RS DL
论文介绍
题目：GEOSatDB: global civil earth observation satellite semantic database
期刊：Big Earth Data
论文：https://doi.org/10.1080/20964471.2024.2331992
数据：https://doi.org/10.57760/sciencedb.11805
门户网站：http://www.geosatdb.cn
年份：2024
创新点
统一的本体模型：基于国际标准（如ISO/TC211），构建了涵盖卫星、传感器、波段和观测操作的语义本体模型。这种设计不仅提高了信息的共享性和互操作性，还显著扩展了现有数据库的覆盖范围。 大量语义描述：GEOSatDB包含127,949条语义描述，全面描述了地球观测卫星和传感器的能力，是目前最完整的数据库之一。
多源数据融合：整合了多个权威数据库（如WMO OSCAR、CEOS、NASA GCMD等）的数据，提出了基于发射时间和文本相似度的匹配方法，解决了多数据库异构信息的对接问题。 多模型相结合：引入Jaro-Winkler和Ratcliff-Obershelp相似度算法，提升了信息匹配的准确性。
结构化提示策略：首次采用结构化提示策略指导大语言模型（如GPT-4）从非结构化文本中提取传感器信息（如分辨率、重访时间、波段范围等）。 自动化信息提取与修正：结合正则表达式和投票机制，从非结构化数据中自动提取并修正传感器信息，显著减少了人工干预需求。
数据库构建
设计理念
统一本体模型：基于国际标准（如ISO/TC211），设计了一个统一的语义本体模型，以确保数据的共享性和互操作性。
四大核心类别：
Satellite（卫星）：描述卫星的基本信息、轨道参数及附加特性。
Sensor（传感器）：涵盖观测技术和性能参数（如分辨率、波段范围）。
Operational Band（操作波段）：表示传感器的波段范围及其观测能力。
Operation（观测操作）：描述观测模式及性能（如重访时间、覆盖宽度）。
数据整合方法
多数据源融合：
整合了WMO OSCAR、CEOS、NASA GCMD等权威数据库。 采用基于发射时间和文本相似度的匹配方法（如Jaro-Winkler和Ratcliff-Obershelp算法）关联数据源。
传感器信息提取：
使用大语言模型（如GPT-4）从非结构化文本中提取传感器参数（如空间分辨率、波段范围）。 提取结果通过正则表达式和投票机制修正，确保数据质量。
动态更新与专家校验：
数据库每季度更新一次，包括新增卫星、传感器以及改进信息。 自动提取的信息由领域专家校验和补充。
技术实现
语义表示：
使用RDF（资源描述框架）和OWL（Web本体语言）构建知识图谱。
采用SKOS（简单知识组织系统）对术语进行标准化定义。
开放性：
数据库以RDF Turtle格式分发，支持SPARQL查询语言，确保兼容性和可扩展性。
数据库内容
相比WMO OSCAR、CEOS等现有数据库，GEOSatDB在卫星数量和信息丰富度方面具有显著优势。
数据规模
语义描述：127,949条。
卫星：包含2,340颗地球观测卫星的详细信息。
传感器：记录了1,021种传感器及其观测性能。
波段：涉及2,331个波段范围及其特性。
数据类别与属性
基本信息：名称、国际标识符（COSPAR ID）、发射时间、退役时间。
轨道参数：轨道类型、高度、倾角、重复周期等。
辅助信息：重量、应用领域、制造商。
性能参数：空间分辨率、时间分辨率、覆盖宽度。
观测能力：波段范围（光学、红外、雷达）、极化方式、入射角。
波段信息
电磁频率范围：波段名称、对应频率范围。
波段性能：光谱分辨率、信噪比。
操作模式：被动或主动遥感。
性能描述：观测稳定性、校准精度。
分析和应用
地球观测能力趋势：自2014年以来，EO卫星数量显著增加，主要得益于低成本小型卫星星座（如Planet Dove）的发展。 空间分辨率改进：雷达技术的进步显著提升了图像分辨率。Sentinel-1A等卫星实现了高分辨率雷达测量，商业卫星（如Capella Space）达到了亚米级分辨率。 能力分布的地理差异：南半球，尤其是非洲国家的地球观测能力有限，大多依赖其他国家的全球卫星观测资源。 合作建议：呼吁航天国家加强与“地球观测组织”（GEO）的合作，开放共享卫星数据。提供技术支持，帮助发展中国家特别是非洲建立地球观测能力。
应用实例
SDGSAT-1：30米分辨率，300公里宽幅，拥有创新的三波段设计。
ZY-1-02E：16米分辨率，特殊的宽波段范围（8–10μm）。
HOTSAT-1：3.5米分辨率，但2023年12月后数据生产中断。
CBERS-4 和 HJ-2A/B：80米分辨率，重访时间较短，宽幅较大。
更多图表分析可见原文
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
问题及讨论可直接在文章下方留言
TGRS | 构建山地植被知识图谱, 结合深度学习, 遥感影像, 地理学原理和地图数据
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
