1. 星载数据处理任务全景

星载数据处理并不是一个孤立的算法问题，而是一条从物理探测到信息交付的完整工程链路。理解这条链路的每一环、每一环的输入输出形态以及各环节的性能约束，是后续做性能分析与优化的前提。本章先建立全局视图：数据从哪里来、经过哪些处理阶段、最终以什么形式交付给用户，以及在这条链路上有哪些典型的任务剖面和硬性约束。

一、完整链路：从光子到产品

以一台推扫式高光谱相机为例，其数据链路可以划分为六个阶段，每个阶段的输入输出形态截然不同：

• 探测与光电转换：焦平面探测器将入射光子转换为模拟电信号，经片上读出电路输出模拟电压。此阶段的关键参数是积分时间、增益和读出噪声。
• 模拟前端与量化：模拟信号经相关双采样（CDS）抑制复位噪声后，由ADC量化为数字码值。典型参数为12～14 bit量化、行周期数十微秒。
• 原始数据组织：量化后的码值按行、波段、帧组织为原始数据流，通常带有辅助数据（姿态、时间码、温度）。此阶段数据率最高，是星上存储和传输压力的主要来源。
• 星上预处理：包括坏像元替换、暗电流扣除、非均匀性校正（相对辐射校正）、条带噪声抑制等。这些处理将原始DN值转换为具有物理意义的辐亮度近似值。
• 星上高级处理：根据任务需求，可能包括云检测、目标检测、波段选择、压缩编码、特征提取等。这一阶段直接决定下传数据量和信息密度。
• 地面处理与产品生成：下传数据经几何校正、大气校正、光谱定标、投影变换后，生成L0～L4级标准产品，最终交付用户。

这条链路的核心矛盾在于：星上计算资源、功耗和存储极其有限，而数据率和处理复杂度却持续增长。因此，星上处理必须在“做多少”和“能下传多少”之间做出权衡。

二、典型任务剖面

不同遥感任务对数据链路的压力点完全不同，理解任务剖面有助于判断性能瓶颈出现在哪里。以下列举三种典型剖面：

以高光谱推扫为例，假设探测器为2048像元×256波段，帧频200帧/秒，14 bit量化，则原始数据率约为 2048×256×200×14 ≈ 1.47 Gbps。若星上不做任何处理直接下传，过站5分钟也只能下传约55 GB，远不足以覆盖全球观测需求。因此，星上必须通过波段选择、压缩或云剔除将有效数据率降低一个数量级以上。

三、性能约束的层次

星载数据处理的性能约束不是单一的“算得快”，而是多层约束的叠加：

• 实时性约束：推扫成像要求处理必须跟上行周期，不能丢行。若行周期为50 μs，则每行处理时间必须小于50 μs，否则需要缓存或降级处理。
• 功耗约束：星上功耗预算直接限制处理器选型和并行度。一个典型抗辐照FPGA的功耗在3～8 W，而高性能DSP可能达到10～20 W。
• 存储带宽约束：星上存储器带宽通常为几GB/s，但多路并行读写时容易成为瓶颈。例如非均匀性校正需要读取定标系数表，若表太大无法放入片上缓存，就会频繁访问外部存储。
• 可靠性约束：空间辐照环境会导致单粒子翻转，处理算法必须具备容错能力，如三模冗余、EDAC校验、定期重载配置。
• 下传带宽约束：最终决定星上处理“做到什么程度”的是数传能力。如果下传带宽只有200 Mbps，那么星上处理的目标就是将数据压缩到200 Mbps以下，同时保留最大信息量。

四、从链路视角看优化机会

把整条链路放在一起看，优化机会往往不在单个算法内部，而在环节之间的衔接处。例如：

• 若在量化阶段就做波段合并或ROI选择，可以大幅降低后续所有环节的数据量，但会损失灵活性。
• 若在预处理阶段将非均匀性校正与坏像元替换合并为一次查表操作，可以减少一次完整的数据遍历，节省带宽。
• 若在高级处理阶段将云检测与压缩编码联合设计，可以先剔除云区再压缩，避免对无信息区域浪费压缩算力。
• 若地面处理阶段能够利用星上提供的辅助数据（如姿态、时间码）做几何校正，可以降低对星上几何处理精度的要求。

这些优化思路的共同点是：不要孤立地看一个处理步骤，而是看它在整条链路中的位置、输入输出形态以及对下游的影响。后续章节将围绕这条链路，逐一展开各环节的性能分析方法与优化手段。