不久前由Pan-STARRRS行星防御机构观测到的一颗叫做2020 SO的不明物体“ 来访” ^[1], 引起了众多研究者的兴趣。 起始2020 SO被认为是一颗近地小行星, 后发现其运动特征以及轨道信息与1966年发射的“ 勘测者2号” 登月后遗留的半人马座火箭体吻合, 但仅基于这两点, 还不足以确认其身份。 2021年, 美国亚利桑那大学的Vishnu Reddy^[2]等试图通过光谱表征来搜索其表面材料方面的证据, 具体方式为将2020 SO的光谱和残留在地球轨道的半人马火箭体的实测光谱以及相应实验材料光谱进行对比, 确认2020 SO表面存在与半人马火箭体一致的材料(白色聚氟乙烯), 并在整体光谱上与NORAD编号为04882的半人马火箭体一致, 证实了它们来源于同一部件。 该事例说明了空间目标表面材料的表征与识别在空间领域感知(space domain awareness, SDA)中占有极重要的地位, 而光谱探测作为材料表征的重要手段之一, 能够解决普通探测手段无法远程获取空间目标表面材料信息的困难。 另外, 除了获取材料信息, 通过光谱还能获取空间目标的形状、 姿态^[3]以及健康状态^[4]等信息。 无论从战略意义还是商业用途考虑, 空间目标的光谱表征及识别技术都是当前航天领域内的发展重点。

早期空间光谱研究的主要对象为自然界的天体。 1970年, 反射光谱被应用到小行星测试中^[5], 1990年, 被扩展到航天器材料的表征领域^[6], 2000年, 反射光谱被证明是一种可行的表征手段, 可提供航天器设计中常用材料的详细表征数据^[7]。 相较于天体, 空间碎片具有姿态不稳定、 运行速度快、 结构多变的特点, 直接提取谱线特征进行碎片材料识别的难度较大。 相较于碎片, 卫星的结构更加复杂, 材料更加多样。 传感器采集的信号往往是多种纯光谱的混合, 需要基于现有的材料光谱数据库进行解混分析^[8], 且实际测量中, 获得数据往往为低信噪比、 低光谱分辨率的, 不恰当的数据处理往往会导致重要特征的丢失或掩盖。 目前, 基于实测光谱的卫星材料识别仍然有待发展。 大多数轨道高于1 000 km的航天器, 都超出了地基光学望远镜的衍射限制, 通常情况下, 无法获得小于目标尺寸的空间分辨率^{[9, 10]}。 目标在图像上呈无法分辨的点, 称之为非分辨的空间目标, 因此, 需要利用光谱信息对材料进行分析。 通常来说, 信噪比、 光谱分辨率越高, 光谱数据所包含的材料信息越全面越精细, 识别准确率越高^{[11, 12]}。 然而实际中光谱分辨率与信噪比是相互制约的, 为了获取较高的信噪比, 通常降低光谱分辨率以获取更多的分光能量^[13]。 随着观测设备的大力发展, 部分机构已经可以获取部分满足信噪比要求的在轨空间目标的一维高光谱数据^[14]以及低分辨率的多光谱图像^[15], 但目前对空间目标光谱特性的研究主要集中在低分辨率的一维光谱数据。

本文分四个方面进行综述: (1) 空间目标光谱特性及分类研究。 分析了历年主要的空间目标光谱观测和研究以及取得的主要成果; 重点阐述了对于GEO卫星季节性闪光现象的研究以及基于空间目标光谱特性的分类研究。 (2) 空间目标材料表征及识别研究。 介绍了各机构对空间目标材料表征及识别的研究。 针对性地介绍了光谱解混方法的发展及应用, 并对其中的难点和热点进行梳理。 (3) 空间目标光谱的红化现象。 针对实测光谱数据和实验室材料库数据的差异是影响识别效果的主要因素, 从空间风化和观测几何两个方面综述了历年对空间目标光谱红化现象的研究, 对红化的原因做出了分析。 (4) 光谱数据库的研究发展情况。 总结了几个用于空间目标材料表征识别的经典数据库。 同时, 对其局限性进行了分析。 接着详细阐述了研究者们对于光谱库的改进情况。 最后给出了参考建议。

