پژوهش های سنجش از دور و اطلاعات مکانی

دوفصلنامه علمی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

همکاران دفتر نشریه

اصول اخلاقی انتشار مقاله

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

آیین نامه ها و مصوبات

مروری بر ارزیابی عملکرد تاسواره‌ها در مأموریت‌های سنجش ‌از دور

نوع مقاله : مقاله مروری

نویسندگان

1 گروه مهندسی ماهواره، دانشکده فناوری‌های نوین، دانشگاه علم و صنعت، تهران، ایران

2 گروه مهندسی برق، دانشگاه ابیه‌دو، خیخن، اسپانیا

چکیده

پیشینه و اهداف: سنجش ‌از دور شامل جمع‌آوری اطلاعات در مورد ویژگی­های فیزیکی، شیمیایی و زیستی اهداف روی سطح زمین است. در دهه‌ی اخیر، تاسواره­ها (CubeSats) از ابزارهای آموزشی محض به سکوهای استاندارد و ارزان‌قیمت برای نمایش فناوری و قرارگیری محموله­های علمی- تحقیقاتی در مدار زمین تبدیل ‌شده‌اند. تاسواره، به ‌نوعی از ماهواره‌های کوچک متشکل از واحدهای مکعب‌ شکل در ابعاد ۱۰×۱۰×۱۰ سانتیمتر مکعب و وزنی در حدود 3/1 کیلوگرم گفته می­شود. استفاده از فناوری نانو برای کوچک‌سازی قطعات الکترونیکی با کیفیت فضایی، کاهش هزینه و زمان برای توسعه‌ی فناوری­های مرتبط با ساخت محموله و باس ماهواره و امکان قرارگیری منظومه­ای از ماهواره­های تاسواره در مدار تنها با یک پرتاب، ازجمله مزایایی است که شرکت­ها و سازمآن‌های فضایی را نسبت به طراحی و ساخت این‌گونه ماهواره ترغیب نموده است.
روش‌ها‌: در این مطالعه، به مرور مشخصات فنی، توانایی­ها، کاربردها و محدودیت­های تاسواره برای مأموریت­های مشاهدات زمین پرداخته می­شود تا با ارزیابی این مأموریت­ها بتوان چشم‌انداز روشنی برای آینده‌ی کاربری­های سنجش‌ از دوردر کشور، متصور شد. در ابتدا، گزارشی از توسعه و مأموریت‌های جدید تاسواره­های سازمآن‌های فضایی، دانشگاه­ها و شرکت­های خصوصی ارائه می­گردد. پس از مروری جامع با دید سامانه بر توانمندی باس تاسواره و محدودیت­های بالقوه و اثرات آن بر روی مأموریت­های مشاهدات زمین، به کاربردهای تاسواره پرداخته می­شود. درنهایت، این نتایج با الزامات فنی مأموریت­های مشاهدات زمین مقایسه شده و توانمندی ماهواره­های تاسواره برای انجام این مأموریت­ها ارزیابی می­شود. بر این اساس، امکان انجام چندین مأموریت مشاهدات زمین توسط ماهواره­های تاسواره شناسایی شده که به‌صورت بالقوه با توانمندی­های این نوع ماهواره سازگار می­باشند.
یافته‌ها: منظومه­های تاسواره، حجم زیادی از تصاویر ماهواره­ای را به زمین ارسال می­کنند که خود موجب شکل‌گیری کلان داده‌ی سنجش ‌از دوری شده و بنابراین نیازمند به‌کارگیری هوش مصنوعی برای محاسبه، پردازش و ذخیره‌ی کلان داده­ها است. قیمت پایین، ابعاد کوچک، چرخه‌ی تولید و توسعه در زمان کوتاه و کاهش زمان دید مجدد، یکی از مهم‌ترین مزایای تاسواره­ها است که پایش مخاطرات طبیعی و نظارت مستمر بر محیط ‌زیست را میسر کرده است. علاوه بر معماری ساده و کاهش هزینه­های توسعه و پرتاب تاسواره­ها، نیاز به سرمایه‌گذاری کمتر نیز، امکان مشارکت شرکت­های خصوصی و دانشگاه­ها در مأموریت­های فضایی را فراهم نموده است. در کنار نقاط قوت منظومه‌ی­ تاسواره­های مشاهدات زمین، می­توان به توان تفکیک رادیومتریک پایین، کاهش نسبت سیگنال به نویز و درنتیجه کاهش کیفیت تصویر در مدارات غیرخورشید آهنگ، تفکیک‌پذیری طیفی پایین و وابستگی به تصاویر ماهواره‌های بزرگ و تصاویر پهپادی، به عنوان نقاط ضعف کنونی آن‌ها اشاره کرد.
نتیجه‌گیری: پایش به‌هنگام سوانح طبیعی، آتش‌سوزی جنگل‌ها و طغیان رودخانه‌ها از جمله کاربردهای اصلی تاسواره‌ها می‌باشد که به دلیل توان تفکیک زمانی بالای منظومه‌های تاسواره، این امکان فراهم شده است. همچنین، پایش بیابان‌زایی، پایش خشکسالی، پایش تغییرات اقلیمی و بررسی اثرات آن بر کاهش یخچال‌های طبیعی، ردیابی فعالیت‌های بشر و تأثیرات زیست‌محیطی و اقتصادی آن، بررسی آلودگی نوری شهرها، گسترش شهرها، تخمین قیمت مسکن و پایش حاشیه‌نشینی در شهرهای بزرگ، از دیگر کاربردهای منظومه‌های تاسواره می‌باشد. در حال حاضر، از تصاویر این منظومه‌ها به‌عنوان مکمل تصاویر ماهواره‌های بزرگ برای بهبود توان تفکیک زمانی و رؤیت مناطق خاص در یک محدوده‌ی زمانی خاص از شبانه‌روز استفاده می‌شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Performance Evaluation of CubeSats for Remote Sensing Missions: A Review

