论文综述 | SAR卫星星上智能现状解读：技术、挑战与机会

原创

空天感知
空天感知

空天感知

2026年11月10日 17:01
美国

去阅读

导读：SAR 能全天时、全天候成像，代价是数据量远大于光学影像。全部传回地面再处理，下行链路吃紧，灾害监测、海事监视这类讲时效的任务也等不起。IEEE《地球科学与遥感杂志》（GRSM）这篇 45 页综述，把星上 SAR 处理从头到尾梳理了一遍：载荷怎么产生数据，数据在星上如何采集、分诊、预处理并生成产品，最后直接输出可行动的洞察；ICEYE、Capella Space、欧空局 Φ-lab、德国航空航天中心（DLR）、NASA 喷气推进实验室（JPL）等机构的在轨实践，也一并收了进来。通读下来，卡住这件事的始终是卫星的体积、重量与功耗（SWaP）——算力、存储、供电样样受限。眼下能看到的解法，集中在模型优化、硬件加速和让模型在轨持续学习这几条线上。

合成孔径雷达（SAR）是对地观测的主力载荷之一。它主动发射雷达脉冲成像，昼夜、云层、恶劣天气都挡不住。

麻烦也随之而来：SAR 的数据量远大于同类光学影像，卫星能往地面传数据的窗口和带宽却很有限。传统流程把原始数据全部下传、到地面站再成像处理，时效往往以小时甚至天计；洪水、溢油、舰船动向这类应用等不起，这个延迟本身就是问题。

这几年，信号处理与深度学习把流程往前推了一步：影像还在卫星上，就先把洞察提炼出来，下传的只剩筛选后的数据和结论。

澳大利亚迪肯大学智能系统研究所 Pretha Sur 领衔的 10 位作者——欧空局首席科学家办公室的 Roberto Del Prete、印度理工学院孟买分校的 Biplab Banerjee 也在其中——在 GRSM 2026 年第 14 卷第 5 期（268–312 页，6 月 11 日在线发表）刊出这篇综述，把这一方向的技术家底、现实挑战和下一步机会系统盘点了一遍。

01 先说清问题：SAR 的数据，地面正在「吃」不动

数据先是在产生的那一端膨胀。

SAR 有聚束、条带、扫描等多种成像模式，辅以多极化、多通道接收，单景数据量持续攀升；卫星与地面站每天只有有限的过境窗口，下行带宽就那么多。数据产得越来越多，传得还是那么快，缺口只能越拉越大。

论文用一整页图拉了条时间轴：1992 年至今，全球星载 SAR 传感器的频段、极化与分辨率一路演进，星座越铺越密，单星的数据率也跟着水涨船高。

星上处理要做的，是把筛选和初判搬到卫星上：先判断哪些数据值得传、哪些目标值得报，必要时在星上直接生成结论再下传。

地面链路由此卸下一大块负担，传回来的以筛选、压缩后的信息为主，原始数据的洪流留在天上消化。受益最直接的是安全、监视、环境监测与灾害管理四类应用。它们有个共同点：时效就是效果，晚几个小时，结论的价值就掉一大截。

星上的条件和地面机房完全两样。综述通篇用同一把尺子量所有方案：SWaP——体积、重量、功耗。

方案得先塞进这三条约束，才谈得上低延迟、任务适配和内存算力足迹。后面所有的算法与硬件讨论，都摆在这把尺子下。

02 星上处理链：从原始回波到「可行动的洞察」

一条五环节的流水线

综述把星上处理拆成五个环节，每一环都有 AI 可以介入的位置：

• 数据采集与分诊：数据一产生先过筛子，判断哪些值得继续处理、值得下传，这是星上智能的第一道关。

• 预处理：聚焦、定标与配准——SAR 特有的成像处理步骤，把原始回波变成可用的影像。

• 数据压缩与产品形成：在保住信息质量的前提下压减数据量，例如多通道 BAQ 压缩（论文 Fig.6）用频域分解与优化的比特分配压缩多通道回波数据。

• 产品后处理与特征提取：把影像产品进一步加工成目标、区域、变化等特征，通向最终的分析与告警。

星上分析算法的两条线

单景分析这条线，综述按「从轻到重」梳理：先是统计方法做快速分诊；然后是紧凑的单阶段检测器，典型如为 Sentinel-1 影像做的轻量舰船检测框架 Lite-YOLOv5，靠网络结构精简与剪枝把模型压到星上可用的体量；