由于望远镜的衍射限制及雷达的功率限制, 光谱观测成了获取中高轨道目标材料部件信息最重要的地基观测手段之一。 不同材料在不同的波段有不同的特征(吸收峰、 反射峰、 带隙等), 以及不同材料以不同的比例、 不同的几何关系组合成不同的形状, 均会以不同的光谱特征体现, 这使得基于光谱对空间目标分类成为可能。 而镜反材料由于其可观测范围窄, 反射光谱强度大, 信噪比高, 可作为有效的特征获取渠道。 以Jorgensen^{[16, 17, 18]}和Abercromby^[19]为代表的研究者们最先开展空间目标光谱观测研究。 对比发现每一类目标的光谱曲线斜率、 形状和吸收特性均有较大差别, 可以区分不同种类的目标。 然而, 由于卫星的组分构成复杂, 以及太阳帆板的镜反特性导致谱线的短波区域差异大, 也造成了识别困难。

美国空军学院的Tippets^[20]发现即使采用相同平台, 同一晚上不同卫星光谱曲线也存在不同, 进一步验证了光谱技术可以用于空间目标部件级的识别与分类。 随后, 该学院重点对GEO卫星季节性闪光效应进行测量研究^{[21, 22]}。 发现闪光中的平均光谱在红色波段显示出较强的吸收特性, 并逐渐向蓝色端显示出较强的反射特性, 这与帆板吸收光子的现象相似, 因此推测太阳能帆板是闪光的来源。 同时发现DirecTV-12卫星出现了两次闪光现象, 因此判定DirecTV-12卫星两侧帆板角度可能存在差异。 DeMeulenaere^[23]通过两台望远镜对空间目标的闪光现象进行对比分析, 指出帆板可能不是镜反现象的唯一来源, 但受限于数据量较少, 并没有进行更深一步的探究。 加拿大皇家军事学院的Bedard对此进行了较为系统的探究。 基于卫星缩比模型分析了卫星的闪光时刻^[24], 得出的初步结论为只有探测器位于卫星镜面反射材料的镜面反射区域时, 才能探测到。 并通过实验发现, 多层隔热材料(multi-layer insulation, MLI)的镜反特征要强于三结光伏(triple-junction photovoltaic, TJPV)帆板^[25]。 同时在Anik G1卫星和Galaxy 11卫星的闪光时刻, 只观测到了MLI的光谱特征, 并未观测到帆板的特征, 分析结果为MLI反射的光谱强度将帆板掩盖^[26], 进一步验证了该结论。 因此卫星发生闪光的来源不仅仅为帆板, 还可能是卫星本体。