نویسندگان [English]

  • M. Nasiri Sarvi 1
  • H. Mahdipour 2

1 Department of Satellite Engineering, School of Advanced Technologies, Iran University of Science & Technology, Tehran, Iran

2 Department of Electrical Engineering, University of Oviedo, Gijón, Spain

چکیده [English]

Background and Objectives: Remote sensing includes collecting information about the physical, chemical and biological characteristics of targets on the surface of the earth. In the last decade, Cube Satellites (CubeSats) have been transformed from pure educational tools to standard and inexpensive platforms for technology demonstration and placement of scientific-research payloads in Earth's orbit. Cubesat is a type of Nanosatellite consisting of cube-shaped units measuring 10×10×10 cm3 and weighing around 1.300 kg. The use of Nanotechnology for miniaturization of space-quality electronic components, cost and time reduction for the development of technologies related to the construction of satellite bus, and the possibility of placing a constellation of Cubesats in orbit with only one launch are among the advantages that companies and It has encouraged space organizations to design and build such satellites.
Methods: In this study, the technical characteristics, capabilities, applications and limitations of Cubesats for earth observation missions are reviewed, so that by evaluating these missions, a clear perspective can be imagined for the future of remote sensing applications for our country. In the beginning, a report on the development and new missions of spacecrafts of space organizations, universities and private companies is presented. After a comprehensive review on the capabilities of the Cubesats base and its potential limitations and effects on earth observation missions, the applications of the Cubesats are discussed. Finally, the results are compared with the technical requirements of earth observation missions and the capability of Cubesats satellites to perform these missions is evaluated. Thus, the possibility of carrying out several earth observation missions by Cubesats satellites has been identified, which are potentially compatible with the capabilities of this type of satellites.
Findings: Cubesats constellation transfer a large volume of satellite images to the ground stations, which produce remote sensing big data and therefore requires the use of artificial intelligence to calculate, process and store them. Low price, small dimensions, manufacturing and development cycle in a short time and reducing the revisit time are one of the most important advantages of Cubesats, which have enabled the monitoring of natural hazards and continuous monitoring of the environment. In addition to the simple architecture and the reduction of the development and launch costs of spacecraft, the need for less investment has made it possible for private companies and universities to participate in space missions. Unlike to the strengths of the Earth observation satellite constellations, we can mention the low radiometric resolution, the reduction of the signal-to-noise ratio and, as a result, the reduction of image quality in non-solar orbits, low spectral resolution and dependence on satellite and UVA images pointed out as their current weaknesses.
Conclusion: Real-time monitoring of natural disasters, forest fires, and flood mapping is one of the main applications of Cubesats images, which is possible due to high temporal resolution of Cubesats constellations. Also, desertification monitoring, drought monitoring, climate change monitoring and investigating its effects on the reduction of natural glaciers, tracking human activities and their environmental and economic effects, investigating light pollution in cities, expanding cities, estimating housing prices and monitoring marginalization in cities are other applications of Cubesats constellations. Currently, Cubesates images are used as a complement to the satellite images to improve the temporal resolution and to monitor specific areas in a specific time of the day and night.

