《Science of Remote Sensing》：SPN-Geo: A Stream-Oriented Physics-Neural Framework for On-Board Geolocation of Fengyun Meteorological Satellites
编辑推荐：
准确且低延迟的地理定位是风云气象卫星星上实时处理的前提。然而，宽幅观测的星上地理定位必须同时保持物理建模保真度、表示非线性坐标变化，并在有限计算资源下满足确定性延迟约束。现有面向加速的方法主要通过模型简化、硬件并行化或特征数据库来提升效率，但往往无法联合解决物
准确且低延迟的地理定位是风云气象卫星星上实时处理的前提。然而，宽幅观测的星上地理定位必须同时保持物理建模保真度、表示非线性坐标变化，并在有限计算资源下满足确定性延迟约束。现有面向加速的方法主要通过模型简化、硬件并行化或特征数据库来提升效率，但往往无法联合解决物理一致性、非线性坐标场表示和连续流级执行等问题。针对这些局限性，研究人员提出了SPN-Geo，一种面向流的风云气象卫星星上实时处理物理-神经地理定位框架。在SPN-Geo中，严格几何建模提供物理一致的稀疏地理定位参考，隐式神经表示（Implicit Neural Representation, INR）重建稠密且连续的地理坐标场，CPU–GPU异构执行方案支持连续帧流处理。使用FY-3F的MERSI-III和MWHS-II观测数据进行绝对地理定位验证表明，光学和微波载荷均达到亚像素地理定位精度，平面均方根误差（Root Mean Square Error, RMSE）分别低于0.80和0.55像素。与传统插值方法相比，基于INR的重建实现了更低的跨轨和平面重建误差，展示了在表示跨幅非线性坐标变化方面的更强能力。完整的SPN-Geo流水线在嵌入式异构平台上保持约0.1秒的稳定每帧延迟，满足连续星上观测的实时性要求。这些结果表明，SPN-Geo为宽幅气象卫星观测提供了准确、低延迟、多传感器的星上地理定位有效解决方案。
SPN-Geo：面向流的物理-神经框架用于风云气象卫星星上地理定位
（一）研究背景与问题
全球气候变化导致极端气象事件频发，台风监测、暴雨预警、火灾评估、灾害应急和数值天气预报等应用要求气象卫星数据以更低延迟进行处理和分发。传统气象卫星采用以地面为中心的处理范式，包括星上观测、数据下行、地面预处理、产品生成和分发，其长处理链和对地面接收基础设施的依赖限制了实时或近实时应用。星上处理成为下一代遥感系统的关键方向。已有星上处理研究多集中于高分辨率光学或SAR影像及任务特定解释，对于宽幅气象卫星数据仍相对不足。地理定位是气象卫星数据的基本预处理步骤，建立图像像素与地理坐标的映射，其精度直接影响下游产品的空间可靠性。业务地面系统采用严格物理成像模型，精度高但计算密集。现有快速定位方法分为三类：模型简化、硬件并行、特征数据库，但大多无法同时满足物理一致性、非线性坐标场表示和连续流级执行。因此，星上地理定位本质上是一个耦合问题，需要同时考虑物理建模保真、连续非线性坐标表示以及资源受限下的确定性低时延执行。
（二）研究内容与意义
针对上述问题，研究人员提出了SPN-Geo，一种面向流的物理-神经地理定位框架。SPN-Geo将星上地理定位从逐点物理计算转化为受约束的稀疏到稠密映射问题：严格几何建模提供物理一致的稀疏定位参考；隐式神经表示（Implicit Neural Representation, INR）学习从图像坐标到地理坐标的连续映射并重建稠密坐标场；面向流的CPU–GPU异构执行方案在确定性延迟约束下实现连续帧流处理。基于风云三号F星（FY-3F）的MERSI-III和MWHS-II观测数据进行验证，结果表明光学和微波载荷均达到亚像素绝对定位精度，平面均方根误差（Root Mean Square Error, RMSE）分别低于0.80和0.55像素；与传统插值方法相比，INR重建在跨轨和平面方向均获得更低的重建误差；完整流水线在嵌入式异构平台上每帧延迟约0.1秒，满足连续星上观测的实时性要求。SPN-Geo为宽幅气象卫星多传感器星上定位提供了准确、低延迟且物理约束的有效解决方案，有助于气象卫星从数据采集平台向实时在轨信息处理系统转变。