空间目标分类方面, 火箭体、 碎片、 卫星这三类空间目标在光谱上有着较大的区分度, 大多数研究者们对空间目标的分类集中在对这三者的区分层面^{[18, 19, 27]}。 宋薇(见本刊35卷6期)分别对火箭碎片和卫星碎片的时序光谱进行了详细的对比分析, 结果发现火箭的光谱离散率低, 且波动差值及平均值较小, 而卫星的光谱由于结构复杂, 表面覆盖材质多导致光谱离散率高, 波动较大。 因此, 通过判断光谱曲线的线型和离散率, 可以实现对火箭残骸和失效卫星的初步分类。 有些研究者根据不同材料的光谱大尺度特征(例如凹凸, 斜率和特殊的形状等), 进行了同类空间目标光谱间的进一步细分。 Lederer^[14]以Titan、 Briz-M和Ariane系列为例研究火箭残骸本体和其解体碎片之间的关系, 发现同系列的火箭碎片光谱相似, 而不同系列光谱差距较大, 证实了通过光谱对碎片的种类进行溯源的可行性。 Vananti^[28]将碎片的光谱形状分为三类, 分别是递增上凹型、 递增下凹型和蓝端递减平坦型。 通过测量匹配的方式, 对不同类型碎片的材料进行了推测, 其中两类高面质比碎片(金色和银色聚酰亚胺)与实验室测量光谱匹配度较高, 并且与色指数聚类分析结果一致。 基于以上得出的结论, Zigo^[29]分别对姿态稳定以及自旋状态的卫星进行了色指数分析并分类。 还有些研究者利用机器学习的方法直接对空间目标光谱进行分类。 Cauquy^[30]搭建神经网络开展光谱的分类研究, 将未知光谱进行归类, 识别率为84%。 在此基础上又设计了两种分类器: 欧式距离分类器和神经网络分类器, 研究发现相比欧式距离分类器, 神经网络分类器识别精度更高, 速度更快^[31]。 在这一方面, 长春理工大学有着较深入的研究。 贾博威^[32]提出了一种基于径向基函数(radial basis function, RBF)神经网络的光谱识别方法, 将1 007个光谱测量样本分为8类, 准确率达到88.74%; 李龙在博士论文中描述了对四类样本, 采用线性相关度理论进行特征选取分析, 利用RBF神经网络实现了对不同观测几何条件下的光谱分类识别, 准确率达99%; 刘昊^[33]在实验室测量了4类空间碎片的500帧时序光谱数据, 分别利用卷积神经网络和BP神经网络对材质不同观测几何的散射光谱分类识别, 准确率均达98%。 另外, 美国空军研究实验室(Air Force Research Laboratory, AFRL)的Gazak^[34]提出了一种改进的残差卷积神经网络。 通过四个不同的数据集对该算法进行验证, 得出了两个结论: 一是数据的信噪比越高, 分类准确率越高; 二是每颗卫星的观测数据越丰富, 分类准确率越高; 尤其对于姿态持续移动的卫星, 数据涵盖的姿态种类越完善, 准确率越高。 考虑到目前卫星数量增长快, 不断有新目标出现, Gazak^[35]通过定期添加新的光谱观测数据构造动态数据集, 对其算法在面对不断增加的未知卫星时的响应能力进行了测试。 期间提出了一种基于平衡微调和偏差校正的增量学习方法, 仅对新增的部分数据进行再训练。 相比于重新训练整个数据集, 增量学习的计算效率大大提高, 有效化解了卫星数据集越来越庞大难以训练的难题。 然而文献[32, 33, 34, 35]仅仅是基于光谱数据层面的特征进行分类, 并未反映出各类别所代表空间目标的材料和部件信息, 无法作为空间目标材料识别的依据。 因此基于机器学习的分类方法优点在于能够消除对于先验物理模型和材料信息的依赖, 不需要做精细的数据预处理, 但缺点也是较为明显的。

早在40多年以前, 天文地质学家就成功地利用反射光谱研究小行星的矿物学成分; 然而, 利用这一技术来描述空间目标却仍处于初级阶段。 2000年之前曾进行过一些研究, 但这些早期的努力都没有产生成熟的技术^[36]。 2000年后, Jorgensen根据光谱特征将人造空间物体的主要表面材料分为三大类: 金属、 塑料和油漆。 这对于日后的空间目标光谱表征及识别有着里程碑式的意义。 由于分类对于光谱数据的数量和分辨率要求较低, 因此依据目前积累的在轨观测数据以及现有的多色测光算法已经可以实现对典型空间目标的分类。 但要想识别更详细的空间目标及其部件的材料信息, 需要质量更高的光谱数据。 由于空间目标实测数据获取受限, 因此通常在实验室内完成对航天材料的地面测量, 构建光谱数据库, 用于和实际观测获得的在轨数据进行对比匹配, 进而完成材料识别。 因其重要的研究价值, 空间目标材料的光谱表征识别得到了大量研究所和实验室的支持, 仅摘选部分研究成果整理如表1所示。

表1

Table 1

表1(Table 1)