کلیدواژه‌ها [English]

  • CubeSat
  • Earth Observation Missions
  • Remote Sensing
  • Space Technology
  • Satellite Engineering

COPYRIGHTS 
© 2023 The Author(s).  This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) (https://creativecommons.org/licenses/by-nc/4.0/) 

مراجع
[1] Lynch P, Reid JS, Westphal DL, Zhang J, Hogan TF, Hyer EJ, et al. An 11-year global gridded aerosol optical thickness reanalysis (v1.0) for atmospheric and climate sciences. Geosci Model Dev. 2016; 9(4): 1489–522.
[2] kramer HJ. Observation of the Earth and its Environment. Berlin: Springer; 2002.
[3] Lowe CJ, MacDonald M. Rapid model-based inter-disciplinary design of a CubeSat mission. Acta Astronaut. 2014; 105(1): 321–32.
[4] Tsitas SR, Kingston J. 6U CubeSat commercial applications. Aeronaut J. 2012; 116(1176): 189–98.
[5] Bouwmeester J, Guo J. Survey of worldwide pico- and nanosatellite missions, distributions and subsystem technology. Acta Astronaut. 2010; 67(7–8): 854–62.
[6] Villela T, Costa CA, Brandão AM, Bueno FT, Leonardi R. Towards the thousandth CubeSat: A statistical overview. Vol. International Journal of Aerospace Engineering. 2019; 5063145.
[7] Crusan J, Galica C. NASA’s CubeSat Launch Initiative: Enabling broad access to space. Acta Astronaut. 2019; 157: 51–60.
[8] Camps A. Nanosatellites and Applications to Commercial and Scientific Missions. Satellites Missions and Technologies for Geosciences. IntechOpen; 2020.
[9] Doubleday J, Chien S, Norton C, Wagstaff K, Thompson DR, Bellardo J, et al. Autonomy for remote sensing - Experiences from the IPEX CubeSat. International Geoscience and Remote Sensing Symposium (IGARSS): 2015 July 26-31: Milan, Italy.
[10] Morcillo-Pallarés P, Rivera-Caicedo JP, Belda S, De Grave C, Burriel H, Moreno J, et al. Quantifying the robustness of vegetation indices through global sensitivity analysis of homogeneous and forest leaf-canopy radiative transfer models. Remote Sens. 2019; 11(20): 2418.
[11] Camps A, Golkar A, Gutierrez A, Ruiz De Azua JA, Munoz-Martin JF, Fernandez L, et al. FSSCAT, the 2017 copernicus masters’ “ESA sentinel small satellite challenge” winner: A federated polar and soil moisture tandem mission based on 6U Cubesats. International Geoscience and Remote Sensing Symposium (IGARSS): 2018 July 22-27: Valencia, Spain.
[12] Yaglioglu B, Kose S, Atas O, Tekinalp O, Kahraman D, Suer M. A multi-national multi-institutional educaiton framework: APSCO SSS-2B CubeSat project. 9th International Conference on Recent Advances in Space Technologies (RAST): 2019 June 11-14: Istanbul, Turkey.
[13] Woldai T. The status of Earth Observation (EO) & Geo-Information Sciences in Africa–trends and challenges. Geo-Spatial Inf Sci. 2020; 23(1): 107–23.
[14] Denis G, Claverie A, Pasco X, Darnis JP, de Maupeou B, Lafaye M, et al. Towards disruptions in Earth observation? New Earth Observation systems and markets evolution: Possible scenarios and impacts. Acta Astronaut. 2017; 137: 415–33.
