自己的见解，旨在为科学、有效的ATR算法与系统评价提供方法借鉴和启发引导。

    2.   ATR技术发展回顾

    2.1   统计模式识别应用

    20世纪80～90年代的ATR研究基本可以看作统计模式识别理论在具体应用领域中的探索实践，处理方法上沿袭了传统的特征提取与选择、模板建库、分类器设计、匹配决策等经典模式识别环节。特征提取在统计模式识别中尤为关键，这也是早期ATR研究的重点内容。

    以雷达对空中目标的识别为例，目标信号特征包括飞机的动力构件调制特征、目标谐振区极点特征、极化散射矩阵的不变量、微动特征，以及雷达成像时散射中心、结构特征等[29]。目标特征提取需要大量的实测数据，而当时的数据采集手段较为有限，造成用于匹配模板的标准状态与目标的实际状态之间存在较大差异，导致这一时期ATR系统的实用性较差。

    2.2   基于模型或信息辅助的技术

    当人们认识到模板匹配方法的局限性之后，开始尝试采用模型预测来应对实际情况中目标变化的多样性。基于模型的分类识别逐渐成为当时ATR研究的主流技术。其中，颇具代表性的当属美国国防部高级研究计划局(Defense Advanced Research Projects Agency, DARPA)和美国空军实验室(Air Force Research Laboratory, AFRL)联合开展的MSTAR (Moving and Stationary Target Acquisition and Recognition)计划[30]，研制出较为成熟的基于模型SAR ATR系统。

    针对传统ATR系统难以引入外部信息、缺少对目标相关知识利用等问题，文献[31]建议采用知识推理辅助的目标识别方法。这类方法中，基于上下文知识的目标识别技术首先得到了关注和深入研究[32]。随后，本体论[33]、可视化[34]、数据融合[35]等方法被陆续引入。ATR研究的范围逐步提升到更广泛的全局信息利用层面。

    2.3   深度学习方法

    早期基于神经网络的ATR技术大多采用小规模的网络分类器[36–39]。随着深度学习研究兴起，深度学习方法已成为当前ATR技术的一个研究热点[40–42]。深度卷积神经网络(Convolutional Neural Networks, CNN)的成功[43]同样在声呐图像、雷达图像的识别应用中得到了验证[44–46]。深度学习方法在信息处理过程中不再严格区分“特征提取”与“分类识别”，而是直接完成目标识别的全过程[47]。

    目前，CNN已被广泛应用于一维距离像识别[48–50]、SAR图像识别[51–55]和红外图像识别[56–58]等场景，并且被证明在提升泛化性能方面有不错的表现[59]，但有些场景中也容易受到噪声干扰[60,61]和欺骗[62]等因素影响。另外，虽然迁移学习[63]在SAR图像ATR的应用中取得了一定成功[64–66]，但人们还是对深度学习ATR方法的可解释性存在着一定的疑惑[67]。

    2.4   困难与制约

    从20世纪50年代雷达目标识别领域研究[68]开始，ATR技术已经取得了长足的进步。然而，要真正解决目标识别问题，ATR技术仍面临许多困难与挑战。除了目标识别问题本身的复杂性之外，ATR领域缺乏系统、科学的性能测试与评价方法也是制约其技术发展的瓶颈问题之一。

    ATR评价方法研究正是要致力于改变这一现状，对ATR算法或系统进行性能评价与预测，使得ATR研究具备成为真正科学领域的基本要素[4]。文献[69]是有关ATR发展的较早评述，其中对于ATR评价重要性和发展的预测已被实践所证明。为构建实用化的ATR系统，必须先建立起有效的ATR评价方法及性能测试系统[70]。

    3.   ATR评价方法研究成果

    ATR评价实际上贯穿于整个ATR研制过程。以研制一个ATR算法为例，图1[71]给出了ATR评价在各个阶段的不同内容。

    图  1  典型ATR研制与测试生命周期[71]
    Figure  1.  A typical ATR development and test life cycle[71]
    下载: 全尺寸图片 幻灯片

    无论处于哪个阶段，ATR算法的评价都离不开性能指标定义、测试条件构建和推断与决策等环节。本节分别归纳总结这几方面的研究成果。

    3.1   性能指标定义

    识别性能对于ATR算法来说无疑非常重要，许多文献中提到的ATR性能指标就是指衡量其识别能力的指标。至于泛化能力等其他方面的能力，通常采用分析某个关键识别指标(如识别率)随测试条件变化的下降程度来度量。故本文重点阐述ATR识别性能指标。

    混淆矩阵(Confusion Matrix)从模式分类研究时期起就被广泛使用，通常记录成一张由行和列构成的二维表格。单元格用下标(i,j )定位，记录目标i被自动判别为目标j的次数或比率。配合彩色或灰度幅度值，混淆矩阵能够更加直观地展示目标识别的结果，如图2[72]所示。

    图  2  3类目标识别结果混淆矩阵[72]
    Figure  2.  Classification result map of three types of targets[72]
    下载: 全尺寸图片 幻灯片

    对于m类目标的情况，混淆矩阵至少包含了m2个单元格，详细记录了ATR算法对于每一类目标正确识别及混淆判别的结果。当目标类型数据较多时，混淆矩阵难以直观展示测试结果。对此，可以利用混淆矩阵推算出另一类被经常使用的评价指标—概率型指标，反映ATR过程中对某个目标类别的正确/错误判别概率，如检测概率(Probability of Detection, PD)、虚警概率(Probability of False Alarm, PFA)、识别率等。

    如果说概率型指标是以数的形式对混淆矩阵进行简化，那么ROC (Receiver Operating Characteristic)曲线就是用图的形式对PD和PFA之间存在的约束关系进行描述。ROC曲线最早应用于雷达检测领域，如图3[73]所示。

    图  3  双正态分布生成的ROC曲线[73]
    Figure  3.  Sample N-N ROC curve generation[73]
    下载: 全尺寸图片 幻灯片