表1 空间目标光谱表征项目及实验室研究概况 Table 1 General situation of projects and laboratories working on space objects spectral characterization 项目/实验室 研究者 研究成果 加拿大 多伦多大学 宇航研究所 — — CanX计划[37] Bé dard[20, 38, 39] 通过仿真建模、 实验室测量的方式模拟在轨航天器观测情况, 其主要目的就是分析地面测量和实际测量的误差, 解决在轨空间目标的光谱表征问题。 Lé vesque[24] 实验成功证明了无先验信息的前提下对空间目标进行表征的可行性。 但由于模型材料组成过于简单, 无法说明验证结果的普适性。 Willison[40, 41] 仿真分析了CanX-1卫星工程模型的光谱特性, 并与实验测量的光谱进行对比, 发现仿真光谱和实测光谱曲线趋势相似, 但是幅值相差较大。 针对其差异, 提出利用材料的光谱双向反射分布函数(spectral bidirectional reflectance distribution function, sBRDF)测量数据, 结合测量角度信息进行外推或者插值, 以代替其sBRDF模型, 减小由于sBRDF模型不准确带来的误差。 NASA光学 测量中心 P. Seitzer[42] 对准备入轨、 在轨碰撞和在轨爆炸三种状态的材料分别进行了测量, 并与不同口径的望远镜实测结果进行匹配关联。 结果表明只能准确关联光学散射特性较为均匀的目标, 对于闪光等突变现象无法很好的识别。 Cowardin[7, 43, 44] 基于之前的研究结果, 对Titan IIIC中间级缩比模型进行了光谱分析, 建立了一个关联匹配的标准, 最终目的是确定空间碎片来源以及空间目标爆裂的原因。 之后又对卫星各部件的材料光谱进行了测量, 构建空间目标材料子集, 以期在实际的远程观测中对复杂材料进行光谱表征。 Reyes[45] 对撞击前DebriSat卫星各材料的反射光谱特征进行了详细分析, 来对发生碎裂后的DebriSat碎片进行表征。 航天工程大学 太空目标 监视暗室 李鹏[46] 在暗室对三结砷化镓电池片进行了多角度测量, 分析出各膜层对整体光谱特性的影响方式(幅度或相位)以及影响程度, 该项工作对卫星太阳能帆板的识别具有重要意义。 赵飞[47, 48] 基于该暗室进行了空间目标观测的全角度平行模拟测量, 为材料的表征和识别提供了数据参考。

表1 空间目标光谱表征项目及实验室研究概况 Table 1 General situation of projects and laboratories working on space objects spectral characterization

由于光谱是由分子能级跃迁, 吸收特定波长的光能造成的, 不同物质的结构不同, 能级差也不同, 这就决定了它们对不同波长的光的选择性吸收。 因此, 通过对光谱中特征波段的分析, 则可以溯源到对应的材料。 表2为航天常用材料富含的分子及光谱特征波段。

表2

Table 2

表2(Table 2)

表2 部分航天器表面材料的光谱特征波段及属性 Table 2 Spectral characteristic bands and attributes of some spacecrafts’ surface materials 材料名称 特征波段 /μ m 特征 白色涂料 (有机白漆)[8, 44] 0.39 带隙 1.4和1.9 吸收峰(水元素) 1.65和2.3 吸收峰(C— H键特征) 太阳帆板 (三结砷化镓)[25, 38, 43] 0.9 反射峰, 之后开始出现震荡 2.3 吸收峰(C— H键特征) 太阳帆板(硅) 0.45 反射峰 铜 0.5 橙色显性 铝[25, 44] 0.85 吸收峰 聚酰亚胺[25, 49] 0.5~0.6 带隙 1.65和2.3 吸收峰 钢 0.6 吸收峰

表2 部分航天器表面材料的光谱特征波段及属性 Table 2 Spectral characteristic bands and attributes of some spacecrafts’ surface materials

不同材料如果存在相同化学键, 也会产生相同的特征波段及反射率。 如表2中白漆和聚酰亚胺分子结构中均包含C— H键, 在2 200~2 300 nm处均产生明显吸收特性, 故并不能依据C— H键对其进行区分^[18]。 因此, 在进行特征提取的时候, 需要注意谱线的整体特征, 而非单一幅值。 目前, 用于识别的光谱特征参数除吸收特征、 色指数、 特征温度等整体参数外, 还包括吸收谱导数、 中心距、 光谱角和一维卷积特征等。

理论上, 只要利用光谱的吸收特性就可以实现材料的识别, 但是实际观测中, 非分辨目标为由多种不同材料的端元混合而成的混合像元。 因此, 不同的材料之间存在不同程度的特征叠加以及特征掩盖。 由光谱的加和性原理可知, 混合像元可以看作是一个线性光谱混合模型(linear spectral mixed model, LSMM)。 通常情况下一个端元仅由一种材料组成, 因此, 材料识别问题可以看作是一个光谱分解问题。 基本思路为从光谱库中筛选一定数量的端元子集并将其所有可能的组合与测量光谱进行拟合, 其中拟合误差最小的端元子集组合作为目标像元的解混结果。 但对于非合作空间目标或者由于外部环境影响而受损的空间目标, 端元信息未知, 因此需要先进行端元提取, 对于具有一定空间分辨率的图像数据, 可以基于凸面几何理论的方法^[50]来提取出较为纯净的像元, 但对于空间域非分辨的空间目标来说, 无法使用空间域信息进行分解, 通常采用的方式是将一维光谱数据在时间域进行累积, 组成时序光谱矩阵, 再通过矩阵分解的方法^{[51, 52]}获取相应端元信息, 结合光谱库中的先验信息识别出端元类型, 最后才进行解混^[9]。 常用的解混方法有很多: 最小二乘法、 正交子空间投影法、 基于几何体积的计算方法以及正交向量投影算法等。 对于一维光谱数据的解混来说, 需要受到两个约束, 即非负且和为1, 通常使用的是约束的最小二乘法(constrained least squares, CLS)。