[15] Da Silva Curiel A, Cawthorne A, Sweeting M. A low cost video and still imaging constellation for high temporal coverage. 36th Asian Conference on Remote Sensing: 2015 October 19-23: Quezon City, Philippines.
[16] Niemela P, Praks J, Riwanto B, Kestila A, Näsila A, Jovanovic N, et al. Aalto-1 satellite first months in orbit. 4th IAA Conference on University Satellite Missions and CubeSat Workshop: 2017 December 04-07: Rome, Italy.
[17] Liu L, Zhou H, Lan M, Wang Z. Linking Luojia 1-01 nightlight imagery to urban crime. Appl Geogr. 2020; 125: 102267.
[18] Peral E, Tanelli S, Haddad Z, Sy O, Stephens G, Im E. Raincube: A proposed constellation of precipitation profiling radars in CubeSat. International Geoscience and Remote Sensing Symposium (IGARSS): 2015 July 26-31: Milan, Italy.
[19] Peral E, Im E, Wye L, Lee S, Tanelli S, Rahmat-Samii Y, et al. Radar Technologies for Earth Remote Sensing from CubeSat Platforms. Proc IEEE. 2018; 106(3): 404–418.
[20] Li J, Knapp DE, Schill SR, Roelfsema C, Phinn S, Silman M, et al. Adaptive bathymetry estimation for shallow coastal waters using Planet Dove satellites. Remote Sens Environ. 2019; 232: 111302.
[21] Castelão I, Andrade JM, Ferreira JP, Campana M, Rodrigues P, Cunha F V. New small SAR-enabled satellite concept to support early warning for fast-developing events. International Astronautical Congress (IAC): 2019 October 21-25: Washington, D.C., USA.
[22] Chris M, Sundkvist DJ, Abiad R, Badman ST, Bale SD, Maruca B, et al. CURIE: Low Frequency Radio Interferometry from Space. AGU Fall Meeting:  2022 December 12-16: Chicago, USA.
[23] Laskar MR, Bhattacharjee R, Giri MS, Bhattacharya P. Weather Forecasting Using Arduino Based Cube-Sat. Procedia Computer Science. 2016; 89: 320–323.
[24] Björklund TA, Mikkonen M, Mattila P, van der Marel F. Expanding entrepreneurial solution spaces in times of crisis: Business model experimentation amongst packaged food and beverage ventures. J Bus Ventur Insights. 2020; 14: e00197.
[25] Bush A, Sollmann R, Wilting A, Bohmann K, Cole B, Balzter H, et al. Connecting Earth observation to high-throughput biodiversity data. Nature Ecology and Evolution. 2017; 1: 0176.
[26] Wang B, Liu Y, Zhou Y, Wen Z. Emerging nanogenerator technology in China: A review and forecast using integrating bibliometrics, patent analysis and technology roadmapping methods. Nano Energy. 2018; 46: 322–330.
[27] Toorian A, Diaz K, Lee S. The CubeSat approach to space access. IEEE Aerospace Conference: 2008 March 01-08: Big Sky, MT, USA.
[28] Shah A, Sarda K, Grant C, Eagleson S, Kekez D, Zee RE. Canadian advanced nanospace experiment 2 orbit operations: One year of pushing the nanosatellite performance envelope. 60th International Astronautical Congress: 2009 October 12-16, Daejeon, Republic of Korea.
[29] Yin H, Yan Y, Song X, Yang Y. Compressive measurement and feature reconstruction method for autonomous star trackers. Opt Laser Technol. 2016; 86: 103-114.
[30] Santilli G, Vendittozzi C, Cappelletti C, Battistini S, Gessini P. CubeSat constellations for disaster management in remote areas. Acta Astronaut. 2018; 145: 11–17.