    图3给出了存在高斯白噪声(非目标)n情况下，对同样服从正态分布的信号(目标)sn依据检测门限x0得到的ROC曲线。显然，越大的曲线下面积(Area Under the Curve, AUC)意味着ATR系统在保持低虚警概率P(S/n)的同时，具有更高的检测概率P(S/sn)。AUC因而成为评价“目标-非目标”这种二分类ATR算法性能的最常见评价指标，并逐步从雷达ATR领域扩展到其他领域，如医学病理图像ATR诊断性能评价[74,75]。文献[76]对一些基于ROC曲线的ATR算法性能评价方法进行了较为系统的总结。

    采用深度学习方法的ATR算法，更倾向于采用由精确率(Precision)和召回率(Recall)所构成的P-R曲线[77]。为避免P-R曲线因为样本的排序而出现摇摆，一般还要对其进行平滑处理，如图4所示。

    图  4  实际P-R曲线与平滑后P-R曲线
    Figure  4.  Actual and smoothed P-R Curve
    下载: 全尺寸图片 幻灯片

    与AUC类似，平均精度(Average Precision, AP)由P-R曲线所衍生，表示不同召回率下精确率的平均值。至于如何对P-R曲线做离散化取值，如何计算平滑后的P-R曲线下面积，都有一系列相应的规范要求，具体方法可以参考文献[78,79]。此外，P-R曲线虽然同样是针对某类目标而言的，但可以通过对各类目标的AP值再取平均值(mean AP, mAP)来实现多分类的ATR算法性能评价。因此，AUC也可以说是mAP的特例。

    综上所述，ATR算法识别性能的评价指标主要包括：以表格形式记录的混淆矩阵，根据目标识别阶段定义的概率型指标，以及ROC曲线、P-R曲线等图形及衍生指标。表1总结了常见的ATR识别性能指标。

    表  1  常见ATR识别性能指标
    Table  1.  Common ATR performance measures
    形式 典型代表 使用要点 适用范围 优/缺点
    表格 混淆矩阵 每行数据记录一类目标被正确识别或错误混淆的情况 任意m类目标的分类性能评价 优点：记录所有目标类型之间的相互区分结果
    缺点：目标类型数m较大时展示效果不直观
    概率 检测概率PD
    虚警概率PFA
    种类识别概率PCC
    类型识别概率PID    		 逐级识别过程中特定事件的发生概率 目标识别过程中某个决策任务结果的不确定性度量 优点：内涵清晰，指标点估计值计算简单
    缺点：需要根据多次目标识别试验进行统计推断
    曲线 ROC曲线
    P-R曲线     		转换为AUC, AP采用下面积、曲线积分的形式度量 相互制约的两方面
    性能综合刻画     		优点：综合评价阈值变化对两个相互制约指标的影响
    缺点：需调整阈值进行量化，精度受阈值离散取值的影响
    下载: 导出CSV 
    | 显示表格

    3.2   测试条件构建

    ATR技术最终将应用于真实环境，需要将ATR算法加载到实际系统中进行检验。MSTAR计划将SAR ATR系统所处的条件分为4类[9]：ATR系统面临的真实环境称为工作条件(Operation Conditions, OC)，性能评价时所构建的测试条件(Test Condtions)只是OC的子集。用于算法训练的数据样本代表了ATR系统的训练条件(Training Condtions)。此外，对于模型驱动的ATR系统还可以定义其建模条件(Modeled Condtions)。上述4类条件之间的关系如图5(a)所示；而ATR系统评价其实只能考察ATR系统的准确性(Accuracy)、稳健性(Robustness)和扩展性(Extensibility)，三者共同反映了部分的有效性(Utility)，如图5(b)所示。

    图  5  MSTAR计划中的训练与测试条件[9]
    Figure  5.  Training and testing conditions in MSTAR program[9]
    下载: 全尺寸图片 幻灯片

    为了更好地评价ATR系统的扩展性，AFRL进一步将OC划分为标准工作条件(Standard Operation Condition, SOC)和扩展工作条件(Extended Operation Condition, EOC)[80]，根据ATR任务的具体需求设置具有代表性的EOC，并在目标类型、地面背景、传感器姿态等因素维度上构建差异化的测试条件。测试条件构建最后体现为不同的数据集：一般来说，SOC采集的一部分数据构成训练数据集，主要被用作ATR算法训练开发和自检；EOC的数据相对于研制方保密，形成测试数据集并用于ATR系统性能评价。

    在SAR ATR技术领域中，MSTAR数据集被广泛使用。MSTAR数据集包含X波段0.25 m×0.25 m分辨率的全方位SAR图像序列，方位角间隔1°，图像分辨率128×128像素，所含目标多为车辆[81]。其中，常见的几类地面目标如图6所示[82]。

    图  6  10类MSTAR目标的光学及SAR图像[82]
    Figure  6.  Optic and SAR images of 10 MSTAR targets[82]
    下载: 全尺寸图片 幻灯片

    公开发布的数据中提供设置的因素包括外形差异和俯仰角差异[82]。通常一类(Class)目标中包括若干不同的类型(Type)，用于评价ATR算法在目标外形差异条件下的扩展性；部分目标还具有多个差异较大俯仰角的观测图像，用于评价ATR算法在不同成像视角条件下的扩展性。文献[83]总结了如何正确使用MSTAR数据开展SAR ATR评价工作。文献[84]对MSTAR数据所发挥的作用进行了分析，总结了1995—2020年使用该数据论文的引用次数，如图7所示。

    图  7  MSTAR数据引文进展[84]
    Figure  7.  MSTAR citation progression[84]
    下载: 全尺寸图片 幻灯片

    在光学图像ATR技术领域，包含海量图像的数据集为ATR系统提供了比较接近真实环境的测试条件，从而极大地促进了数据驱动的ATR技术飞速发展。其中，颇具代表性的图像数据集有PASCAL VOC[85,86], ImageNet[87], MS COCO[88]和Open Images[89]等。这些数据集经常被作为目标检测、模式识别等领域中ATR算法性能测试的基准条件。

    3.3   推断与决策

    分析表1不难发现，混淆矩阵由于其记录结果难以直观比较，需要转换为反映特定性能的概率型指标；而体现“检测-虚警”“精确率-召回率”等概率型指标之间相互约束关系的ROC曲线、P-R曲线等，也是以概率指标作为基础。由于实际测试次数的限制，基于概率型指标的性能评价通常被归结为统计推断问题，下面结合实例进行详细介绍。