Luu^[10]将光谱解混分为端元提取和丰度估计两个步骤, 强调了端元提取将直接影响解混的结果。 同时, 提出了一种约束加权的最小二乘法对材料进行解混分析, 对基于光谱解混的材料识别做了可行性验证。 Piper^[52]提出了时序光谱矩阵的概念, 该矩阵包含了不同时刻目标的混合材料信息, 加以分解即可提取出较为准确的端元光谱。 同时, 针对分解过程中遇到的非负约束问题, 在非负矩阵分解(non-negative matrix factorization, NMF)算法^[51]基础上, 提出约束非负矩阵分解(constrained non-negative matrix factorization, CNMF)算法, 与NMF算法相比, CNMF算法端元提取精度更高。 Velez-Reyes^[11]对包括CNMF在内的主流端元提取算法^{[53, 54]}进行了研究, 指出解混的准确率更多的取决于我们做出的假设和约束以及材料库中光谱信息的质量和数量, 当材料库中不包含真实的端元信息时, 将会对解混结果造成很大影响。 接着又基于CNMF算法研究了空间分辨率和时间域特征对解混准确率的影响^[9], 结果表明空间分辨率越高, 解混准确率越高, 同时观测几何信息越丰富, 也会越有利于解混。 Chaudhary^[3]提出了一种光谱解混与傅里叶分析相结合的方法, 利用正矩阵分解技术从时序光谱中提取出材料丰度随时间的变化信息, 结合傅里叶分析法从中反演出空间目标的姿态及运动特征。 2012年Rapp Jason B在他的硕士论文中叙述了在混合光谱模型中考虑了入射方向和目标的姿态对观测结果的影响, 总结出完整的线性光谱混合模型。 其次, 通过实验得出了材料解混的准确率会随着观测方位的变化而变化。 分析认为其原因一是卫星不同面的部件和材料不同; 二是同种材料不同观测方位的BRDF不同, 从而影响了准确率。 同时, 在远程观测解混实验中发现仍存在部分由相似材料组成的混合光谱, 因此, 提出应拓宽观测波段的范围, 增加特征波段的个数, 以提高解混准确率。 针对这种“ 解混不干净” 的问题, 李庆波^[55]指出了端元个数估计和噪声估计的重要性, 估计的材料数目偏少会导致“ 欠解混” 即结果中仍含有混合光谱, 估计的材料数目偏多则会导致“ 过解混” 即结果中含有噪声。 因此, 作者提出一种改进的p范数纯像元辨识算法, 根据正交投影后各个像元向量的p范数值来确定端元数目。 在此基础上又重新考虑了实际情况下噪声的复杂性, 并提出一种鲁棒特征极大似然方法, 即根据数据端元信号的统计分布特征构建极大似然函数, 通过求解该极大似然函数问题来实现对端元数目的估计。 最后, 通过美国地质勘测局(United States Geological Survey, USGS)数据库结合高斯白噪声的方式进行验证。 结果表明所提出的方法准确率高、 适用性强, 且不需要输入参数和设定阈值。 由于在仅解混时将空间目标抽象为一个平面, 直接解混出的材料丰度往往不能代表实际的材料占比。 Hall^[56]指出要想对空间目标表面材料实际的比例信息进行精确反演, 必须要具备目标的形状及姿态信息。 作者通过地基光学和雷达获取的空间可分辨的卫星图像解析出其线框模型和姿态指向模型, 得到卫星的尺寸、 形状、 姿态以及表面面元分布信息。 随后对一颗由六种不同材料组成的立方星进行材料反演实验, 结果表明所提出的方法能够准确反演出这六种材料的分布及占比信息。 Abercromby^[57]分别通过传统的人工判读法和常用的约束最小二乘方法对实测光谱进行了解混分析。 其中人工判读法优势在于对空间目标的材料组成结构能够有更清楚的了解。 而约束最小二乘法的优点则在于材料识别准确率高, 速度快。 因此, 作者提出应该将两种方法结合使用, 以获取最佳的识别结果。 在此基础上, 对解混误差较大的结果进行了分析, 得出结论为, 由于最小二乘法仅限于从已有的材料信息找出最佳拟合方式, 当实际测量的空间目标含有实验室先验材料之外的材料时, 将导致较大的解混误差^[27]。 当光谱分辨率较低, 尤其光谱仪采样波段个数远少于候选材料个数时, 基于光谱解混来进行空间目标材料识别是一个重大的挑战, 为此, Phan Dao^[58]利用空间目标表面材料种类有限的特点, 将其表面的端元信号视为稀疏数据, 提出了一种基于稀疏恢复优化技术的空间目标光谱分解方法。 该方法将地面高光谱技术中常用的稀疏回归技术成功应用到空间目标材料识别中。 最后, 基于公开的TASAT数据库对来自Magdalena Ridge天文台的实测光谱数据进行了解混验证。 徐融^[47]尝试以部件取代单一材料作为解混单元, 利用非负约束最小二乘法对卫星模型进行解混分析, 相对残差小于10%。 但是在建立解混模型时, 进行了简化处理, 假设部件光谱形状不随入射和反射方位角变化, 仅幅值发生变化, 这和实际情况不符。

