综述：空间物体的光度特性研究：从经典的BRDF模型到数据驱动的预测方法 刘洋、 徐灿、 张亚生

《Aerospace》：Photometric Characterization of Space Objects: From Classical BRDF Models to Data-Driven Prediction Liu Yang, Can Xu and Yasheng Zhang

　　

摘要

随着空间物体数量的迅速增加，空间情境感知在很大程度上依赖于使用光度曲线对非合作目标进行精确表征。本文全面探讨了基于数据的空间物体光度预测方法，综合了光学散射特性分析、形状和姿态反演技术以及基于机器学习和深度学习的智能分析技术。文章系统地分析了从传统基于物理的模型向现代数据驱动范式的转变过程，揭示了物理可解释性、计算效率和预测准确性之间的基本权衡。研究结果表明，虽然基于物理的双向反射率分布函数（BRDF）模型提供了严谨的基础，但其计算要求和先验知识需求限制了实际应用；相反，深度学习在现有比较研究中展现了更优越的预测准确性，但这一结论受到缺乏标准化公共基准测试的影响，并且还存在可解释性不足和模拟结果与实际现象之间的差距问题。文章指出了关键的研究空白，包括缺乏公共基准数据集、对时间多尺度现象的处理不够完善，以及难以弥合模拟观测与真实世界观测之间的差距。未来的研究方向应致力于开发结合领域知识和数据驱动能力的物理指导型机器学习框架，开发适用于光度分析的可解释人工智能技术，并建立标准化评估协议，以推进下一代空间物体表征技术的发展，这对于避免碰撞和空间交通管理至关重要。