    以识别率指标为例，在统计学中可抽象为Bernoulli试验的成败概率。记n个测试样本中正确识别的次数为X，则X为服从二项分布的随机变量。X=k (k=0, 1, 2, ···, n)的概率为

    P{X=k}=(nk)pk(1−p)n−k
    		 (1)

    当n较大时(至少要求n≥30)，识别率指标的测试结果 ˆp=X/n 可以用正态分布近似，在置信度1–α下识别率指标的区间估计结果为

    [ˆp−zα/2√ˆp(1−ˆp)n,ˆp+zα/2√ˆp(1−ˆp)n]
    		 (2)

    其中，zα/2表示标准正态分布N(0,1)的α/2分位数。

    对ATR算法性能评价中特别关心的识别率达标问题，可以通过构建检验统计量进行假设检验予以判断。例如，合同对ATR算法的识别率指标要求为p0，可以构建如下的原假设H0和备选假设H1来判断识别率精确率是否达标[73]：

    H0:p≥p0H1:p<p0z0=ˆp−p0√ˆp(1−ˆp)n～N(0,1)
    		 (3)

    其中的检验统计量z0由测试结果 ˆp 、合同要求值p0和样本容量n共同计算。若该假设检验的显著性水平取α，则当z0>–zα时，判定识别率指标达到规定值。

    文献[90]在上述正态近似假设前提下，对等价误识率的估计精度、区分度等问题进行了详细讨论，其研究结果表明需要大量的测试样本才能保证推断结果具有统计意义。对任意测试样本容量的一般情况，文献[91]提出了一种基于特定事件贝叶斯后验概率的评价方法，有效解决了根据概率型指标进行ATR算法考核检验、比较排序等评价问题。

    上述评价方法都只是根据某个关键的概率型指标进行评价，但实际中的ATR系统具有多方面属性，需要构建合适的评价指标体系才能开展全面评价。ATR系统评价所面临的多指标综合评价问题，在决策分析领域中被称为多属性决策(Multi-Attribute Decision-Making, MADM)问题，一般可采用分值模型或关系模型进行多指标聚合。

    顾名思义，分值模型通过获取综合评分来实现多指标综合评价，类似于雷达等技术领域中广泛使用质量因数(Figure of Metric, FoM)[92]对系统的整体性能进行综合描述。FoM的通式可概括为

    FoM=n∑i=1aiwi
    		 (4)

    其中，ai表示第i个指标的评分值，wi表示该项指标的权重。

    为得到ATR系统的综合评分值，Klimack等人[93]将决策分析(Decision Analysis, DA)理论引入ATR系统评价，以价值函数和效用函数作为获取指标评分值的量化工具，然后再用一种混合价值/效用(Hybrid Value-Utility)[94]的分值模型聚合多个指标的评分值。文献[95]结合某ATR系统评价给出了详细的指标分解、赋权和评分过程，并且归纳出一个通用的评分决策模型，如图8[95]所示。图8中底层的红色曲线表示各指标值的概率分布，倒数第二级的绿色曲线表示每个指标对应的价值函数或效用函数，需要根据具体的应用场景进行构建。

    图  8  通用决策分析模型结构[95]
    Figure  8.  Common decision analysis model structure[95]
    下载: 全尺寸图片 幻灯片

    除分值模型之外，关系模型是另一类常见的评价决策模型。关系模型从形式上可以概况为[96]：称(U,R)为评价关系模型，其中U={x1, x2, ···, xn}为评价对象集，R为评价对象之间的关系集

    R=[R(x1,x1)R(x1,x2)⋯R(x1,xn)R(x2,x1)R(x2,x2)⋯R(x2,xn)⋮⋮⋱⋮R(xn,x1)R(xn,x2)⋯R(xn,xn)]
    		 (5)

    其中，R(xi,xj)表示评价对象xi与xj之间的某种优劣关系。

    不同于分值模型，关系模型避开了不同数据类型指标的评分要求，不需要为每个评价指标构造价值函数或效用函数。例如，对ATR系统评价中最为常见的实数型、风险型和区间型指标，文献[97]通过建立基于标准优劣差异x的偏好映射实现对式(5)中矩阵元素的赋值，从而完成了混合3种数据类型的多指标ATR系统综合评价。

    4.   ATR评价研究最新进展

    第3节分别对ATR评价方法研究中的性能指标定义、测试条件构建、推断与决策等方面的成果进行了归纳总结，本节继续对一些最新的研究进展进行分析与评述。

    性能指标定义方面，消除评价指标不确定性的归一化方法研究已经开始引起关注。例如，对于识别率等具有不确定性的概率型指标，文献[98]提出一种前景函数构建方法，将识别率的增量转变成前景价值，其所设计的前景价值函数不仅具有边际递减效应，而且不敏感于测试样本容量的变化。另外，随着深度学习方法在ATR技术领域的广泛应用，对于ATR算法可解释性[99,100]的要求日益强烈，成为这类ATR算法评价的研究热点。可解释性研究的重点在于提出可量化的指标，但是当前常见的一些方法(如LIME[101], Grad-CAM[102]等)尚缺乏被一致认可的量化指标。

    测试条件构建方面，随着国内学界对数据的逐渐重视，国内多个研究机构陆续发布了可用于ATR算法研究与系统测评的数据资源，包括雷达[103–105]、红外[106,107]等多种传感器采集的数据。代表测试条件的数据集质量问题，也开始引起人们的广泛关注。例如，文献[108]分别针对图像数据集和文本数据集，提出了面向任务的数据集质量评价和数据选择方法，实现了任务相关性和内容多样性的量化度量。当实测数据不能完全满足工作条件的多样性需求时，人工合成及仿真计算等方法也逐步成为一种有益的补充手段[109–112]。通过不断提高所构建测试条件与实际工作条件的逼真度，ATR系统的有效性可以用在测试数据集上的扩展性来等效近似。