（三）主要关键技术方法
研究人员采用严格传感器模型（Rigorous Sensor Model, RSM）结合数字高程模型（Digital Elevation Model, DEM）高程校正，仅对分块稀疏网格点进行物理定位，生成物理一致稀疏参考；使用基于紧凑多层感知机（Multilayer Perceptron, MLP）和正弦位置编码的INR，离线训练以拟合稠密坐标场，推理时固定权重并在GPU上向量化执行；采用CPU–GPU异构流式调度，CPU负责数据流组织、辅助数据准备和任务调度，GPU并行执行稀疏RSM计算和INR稠密重建。样本队列来自FY-3F的MERSI-III（250m分辨率）和MWHS-II（15km分辨率）多时相观测数据，以及公共Copernicus DEM和Sentinel-2数字正射影像（DOM）作为独立验证参考。
（四）研究结果
4.1 与业务产品的地理定位一致性
研究人员将轻量级定位模型与风云业务产品比较。MERSI-III最大平面差异低于0.04像素（约9m），平均平面差异约4-5m；MWHS-II最大平面差异低于0.01像素，平均差异约0.002-0.003像素。差异呈条带状分布，主要与轨道姿态插值策略及简化坐标转换有关。结果表明所提轻量级模型与业务链保持高度一致。
4.2 绝对地理定位精度验证
针对MERSI-III，采用Sentinel-2 DOM特征匹配（SIFT+双向Lowe比率检验+仿射RANSAC）进行独立验证，结合不确定度预算，平面RMSE低于0.80像素。针对MWHS-II，采用海岸线匹配验证，平面RMSE低于0.55像素。这证明光学和微波载荷均具备亚像素绝对定位精度。
4.3 轻量级定位模块消融实验
在MERSI-III上比较基准、坐标加速、DEM加速和INR加速四种配置。相对于基准，各模块仅使平面RMSE从0.6008像素增加到0.6030像素，说明轻量级模块几乎不损失精度，同时显著提升效率。
4.4 地理定位重建误差比较
以全网格RSM结果为参考，比较INR与双线性、双二次、双三次插值。INR在跨轨和平面RMSE上最低：跨轨RMSE从双线性的0.1543m降至0.0657m，平面RMSE从0.2746m降至0.1654m，对应像素误差远小于一个MERSI-III像素。误差分布显示INR在条带边缘能更好地表示非线性坐标变化。在MWHS-II全轨道数据上也取得最低误差，验证了跨传感器适用性。块大小实验表明，在合适的块大小下，重建误差远低于1像素。
4.5 时间效率分析
对200帧MERSI-III数据（5分钟观测段），完整SPN-Geo流水线在GPU上的总运行时间为13.98秒，相比未加速GPU基线220.56秒实现15.78倍加速。每帧平均处理时间约0.1秒，帧间波动小，满足连续帧流实时处理要求；CPU实现则存在约800-1100秒的显著波动。
（五）总结与讨论
讨论部分指出，SPN-Geo并非以纯数据驱动替代物理模型，而是由物理模型提供稀疏的结构约束，INR学习连续非线性映射，异构执行机制保证星上实时性。该框架在定位精度、非线性表示能力和计算效率之间取得了良好平衡。未来工作可扩展至跨卫星/跨传感器几何一致性建模，以及引入不确定性感知的定位表示，以支持数据融合和数据同化。研究结论可翻译为：本文提出SPN-Geo，一种面向流的风云气象卫星星上定位物理-神经框架，其核心是将星上定位转化为受约束的连续坐标场重建问题。基于FY-3F MERSI-III和MWHS-II的评估表明，轻量级定位模型与业务产品高度一致，独立验证达到亚像素绝对精度（平面RMSE分别低于0.80和0.55像素）。INR重建误差低于传统插值，完整流水线在嵌入式异构平台上每帧约0.1秒，满足实时要求。因此，SPN-Geo为宽幅气象卫星观测提供了准确、低延迟、物理约束的星上定位解决方案，支持气象卫星向实时在轨信息处理系统发展。