再往上是容量更大的检测器（如无锚框的 R-FCOS 舰船检测）和高分辨率密集预测，在含噪声、带遮挡的真实 SAR 影像上做像素级分割。

轻与重之间没有谁取代谁，区别只在任务给多少算力、要多快出结果。

多时相变化检测是另一条线：

从 SAR 时间序列的统计变化检测，到紧凑的学习型方法，再到缓冲融合、特征差分与长上下文的语义变化分析，最后落到异常检测与告警生成。

星上直接发出「这里出事了」的信号，正是灾害响应最想要的形态。应用层面，综述单列了灾害响应与对地观测、海事监视两节：舰船检测之外，还有面向海洋背景的油污分割，以及能在 Sentinel-1 影像上自动检测溢油的「自进化」深度学习算法——模型在工作中持续调整自己，去适应新的海况与传感器状态。

产业实践：已经在轨跑起来的星上 SAR

这一节是全篇信息量最大的部分之一。

综述专门辟出篇幅，盘点了 10 个代表性产业与机构案例，另附表格汇总公开已知的更多机构。各家披露的深浅不一，有的给出完整的在轨指标，有的只公布了方向；排在一起看，梯度大致分三层：已经在轨常态运行的、完成在轨演示验证的、还在研和规划中的。

指标给得最完整的是中国 Spacety（天仪研究院）的 HISEA-1：50 公斤级 X 波段 SAR 立方星，2020 年 12 月发射。星上跑一条异构流水线，经典 CFAR 检测打头、YOLOv4-tiny 神经网络接力，模型约 700 万参数、INT8 量化，算力来自一颗约 10 瓦的 Nvidia Jetson TX1。在轨结果：舰船检测精度约 85.9%，误报率低于 0.1%，端到端处理时间从 157 秒压到约 67 秒；星上只下传 256×256 的目标切片和坐标，数据量减少九成以上，整套动作能在同一次过境里完成。

商业 SAR 星座两强也在往星上搬处理。Capella Space 的 Acadia 级卫星约 100–200 公斤，带宽 700 MHz、分辨率约 0.3 米，现已能星上生成聚束图像并做初步变化检测；2023 年它宣布完成星上 InSAR 处理演示，可以在轨导出相位产品。

规划中的神经滤波走得更远：用 Transformer 模型在星上先筛出舰船与基础设施的变化再优先下传，目标是数据量再砍一半以上、时延从数小时降到数分钟。

ICEYE 这边，2024 年到 2025 年初连发多颗 25 厘米级高分星，中纬度重访持续加密；它与欧空局 Φ-lab、Ubotica 合作的下一代边缘 AI 还在研：神经压缩加轻型星上分类（变化检测、目标识别），用小型 CNN 与自编码器配嵌入式 AI 加速器，目标把数据量压缩两个数量级。

另一类玩家卖的是星上计算平台。D-Orbit 的 ION 卫星搭载 Unibap 的 iX5-100 计算模块和 AWS 的云软件栈（SpaceCloud 项目），U-Net 与 CNN 检测器在轨做舰船检测和洪水制图，功耗 20–30 瓦，下传数据减少约四成，成熟度已达 TRL 9，2021 年以来多次在轨部署。

澳大利亚 Spiral Blue 的 Space Edge 计算机（Jetson Xavier／Orin）用 CNN 做云与舰船检测，平均把数据量缩减到十分之一，2023 年起持续在轨推理。

爱尔兰 Ubotica 与 NASA JPL 联合开发的 CogniSAT-6 边缘 AI 平台搭载在 Open Cosmos 的卫星上，做到了闭环自主任务调度：星上云检测、洪水制图、目标重定向连成一体，小型 INT8 CNN 跑在 1–2 瓦的 Intel Myriad VPU 上，数据量减少九成以上，自适应成像时延低于 2 分钟。注意，这次演示以光学影像为主，它与 SAR 的兼容性来自模块化设计。