    推断与决策方面，适用于ATR评价的混合型多属性决策问题已引起国内外的普遍关注，陆续提出了多种混合型多属性决策方法[113,114]。国内学者对区间数[115,116]、模糊型[117,118]和语言变量[119]等类型的多数属性决策问题抱有较浓厚的研究兴趣。文献[120]总结了各类不确定性和混合型多属性决策方法，给出了一些新的决策方法与应用实例。ATR系统评价方法研究中，借鉴这些最新决策理论成果的报道较为少见。文献[121]针对制导装置提出了基于区间直觉模糊集的性能评价方法，但是评价方法的合理性仍有待实际应用检验。

    5.   结语

    ATR评价方法的研究伴随着ATR技术发展，陆续取得了不少研究成果。理论上，测评方法分为理论分析和实验测量两种技术途径，本文只涉及基于测试的评价方法。这是由于ATR技术与实际应用结合紧密，大部分的ATR算法和ATR系统的性能指标需要根据实际测试结果计算，因而制约了理论分析方法的发展。对基于测试的ATR评价方法，获取识别率等关键指标的边界值是一个难点问题。作者认为，如果将ATR算法作为结构未知的“黑箱”进行测试，始终难以从根本上解决ATR算法的可信应用问题。基于理论分析的方法研究，则有可能从对ATR算法内部认知的角度突破该难题。

    下面根据当前的研究现状，提出两个值得深入思考和持续研究的方向。

    (1) 借鉴多属性决策理论，进行综合评价方法创新。

    现阶段对于不确定性多属性决策方法、不确定信息下的案例推理决策方法等方面的研究成果颇为丰富，但对ATR系统评价而言，最为关键的问题是根据评价指标自身的定义与内涵，谨慎选择合适的不确定信息类型予以描述和度量，然后再从众多的已有方法成果中挑选合适的决策模型(亦称为集结算子)来融合决策者的主观偏好。这些研究工作貌似只是对现有理论方法的修改，却灵活解决了ATR评价工作所要面临的各种实际问题，也是构建ATR评价指标体系的理论依据所在。因此，有必要针对ATR评价问题中特有的混合型多属性决策问题，研究相应的决策模型及综合评价方法，解决多指标的ATR综合评价问题。

    (2) 持续数据工程建设，提升测试样本数据质量。

    ATR算法技术主流从最初的模板匹配到后面的模型驱动，再到现在的以深度学习为代表的数据驱动，对于训练数据和测试数据的需求都在不断增加。ATR评价主要关心如何适当减少测试数据，同时又能够保证测试样本涵盖实际工作条件的各类场景，实际上提出了数据使用规范与数据集质量评价这两个方面的需求。因此，还需进一步加强测试流程的规范化研究，重点分析测试样本的数据质量，构建合理的质量指标体系对测试数据集进行量化考核，保证测试结果反映ATR系统的真实性能表现。

    ATR评价方法的研究已取得一定成果，但仍然跟不上ATR技术的发展需求。随着相关学科领域的发展及ATR技术自身的持续深入研究，建议在ATR技术领域中将ATR评价设立为一个独立的研究方向，为模式分类、目标检测、敌我识别、无人作战等高新技术应用提供科学的检验标准与决策依据。

  • 图  1  机载穿冰雷达观测示意图

    Figure  1.  Schematic diagram of airborne ice sounding radar observation

    下载: 全尺寸图片 幻灯片

    图  2  南极冰盖层析图像(中科院电子所穿冰雷达系统)

    Figure  2.  A tomographic image of the Antarctic ice sheet obtained by the ice sounding radar developed by the Chinese Academy of Sciences

    下载: 全尺寸图片 幻灯片

    图  3  “雪鹰601”科学调查平台

    Figure  3.  “Snow Eagle 601” scientific investigation platform

    下载: 全尺寸图片 幻灯片

    图  4  Bedmap2数据库示意图[28]

    Figure  4.  Bedmap2 database diagram[28]

    下载: 全尺寸图片 幻灯片

    图  5  WMO-GCW天基冰冻圈观测计划及能力[36]

    Figure  5.  WMO-GCW spaceborne cryosphere observation programs and capabilities[36]

    下载: 全尺寸图片 幻灯片

    图  6  火星探测雷达

    Figure  6.  Mars sounding radars

    下载: 全尺寸图片 幻灯片

    图  7  JPL OASIS计划

    Figure  7.  JPL’s OASIS program

    下载: 全尺寸图片 幻灯片

    图  8  不同频率下南极冰盖冰衰减估算结果

    Figure  8.  Ice attenuation estimations of the Antarctic ice sheet with different frequencies

    下载: 全尺寸图片 幻灯片

    图  9  穿冰雷达积雪杂波干扰示意图

    Figure  9.  Schematic diagram of snow clutter jamming for ice sounding radar

    下载: 全尺寸图片 幻灯片

    图  10  “雪鹰601”穿冰雷达积雪杂波干扰示意图

    Figure  10.  Snow clutter interference of “snow Eagle 601” ice sounding radar

    下载: 全尺寸图片 幻灯片

    图  11  VHF频段积雪杂波强度空间分布特性(基于“雪鹰601”实测数据)

    Figure  11.  Spatial distribution characteristics of snow clutter intensity based on “snow Eagle 601” data

    下载: 全尺寸图片 幻灯片

    图  12  天基条件下杂波抑制需求曲线

    Figure  12.  Clutter suppression demand for spaceborne radar

    下载: 全尺寸图片 幻灯片

    图  13  DEBRIS系统示意图[59]

    Figure  13.  DEBRIS system schematic[59]

    下载: 全尺寸图片 幻灯片

    图  14  STRATUS系统

    Figure  14.  STRATUS system

    下载: 全尺寸图片 幻灯片

    图  15  CubeSat Train系统[61]

    Figure  15.  CubeSat Train system[61]

    下载: 全尺寸图片 幻灯片

    图  16  空间收发角度示意图

    Figure  16.  Spatial transmitting and receiving angles diagram

    下载: 全尺寸图片 幻灯片

    图  17  垂直航迹向分辨率与卫星数量

    Figure  17.  Cross-track direction resolution with the number of satellites

    下载: 全尺寸图片 幻灯片

    表  1  PRISM科学测量体系[35]

    Table  1.   PRISM scientific measurement system[35]