[31] Shendryk Y, Rist Y, Ticehurst C, Thorburn P. Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery. ISPRS J Photogramm Remote Sens. 2019; 157: 124–136.
[32] Kameche M, Benzeniar H, Benbouzid AB, Amri R, Bouanani N. Disaster monitoring constellation using nanosatellites. J Aerosp Technol Manag. 2014; 6(1): 93–100.
[33] Antonini K, Langer M, Farid A, Walter U. SWEET CubeSat – Water detection and water quality monitoring for the 21st century. Acta Astronaut. 2017; 140: 10–17.
[34] Wang X, Zhou T, Tao F, Zang F. Correlation analysis between UBD and LST in Hefei, China, using Luojia1-01 night-time light imagery. Appl Sci. 2019; 9(23): 5224.
[35] Mhangara P, Mapurisa W, Mudau N. Image interpretability of nSight-1 nanosatellite imagery for remote sensing applications. Aerospace. 2020; 7(2): 19.
[36] Aragon B, Houborg R, Tu K, Fisher JB, McCabe M. Cubesats enable high spatiotemporal retrievals of crop-water use for precision agriculture. Remote Sens. 2018; 10(12): 1867.
[37] Shi Y, Huang W, Ye H, Ruan C, Xing N, Geng Y, et al. Partial least square discriminant analysis based on normalized two-stage vegetation indices for mapping damage from rice diseases using planetscope datasets. Sensors. 2018; 18(6): 1901.
[38] Breunig FM, Galvão LS, Dalagnol R, Dauve CE, Parraga A, Santi AL, et al. Delineation of management zones in agricultural fields using cover–crop biomass estimates from PlanetScope data. Int J Appl Earth Obs Geoinf. 2020; 85: 102004.
[39] Cooley SW, Smith LC, Stepan L, Mascaro J. Tracking dynamic northern surface water changes with high-frequency planet CubeSat imagery. Remote Sens. 2017; 9(12): 1306.
[40] Kääb A, Altena B, Mascaro J. River-ice and water velocities using the Planet optical cubesat constellation. Hydrol Earth Syst Sci. 2019; 23(10): 4233–4247.
[41] Vanhellemont Q. Daily metre-scale mapping of water turbidity using CubeSat imagery. Opt Express. 2019; 27(20): A1372–A1399.
[42] Poursanidis D, Traganos D, Chrysoulakis N, Reinartz P. Cubesats allow high spatiotemporal estimates of satellite-derived bathymetry. Remote Sens. 2019; 11(11): 1299.
[43] Park SH, Jung HS, Lee MJ, Lee WJ, Choi MJ. Oil spill detection from planetscope satellite image: Application to oil spill accident near ras Al Zour Area, Kuwait in August 2017. J Coast Res. 2019; 90(sp1): 251–260.
[44] Aldeghi A, Carn S, Escobar-Wolf R, Groppelli G. Volcano monitoring from space using high-cadence planet CubeSat images applied to Fuego volcano, Guatemala. Remote Sens. 2019; 11(18): 2151.
[45] Asner GP, Martin RE, Mascaro J. Coral reef atoll assessment in the South China Sea using Planet Dove satellites. Remote Sens Ecol Conserv. 2017; 3(2): 57–65.
[46] Ghuffar S. DEM generation from multi satellite Planetscope imagery. Remote Sens. 2018; 10(9): 1462.
پژوهش های سنجش از دور و اطلاعات مکانی
دوره 1، شماره 1 - شماره پیاپی 1
دی 1401
صفحه 31-40
فایل ها
سابقه مقاله
  • تاریخ دریافت: 20 بهمن 1401
  • تاریخ بازنگری: 18 اردیبهشت 1402
  • تاریخ پذیرش: 20 خرداد 1402
هم رسانی
ارجاع به این مقاله
آمار