航天机构的验证更偏底层。欧空局 Φ-Sat-1 于 2020 年发射，是第一颗在星上跑深度学习推理的卫星：高光谱云检测 CNN 直接把平均约三成的含云影像在星上丢弃、不下传，孵化它的 Φ-lab 也由此成了星上智能的中枢。

日本 JAXA 与 iQPS 的 FLIP 是装在 QPS-SAR-6 上的 FPGA 成像处理器：芯片上完成一级成像只要约 23 秒，数据压到原始输入的千分之一以下，功耗不到 20 瓦，成熟度 TRL 8；即时舰船检测与灾情制图已经实现，星上 AI 目标分类还在后续计划里。

JAXA 与三菱重工的 AIRIS 搭载 RAISE-4 卫星，主打可在轨再训练的 AI 目标检测：星上更新权重、只回传感兴趣区域，数据量约缩至十分之一。

德国 DLR 的贡献在算法与体系两端：AI 引导的 BAQ 量化按场景学习最优比特率分配，兼顾图像质量与干涉稳定性。

欧盟 EO-ALERT 项目则把端到端时延做成硬指标：SAR 一级聚焦在 MPSoC 上约 3.7 秒，含通信的产品交付预计可以压到 1.5 分钟以内。

把这些案例叠在一起看：单星演示已经跑通并给出硬指标，星座运营商把星上处理写进了产品路线，平台商在卖可复用的星上算力。

有一点要提醒：这些数字大多来自各家在论文撰写时的公开披露，统计口径并不统一，横向比较时需要谨慎。

💡 这篇综述评价算法的口径，和地面上比精度榜单是两回事：同等精度下，内存与算力足迹更小、延迟更低的方案优先。许多在地面上精度领先的大模型，过不了 SWaP 这一关，上不了星——这也是「紧凑」「轻量」在综述里高频出现的原因。

03 瓶颈与出路：卡住的是硬件，解法在优化与持续学习

综述点名的三大挑战是：硬件限制、功耗效率、实时数据处理。再往下拆，还有两个容易被忽视的缺口：

• 存储限制：星上存不下长时序数据，直接制约多时相变化检测这类「要看历史」的方法，算法设计必须绕着存储走。

• 数据政策、可复现性与数据可用性：训练数据从哪来、在轨结果如何复现验证，被综述单列为技术缺口。它跟算法无关，却实实在在拖慢整个领域的迭代。

解法上，综述给的抓手主要有三个。

模型要为星上环境重新设计和压缩——地面模型直接搬上天，体量和功耗都过不了关。硬件加速负责把延迟与功耗一起压下去。

在轨学习解决的是更新问题：模型在轨适应新数据，包括分布式在线学习这类设想，省去地面重训再上注的漫长周期；星座规模越大，这条越关键。SAR 与其他数据源的星上融合，单列为明确机会。

展望部分，综述给了两个关键词：有界延迟推理，给星上推理的时延一个可保证的上界，这是业务系统敢用的前提；渐进式自动化，处理链上的环节一段一段交给星上系统，直到形成一条高效的星上 AI 流水线。

支撑这一进程的背景趋势，是小卫星星座的扩散、星上硬件的进步，以及全球合作与开放数据的推进。

💡 小结

这篇综述的价值，在于把「星上 AI」从单点算法拉回到系统工程：一边是五环节的处理流水线和单景／多时相两条算法线，一边是 SWaP 这把贯穿始终的尺子，中间还隔着存储、功耗与数据政策这些不性感的硬约束。

对关注星上智能的读者，它更像一份检查清单——判断任何一个星上 SAR 方案是否靠谱，依次问三件事就够了：

它在流水线的哪一环、算力与功耗账算不算得过来、延迟能不能给上界。SAR 如此，光学小卫星的星上处理同样逃不开这三问。

论文原文：

A Review of Onboard AI Technologies for Synthetic Aperture Radar: Techniques, Challenges, and Opportunities（Pretha Sur 等，IEEE Geoscience and Remote Sensing Magazine 第 14 卷第 5 期，268–312 页，2026 年 6 月 11 日在线发表）

https://doi.org/10.1109/MGRS.2026.3689429