    测量参数相关科学目标要求精度空间分辨率(m)传感器
    冰厚1, 25 m100(普查)、10(详查)宽带穿冰雷达
    冰底消融/冻结395%可信度100单基/双基SAR
    底部水层及厚度3, 450%以上准确度、4 mm～0.5 m100(普查)、10(详查)单基/双基SAR
    内部层5, 2, 610 cm(浅部)、5 m(深部)100(普查)、10(详查)宽带穿冰雷达
    冰下地形25 m100(普查)、10(详查)宽带穿冰雷达
    冰面地形20.5 m100(普查)、10(详查)InSAR，雷达/激光高度计，GPS
    冰流速度1, 2, 65%(速度)、5°(方向)500InSAR
    注：科学目标：1. 物质通量；2. 应力估计；3. 底部边界条件；4. 底部剪应力；5. 积累率；6. 冰流历史
    下载: 导出CSV

    表  2  次表层探测雷达卫星参数

    Table  2.   The paramenters of sounding radar satellites

    参数MARSIS[40]SHARAD[41]OASIS[44]
    频率范围(MHz)2.5～3.5(较多使用)15～2540～50
    地下垂直分辨率(m)
    (相对介电常数为3时)    		～100～10～10
    航迹向分辨率(km)5～150.3～3.0～1
    垂直航迹向分辨率(km)9～301～7/
    预期穿透能力(km)0.5～5.00.1～1.00.1(沙漠)～5.0(冰)
    发射功率(W)510100
    天线长度(m)40(偶极子天线)10(偶极子天线)10(八木天线)
    下载: 导出CSV

    表  3  Fujita参数表1[47]

    Table  3.   Fujita parameters table 1[47]

    温度(K)A(×104)B(×105)C
    1900.0051.5371.175
    2000.0101.7471.168
    2200.0312.4691.129
    2400.2683.4951.088
    2480.6354.0061.073
    2531.0594.3801.062
    2581.7284.6961.056
    2632.7695.2771.038
    2653.3265.6461.024
    下载: 导出CSV

    表  4  Fujita参数表2[47]

    Table  4.   Fujita parameters table 2[47]

    温度(K)ab
    2634.283–0.337
    2534.875–0.423
    2435.279–0.480
    2334.996–0.456
    下载: 导出CSV

    表  5  天基与机载穿冰雷达相关参数对比

    Table  5.   The paramenters of spaceborne and airborne ice sounding radars

    参数天基系统机载系统差异
    飞行高度500 km500 m/
    载频波长5 m5 m/
    传播衰减//90 dB
    积雪杂波干扰深度冰底以下280 m
    垂直航迹向分辨率2.2 km180 m
    下载: 导出CSV

    表  6  分布式穿冰雷达系统

    Table  6.   Distributed orbital ice sounding radar systems

    参数DEBRIS[59]STRATUS[60]CubeSat Train[61]
    载频(MHz)45, 43545144
    星群数量11颗(多发多收)1+4颗(一发多收)50颗(多发多收)
    发射功率(W)未知80050
    天线尺寸(m)3.3×3.3
    四组柔性反射天线    		10
    八木天线阵    		15
    多通道十字天线
    飞行高度(km)400500400
    预期穿冰深度(km)<54.73～4
    冰内垂直分辨率(m)101020
    水平分辨率(航迹向×垂直航迹向)1 km×20 km1.3 km×7.5 km200 m×200 m
    下载: 导出CSV
    • 参考文献(78)
  • [1] PÖRTNER H O, ROBERTS D C, MASSON-DELMOTTE V, et al. IPCC special report on the ocean and cryosphere in a changing climate[R/OL]. https://www.ipcc.ch/site/assets/uploads/sites/3/2019/12/SROCC_FullReport_FINAL.pdf, 2019.
    [2] https://www.nsf.gov/geo/opp/antarct/science/icesheet.jsp.
    [3] FARINOTTI D, HUSS M, FÜRST J J, et al. A consensus estimate for the ice thickness distribution of all glaciers on Earth[J]. Nature Geoscience, 2019, 12(3): 168–173. doi: 10.1038/s41561-019-0300-3
    [4] LIU Yan, MOORE J C, CHENG Xiao, et al. Ocean-driven thinning enhances iceberg calving and retreat of Antarctic ice shelves[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(11): 3263–3268. doi: 10.1073/pnas.1415137112
    [5] STOCKER T F, QIN D, PLATTNER G K, et al. Climate change 2013: The physical science basis[R]. 2014. doi: 10.1017/CBO9781107415324.
    [6] 车涛, 李新, 李新武, 等. 冰冻圈遥感: 助力“三极”大科学计划[J]. 中国科学院院刊, 2020, 35(4): 484–493. doi: 10.16418/j.issn.1000-3045.20200323001

    CHE Tao, LI Xin, LI Xinwu, et al. Developing cryospheric remote sensing, promoting scientific programme of earth’s three poles[J]. Bulletin of Chinese Academy of Sciences, 2020, 35(4): 484–493. doi: 10.16418/j.issn.1000-3045.20200323001
    [7] 崔祥斌, 孙波, 张向培, 等. 极地冰盖冰雷达探测技术的发展综述[J]. 极地研究, 2009, 21(4): 322–335.