在实际的应用过程中, 由于测量环境不同, 实验室测量和实际测量结果往往存在一定的差异, 对解混结果造成一定的影响。 为了提高识别的准确率, 对实验测量和实际测量之间的误差研究也是热点问题。 Seitzer分析误差原因主要包括: (1) 在曝光时间内, 卫星的运动及姿态变化导致望远镜获取的是一个复杂的结构信息, 而不是单一表面的光谱信息; (2) 空间环境对材料的风化作用; (3) 在实际光谱信息的获取中涉及到较为复杂的抽谱及定标, 这一过程会导致误差的产生。 孙成明^[59]指出受真空放气影响, 空间目标表面形成了包覆材料褶皱, 会对光谱产生较大影响。 李鹏^{[60, 61]}、 张峰^[62]、 汪夏^[63]等将包覆材料的褶皱作为误差的重要来源进行了深入研究, 通过对不同材料、 不同形态的褶皱进行观测、 仿真建模, 以进一步减小实验与实测的差异。 在实验室内进行观测时, 光照条件良好, 探测器距离目标较近, 光谱观测的积分时间不能过长以防止探测器饱和。 因此, 实验室观测获取的是静态光谱反射率曲线。 而对于实际空间目标观测, 观测时间内目标位置及姿态不断变化, 观测到的光谱信号是一系列动态光谱的叠加。 目前还未见有文献针对性地分析这一差异。 无论是从观测设备还是从分析技术来考虑, 卫星材料的识别都是一个尚未解决的难题。

在实验室测量与实际测量的差异中, 一个较为普遍的现象就是红化, 即对于同一表面, 实际观测得到的光谱在长波段的反射率要普遍高于地面实验观测结果。 早在2000年, Jorgensen就发现大部分材料的光谱反射率随时间的增加而增加。 在对不同年份的火箭残骸和卫星的观测过程中, 光谱反射率在600 nm以下与地面测试结果吻合度较好, 而在600 nm后(800 nm后更为明显)反射率斜率出现了快速上升^{[17, 18, 64]}, 与该火箭残骸所用材质的光谱特征不符。 除此之外, Abercromby等还注意到, 几乎所有收集到的人造空间目标光谱均显示出波长650 nm以上的光谱反射率增加。 Guyote^[65]等试图解释这一现象, 并称这种光谱反射率随着波长的增加而增加的现象为红化效应, 但没有能够从物理过程层面对这一现象进行解释。 早些时候, 部分研究者们认为空间目标的红化效应是由大气的影响造成的测量误差的一种, 但在后期的研究中, 通过相同气团下的标准恒星定标的方式将大气影响去除后, 这种红化现象仍然存在, 因此排除了大气造成红化的猜测。 Guyote^[65]在实验室对返还的航天器材料进行的光谱反射率测量, 均没有显示出变红的现象。 由此得出的结论是, 一旦这些物质暴露在地球大气层中, 空间环境对目标表面材料的影响就是可逆的。

