1. 课程导入与遥感载荷数据链路全景

遥感卫星从太空获取地表信息，最终把可用图像送到地面处理中心，中间要经过一条跨越星地两端的完整数据链路。理解这条链路的组成、每一环的约束，以及星上处理与压缩在其中的位置，是学习本课程的前提。因为压缩不是孤立算法，它嵌在"载荷—星上处理—数传—地面接收—地面处理"的链条里，任何一环的带宽、存储、功耗或时延变化，都会反过来决定压缩策略该怎么设计。

从卫星平台到地面站：数据是怎么流动的

以一颗典型的光学遥感卫星为例，成像链路可以拆成几个明确的环节。载荷焦平面探测器把入射辐射转换为电信号，经模拟前端放大与模数转换（ADC）后，得到量化的数字图像。此时数据是"原始级"的，例如一台多光谱相机有 8 个谱段、每谱段 4096 像元、量化 12 bit，单行数据量就是 8×4096×12 bit = 393216 bit ≈ 48 KB。若行周期为 100 μs，则瞬时数据率约为 3.93 Gbit/s。这个数字已经远超一般星地数传能力，因此必须经过星上处理与压缩。

压缩后的码流进入星上存储或直接送数传发射机，经调制、上变频后由天线发向地面。地面站接收、解调、帧同步、纠错译码，再经解压缩与辐射/几何处理，形成标准产品。整条链路的关键节点可以用下图表示，图中同时标出了各环节的典型数据率量级与主要约束。

星上处理与压缩的定位

从上面的链路可以看到，星上处理与压缩位于"载荷输出"和"数传发射"之间，承担两个任务：一是把数据量降到数传和存储能承受的范围，二是尽可能保留后续应用所需的信息。二者并不完全一致——降数据量最直接的手段是有损压缩，但某些定量遥感应用（如大气成分反演、精细光谱分析）对辐射精度要求极高，只能接受无损或近无损压缩。因此实际系统常采用分级策略：对全幅宽数据做固定比或近无损压缩，对感兴趣区域（ROI）或特定谱段采用更保守的压缩参数。

星上处理的另一层价值是"先筛后传"。例如云检测可以把大量被云覆盖、无观测价值的像元标记出来，只传晴空区域；变化检测可以只下传与基准影像差异显著的区块。这类处理把"传全部"变成"传有用"，等效压缩比往往高于单纯的数据压缩算法。但它也带来风险：一旦星上判断错误，地面无法恢复被丢弃的信息。所以星上处理算法的阈值设定、置信度输出和可回退机制，都是工程上必须仔细设计的内容。

典型遥感载荷类型与数据特征

不同载荷的数据特征差异很大，直接决定了压缩方法的选型。下表给出几类典型载荷的关键特征对比，参数为教学示例量级，用于说明数量级关系，不代表某一具体型号的实测指标。

可以看到，高光谱数据在谱间具有极强的相关性，适合用谱间预测或三维变换来压缩；SAR 数据是复数形式且含相干斑噪声，压缩时既要考虑幅度也要考虑相位，误码对成像质量的影响也更敏感；红外数据受探测器噪声限制，压缩增益相对有限。这些差异说明，不存在一种通用的最优压缩方案，必须结合载荷特性来设计。

课程目标与学习路径

本课程围绕"如何把遥感载荷产生的海量数据高效、可靠地压缩并处理到可下传、可应用"这一主线展开。学习路径大致分为四层：第一层建立链路全景与数据特征认知，明确压缩在系统中的位置和约束；第二层掌握压缩的基本原理，包括信息熵、预测编码、变换编码、量化与熵编码；第三层针对不同载荷学习具体算法与实现，如多光谱/高光谱的三维压缩、SAR 的复数压缩、近无损与有损压缩的参数控制；第四层进入星上处理的工程实现，涉及算力与功耗约束、抗误码设计、在轨可重构以及地面解压缩与质量评价。