    CUI Xiangbin, SUN Bo, ZHANG Xiangpei, et al. A review of ice radar’s technical development in polar ice sheet investigation[J]. Chinese Journal of Polar Research, 2009, 21(4): 322–335.
    [8] VAUGHAN D G and ARTHERN R. Why is it hard to predict the future of ice sheets?[J]. Science, 2007, 315(5818): 1503–1504. doi: 10.1126/science.1141111
    [9] IVINS E R. Ice sheet stability and sea level[J]. Science, 2009, 324(5929): 888–889. doi: 10.1126/science.1173958
    [10] KENNICUTT M C, CHOWN S L, CASSANO J J, et al. Polar research: Six priorities for Antarctic science[J]. Nature, 2014, 512(7512): 23–25. doi: 10.1038/512023a
    [11] JOUGHIN I, SMITH B E, and MEDLEY B. Marine ice sheet collapse potentially under way for the Thwaites Glacier Basin, West Antarctica[J]. Science, 2014, 344(6185): 735–738. doi: 10.1126/science.1249055
    [12] BELL R E, FERRACCIOLI F, CREYTS T T, et al. Widespread persistent thickening of the east Antarctic ice sheet by freezing from the base[J]. Science, 2011, 331(6024): 1592–1595. doi: 10.1126/science.1200109
    [13] WAITE A H. Ice depth soundings with ultra-high frequency radio waves in the Arctic and Antarctic, and some observed over-ice altimeter errors[R]. Technical Report 2092, 1959.
    [14] EVANS S. Radio techniques for the measurement of ice thickness[J]. Polar Record, 1963, 11(73): 406–410. doi: 10.1017/S0032247400053523
    [15] SIEGERT M J. On the origin, nature and uses of Antarctic ice-sheet radio-echo layering[J]. Progress in Physical Geography:Earth and Environment, 1999, 23(2): 159–179. doi: 10.1191/030913399671124903
    [16] DREWRY D J. Antarctica: Glaciological and Geophysical Folio[M]. Cambridge, U.K.: Scott Polar Research Institute, University of Cambridge, 1983. ISBN: 0901021040.
    [17] CHUAH T S. Design and development of a coherent radar depth sounder for measurement of Greenland ice sheet thickness[R]. RSL Technical. Report 10470–5, 1997. https://cresis.ku.edu/sites/default/files/biblio/TechRpt151.pdf.
    [18] GOGINENI S, TAMMANA D, BRAATEN D, et al. Coherent radar ice thickness measurements over the Greenland ice sheet[J]. Journal of Geophysical Research, 200l, 106(D24): 33761–33772.
    [19] BAMBER J L, LAYBERRY R L, and GOGINENI S P. A new ice thickness and bed data set for the Greenland ice sheet: 1. Measurement, data reduction, and errors[J]. Journal of Geophysical Research, 2001, 106(D24): 33773–33780. doi: 10.1029/2001JD900054
    [20] PADEN J, MOZAFFAR S, DUNSON D, et al. Multiband multistatic synthetic aperture radar for measuring ice sheet basal conditions[C]. 2004 IEEE International Geoscience and Remote Sensing Symposium, Anchorage, USA, 2004: 139.
    [21] MATSUOKA K, FURUKAWA T, FUJITA S, et al. Crystal orientation fabrics within the Antarctic ice sheet revealed by a multipolarization plane and dual-frequency radar survey[J]. Journal of Geophysical Research, 2003, 108(B10): 2499. doi: 10.1029/2003JB002425
    [22] STUDINGER M, KOENIG L, MARTIN S, et al. Operation icebridge: Using instrumented aircraft to bridge the observational gap between icesat and icesat-2[C]. 2010 IEEE International Geoscience and Remote Sensing Symposium, Honolulu, USA, 2010: 1918–1919.
    [23] 杨树瑚, 顾祈明, 张云, 等. 利用冰雷达诊断南极冰盖底部环境的研究综述[J]. 极地研究, 2016, 28(2): 277–286. doi: 10.13679/j.jdyj.2016.2.277

    YANG Shuhu, GU Qiming, ZHANG Yun, et al. A review of the use of ice penetrating radar to diagnose the subglacial environments[J]. Chinese Journal of Polar Research, 2016, 28(2): 277–286. doi: 10.13679/j.jdyj.2016.2.277
    [24] WANG Bangbing, TIAN Gang, CUI Xiangbin, et al. The internal COF features in Dome A of Antarctica revealed by multi-polarization-plane RES[J]. Applied Geophysics, 2008, 5(3): 230–237. doi: 10.1007/s11770-008-0029-z
    [25] SUN Bo, SIEGERT M J, MUDD S M, et al. The Gamburtsev mountains and the origin and early evolution of the Antarctic ice sheet[J]. Nature, 2009, 459(7247): 690–693. doi: 10.1038/nature08024
    [26] CUI Xiangbin, GREENBAUM J S, BEEM L H, et al. The first fixed-wing aircraft for Chinese Antarctic expeditions: Airframe, modifications, scientific instrumentation and applications[J]. Journal of Environmental and Engineering Geophysics, 2018, 23(1): 1–13. doi: 10.2113/JEEG23.1.1
    [27] CUI Xiangbin, JEOFRY H, GREENBAUM J S, et al. Bed topography of princess Elizabeth Land in East Antarctica[J]. Earth System Science Data, 2020, 12(4): 2765–2774. doi: 10.5194/essd-12-2765-2020
    [28] FRETWELL P, PRITCHARD H D, VAUGHAN D G, et al. Bedmap2: Improved ice bed, surface and thickness datasets for Antarctica[J]. The Cryosphere Discussions, 2012, 6: 4305–4361. doi: 10.5194/tcd-6-4305-2012
    [29] MORLIGHEM M, RIGNOT E, BINDER T, et al. Deep glacial troughs and stabilizing ridges unveiled beneath the margins of the Antarctic ice sheet[J]. Nature Geoscience, 2020, 13(2): 132–137. doi: 10.1038/s41561-019-0510-8
    [30] MACKIE E J, SCHROEDER D M, CAERS J, et al. Antarctic topographic realizations and geostatistical modeling used to map Subglacial Lakes[J]. Journal of Geophysical Research, 2020, 125(3): e2019JF005420. doi: 10.1029/2019JF005420
    [31] GCOS. The global observing system for climate: Implementation needs (GCOS-200)[EB/OL]. https://library.wmo.int/doc_num.php?explnum_id=3417, 2016.
    [32] VERTENSTEIN M, CRAIG T, MIDDLETON A, et al. CESM 1.0. 4 user’s guide[R/OL]. http://www.cesm.ucar.edu/models/cesm1.0/cesm/cesm_doc_1_0_4/book1.html, 2012.
    [33] 万修全, 刘泽栋, 沈飙, 等. 地球系统模式CESM及其在高性能计算机上的配置应用实例[J]. 地球科学进展, 2014, 29(4): 482–491. doi: 10.11867/j.issn.1001-8166.2014.04.0482

    WAN Xiuquan, LIU Zedong, SHEN Biao, et al. Introduction to the community earth system model and application to high performance computing[J]. Advances in Earth Science, 2014, 29(4): 482–491. doi: 10.11867/j.issn.1001-8166.2014.04.0482
    [34] 林岩銮, 王磊, 苏洁, 等. 全球气候系统中冰冻圈的模拟研究[M]. 北京: 科学出版社, 2019: 145–147.

    LIN Yanluan, WANG Lei, SU Jie, et al. Simulation of Cryosphere in Global Climate System[M]. Beijing: Science Press, 2019: 145–147.
    [35] GOGINENI S, PRESCOTT G, BRAATEN D, et al. Polar radar for ice sheet measurements[C]. 2003 IEEE International Geoscience and Remote Sensing Symposium, Toulouse, France, 2003: 1607–1609.
    [36] https://globalcryospherewatch.org/satellites/overview.html.
    [37] https://europa.nasa.gov/spacecraft/instruments/reason/.
    [38] https://sci.esa.int/web/rosetta/-/35061-instruments?section=consert-comet-nucleus-sounding-experiment-by-radiowave-transmission.
    [39] ZOU Yongliao, ZHU Yan, BAI Yunfei, et al. Scientific objectives and payloads of Tianwen-1, China’s first Mars exploration mission[J]. Advances in Space Research, 2021, 67(2): 812–823. doi: 10.1016/j.asr.2020.11.005
    [40] PICARDI G, BICCARI D, SEU R, et al. MARSIS: Mars advanced radar for subsurface and ionosphere sounding[R/OL]. https://sci.esa.int/documents/33745/35957/1567254616449-PicardiWeb.pdf, 2004.
    [41] SEU R, BICCARI D, OROSEI R, et al. SHARAD: The MRO 2005 shallow radar[J]. Planetary and Space Science, 2004, 52(1/3): 157–166. doi: 10.1016/j.pss.2003.08.024
    [42] HEGGY E, ROSEN P A, BEATTY R, et al. Orbiting arid subsurface and ice sheet sounder (OASIS): Exploring desert aquifers and polar ice sheets and their role in current and paleo-climate evolution[C]. 2013 IEEE International Geoscience and Remote Sensing Symposium, Melbourne, Australia, 2013: 3483–3486.
    [43] FREEMAN A, PI Xiaoqing, and HEGGY E. Radar sounding through the Earth's ionosphere at 45 MHz[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(10): 5833–5842. doi: 10.1109/TGRS.2017.2715838
    [44] HEGGY E, ROSEN P A, BEATTY R, et al. Exploring desert aquifers and polar ice sheets and their responses to climate evolution: OASIS mission concept[C]. The 1st Springer Conference of the Arabian Journal of Geosciences, Tunisia, 2018: 7–10.
    [45] HEGGY E. Exploring deserts response to climate change from the orbiting arid subsurface and ice sheet sounder (OASIS)[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium, Brussels, Belgium, 2021: 655–656.
    [46] SANDER K F and REED G A L. Transmission and Propagation of Electromagnetic Waves[M]. Cambridge, UK: Cambridge University Press, 1986: 13–19.
    [47] MATSUOKA T, FUJITA S, and MAE S. Effect of temperature on dielectric properties of ice in the range 5–39 GHz[J]. Journal of Applied Physics, 1996, 80(10): 5884–5890. doi: 10.1063/1.363582
    [48] MÄTZLER C and WEGMÜLLER U. Dielectric properties of freshwater ice at microwave frequencies[J]. Journal of Physics D:Applied Physics, 1987, 20(12): 1623–1630. doi: 10.1088/0022-3727/20/12/013
    [49] CORR H, MOORE J C, and NICHOLLS K W. Radar absorption due to impurities in Antarctic ice[J]. Geophysical Research Letters, 1993, 20(11): 1071–1074. doi: 10.1029/93GL01395
    [50] MATSUOKA K, MACGREGOR J A, and PATTYN F. Predicting radar attenuation within the Antarctic ice sheet[J]. Earth and Planetary Science Letters, 2012, 359/360: 173–183. doi: 10.1016/j.jpgl.2012.10.018
    [51] PATTYN F. Antarctic subglacial conditions inferred from a hybrid ice sheet/ice stream model[J]. Earth and Planetary Science Letters, 2010, 295(3/4): 451–461. doi: 10.1016/j.jpgl.2010.04.025
    [52] HINDMARSH R C A and LE MEUR E. Dynamical processes involved in the retreat of marine ice sheets[J]. Journal of Glaciology, 2001, 47(157): 271–282. doi: 10.3189/172756501781832269
    [53] http://websrv.cs.umt.edu/isis/index.php/Data.
    [54] SCHROEDER D M, BIENERT N L, CULBERG R, et al. Glaciological constraints on link budgets for orbital radar sounding of Earth's ice sheets[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium, Brussels, Belgium, 2021: 647–650.
    [55] CULBERG R and SCHROEDER D M. Firn clutter constraints on the design and performance of orbital radar ice sounders[J]. IEEE Transactions on Geoscience and Remote Sensing, 2020, 58(9): 6344–6361. doi: 10.1109/TGRS.2020.2976666
    [56] ULABY F T and DOBSON M C. Handbook of Radar Scattering Statistics for Terrain[M]. Norwood, USA: Artech House, 1989: 287–288.
    [57] 稂时楠. 极地高分辨率冰雷达成像与数据处理方法研究[D]. 北京: 中国科学院大学, 2015: 19–20. https://d.wanfangdata.com.cn/thesis/Y2851481.

    LANG Shinan. Research on the Imaging and Signal Processing of High-resolution Ice-sounding Radar[D]. Beijing: The University of Chinese Academy of Sciences, 2015: 19–20. https://d.wanfangdata.com.cn/thesis/Y2851481.
    [58] CARRER L, GEREKOS C, BOVOLO F, et al. Distributed radar sounder: A novel concept for subsurface investigations using sensors in formation flight[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(12): 9791–9809. doi: 10.1109/TGRS.2019.2929422
    [59] HAYNES M S, BEAUCHAMP R M, KHAZENDAR A, et al. Debris: Distributed element beamformer radar for ice and subsurface sounding[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium, Brussels, Belgium, 2021: 651–654.
    [60] BRUZZONE L, BOVOLO F, CARRER L, et al. STRATUS: A new mission concept for monitoring the subsurface of polar and arid regions[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium, Brussels, Belgium, 2021: 661–664.
    [61] GOGINENI S, YAN S, SONG P, et al. UWB MIMO radars for sounding and imaging of ice on the Earth and other celestial bodies[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium, Brussels, Belgium, 2021: 657–660.
    [62] GOGINENI P, SIMPSON C R, YAN Jiebang, et al. A CubeSat train for radar sounding and imaging of Antarctic ice sheet[C]. 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018: 4138–4141.
    [63] HEIMILLER R C, BELYEA J E, and TOMLINSON P G. Distributed array radar[J]. IEEE Transactions on Aerospace and Electronic Systems, 1983, AES-19(6): 831–839. doi: 10.1109/TAES.1983.309395
    [64] CHRISTIANSON K, JACOBEL R W, HORGAN H J, et al. Basal conditions at the grounding zone of Whillans ice stream, west Antarctica, from ice-penetrating radar[J]. Journal of Geophysical Research, 2016, 121(11): 1954–1983. doi: 10.1002/2015JF003806
    [65] XIAO Peng, GUO Wei, LIU Bo, et al. A spaceborne multistatic radar sounding system for the tomographic observation of polar ice sheets[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 3502205. doi: 10.1109/LGRS.2020.3043356
    [66] NASA-ISRO SAR (NISAR) mission science users’ handbook[R]. 2018. https://nisar.jpl.nasa.gov/system/documents/files/26_NISAR_FINAL_9-6-19.pdf?_ga=2.129501448.504649304.1621295245-843208160.1541002583.
    [67] CARBONE A, COSTA G, FEHRINGER M, et al. The biomass system - overview and development status[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium, Brussels, Belgium, 2021: 775–778.
    [68] HUBER S, DE ALMEIDA F Q, VILLANO M, et al. Tandem-L: A technical perspective on future spaceborne SAR sensors for Earth observation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(8): 4792–4807. doi: 10.1109/TGRS.2018.2837673
    [69] 张威, 尹冉冉, 沈俊. TerreStar卫星移动通信系统[J]. 数字通信世界, 2012(1): 32–34. doi: 10.3969/j.issn.1672-7274.2012.01.007

    ZHANG Wei, YIN Ranran, and SHEN Jun. TerreStar satellite mobile communication system[J]. Digital Communication World, 2012(1): 32–34. doi: 10.3969/j.issn.1672-7274.2012.01.007
    [70] BREIT H, YOUNIS M, BALSS U, et al. Bistatic synchronization and processing of TanDEM-X data[C]. 2021 IEEE International Geoscience and Remote Sensing Symposium, Vancouver, Canada, 2011: 2424–2427.
    [71] LIANG Da, Liu Kaiyu, Zhang Heng, Z et al. An advanced non-interrupted phase synchronization scheme with internal calibration for LuTan-1[C]. The 13th European Conference on Synthetic Aperture Radar, 2021. https://ieeexplore.ieee.org/document/9472743.
    [72] ŚWIERAD D, HÄFNER S, VOGT S, et al. Ultra-stable clock laser system development towards space applications[J]. Scientific Reports, 2016, 6(1): 33973. doi: 10.1038/srep33973
    [73] LEZIUS M, WILKEN T, DEUTSCH C, et al. Space-borne frequency comb metrology[J]. Optica, 2016, 3(12): 1381–1387. doi: 10.1364/optica.3.001381
    [74] MCGREW W F, ZHANG X, FASANO R, et al. Atomic clock performance enabling geodesy below the centimetre level[J]. Nature, 2018, 564(7734): 87–90. doi: 10.1038/s41586-018-0738-2
    [75] HINKLEY N, SHERMAN J A, PHILLIPS N B, et al. An atomic clock with 10–18 instability[J]. Science, 2013, 341(6151): 1215–1218. doi: 10.1126/science.1240420
    [76] NICHOLSON T L, CAMPBELL S L, HUTSON R B, et al. Systematic evaluation of an atomic clock at 2×10−18 total uncertainty[J]. Nature Communications, 2015, 6(1): 6896. doi: 10.1038/ncomms7896
    [77] MITTERMAYER J, KRIEGER G, BOJARSKI A, et al. MirrorSAR: An HRWS add-on for single-pass multi-baseline SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, in press, 2021.
    [78] PERAL E, TANELLI S, STATHAM S, et al. Raincube - A new paradigm to observe weather processes[C]. 2019 IEEE International Geoscience and Remote Sensing Symposium, Yokohama, Japan, 2019: 4978–4981.
    • 相关文章
    • 施引文献

  • 期刊类型引用(2)

    1. 王中宝，尹奎英. 一种无人机载高分辨率SAR图像目标快速检测方法. 指挥控制与仿真. 2023(05): 43-50 . 百度学术
    2. 邹焕新，李美霖，曹旭，李润林，秦先祥. 一种基于测地线距离的极化SAR图像快速超像素分割算法. 雷达学报. 2021(01): 20-34 . 本站查看

    其他类型引用(2)

    • 资源附件(0)
  • 加载中
图(17) / 表(6)
计量
  • 文章访问数: 2894
  • HTML全文浏览量: 1117
  • PDF下载量: 343
  • 被引次数: 4
出版历程
  • 收稿日期:  2021-11-30
  • 修回日期:  2022-01-11
  • 网络出版日期:  2022-02-24
  • 刊出日期:  2022-06-28

目录

摘要
HTML全文

  • 1.   引言

  • 2.   ATR技术发展回顾

  • 2.1   统计模式识别应用

  • 2.2   基于模型或信息辅助的技术

  • 2.3   深度学习方法

  • 2.4   困难与制约

  • 3.   ATR评价方法研究成果

  • 3.1   性能指标定义

  • 3.2   测试条件构建

  • 3.3   推断与决策

  • 4.   ATR评价研究最新进展

  • 5.   结语

参考文献(78)
相关文章
施引文献
资源附件(0)

/

返回文章
返回

京ICP备20021838号-8   本系统由 北京仁和汇智信息技术有限公司 开发    百度统计