空间环境是一个复杂多变的环境, 红化现象往往是各种因素综合作用的结果, 众多研究者根据自己的实验结果给出了相应的解释。 文献[66]认为红化效应是航天器与空间环境相互作用形成了一层薄膜, 从而影响了光谱散射特性。 文献[18]认为红化效应受光照时间影响, 由空间环境中的原子氧对目标表面涂层的侵蚀导致材料成分发生变化。 还有一种解释认为红化与外部环境无关, 由于航天器是在大气环境中建造而在真空环境中运行, 环境的这种变化导致了排气, 由此形成的沉积物对反射光谱造成较大影响。 其他可能的解释还有空间环境中存在较强的电子辐射、 紫外线以及等离子体环境等^{[49, 67]}。 以上统称为空间环境的风化, 直接导致的是航天器表面的老化, 这一过程通常比较漫长, 且随着时间推移红化现象会越来越严重, 过程没有周期性。 还有研究者们^{[26, 39, 68]}认为红化效应的原因是太阳、 目标、 观测者组成的观测几何关系随着时间在做周期性改变, 这时太阳光的入射角度以及观测者的观测角度相对于目标来说是不断变化的, 材料的反射特性也会随之改变, 同时受射面和观测面也在改变, 这一过程将导致观测结果的变化^[69]。 与风化不同的是, 观测几何变化导致的红化效应具有周期性, 且这一过程中空间目标表面的涂层材料及外形并未发生变化。 综上, 红化效应的原因大致可被总结为观测几何条件的变化以及空间环境的风化作用两个方面。

Bengtson^[49]和Engelhart^[67]重点研究了空间环境中的电子辐照对航天器表面材料老化的影响。 Bengtson对八种航天器表面常用的白色涂料样本进行了电子辐照(90 keV)实验, 结果表明随着电子通量增加, 全波段的光谱反射率均呈现下降趋势, 当电子通量增加到一定程度后, 反射率逐渐趋于稳定。 Engelhart介绍了MLI材料在不同高能电子通量下的实验结果, 结果表明, 在400~1 000 nm的测量范围内, 出现了明显的红化效应, 且随着电子通量的增加, 整体变暗。 并指出真空中存在一定“ 材料愈合” 的可能, 这在材料光谱特性的预测工作中将是一个重要的研究内容。 另外, Bé dard^[41]通过对铝合金和三阶砷化镓光谱反射率进行测量建模, 详细分析了光谱反射率与粗糙度的关系, 发现随着表面材料在太空中老化, 增加的表面粗糙度将使较短的波长更容易漫反射, 而较长的波长基本上不受影响。 最终呈现出的就是红化。 2020年, 许邦伟^[70]基于高度起伏概率密度函数、 均方根高度等参数对粗糙程度进行了定量的描述, 研究了不同粗糙程度的材料样本的散射光谱特性, 结果表明在相同观测条件下, 随着粗糙度的增大, 整个卫星反射光谱强度有所下降, 归一化后, 光谱斜率呈现上升趋势。 但并未给出粗糙程度与红化效应间的定量关系。

预测航天器表面材料光学性质变化的问题一直是国际上最受关注的问题。 Khatipov^{[4, 71]}对不同程度电子辐射、 质子辐射和紫外线辐射下各材料的吸收率、 发射率、 透过率、 BRDF等参数进行了测量, 试图挖掘出半经验模型来描述航天器材料老化程度与在轨时间和轨道位置的函数关系, 以对其光谱特性变化进行预测。 Guyote^[65]通过Hapke模型对实验室测量和实测数据间的差异进行模拟, 分析红化的原因, 根据分析结果对地面测量的原始光谱进行修正, 从而对红化后的光谱进行预测。 Grigorevskiy^[72]建立了三氯甲烷老化的数学模型, 采用多变量优化的方法从实验数据中反演出与老化有关的参数, 进而可对红化光谱进行预测。 Pearce^{[73, 74, 75]}对在轨年龄范围在23年至35年之间的SL-12火箭残骸进行了观测。 结果发现随着在轨年龄的增长, SL-12的光谱出现了蓝化现象, 即蓝色波段的反射率随着在轨年龄增加而增加, 与预期结果相反。 其次, 对比了G2V类太阳恒星的绝对光谱, 推测蓝化的原因不是由于材料成分的“ 变蓝” 直接导致的, 而是由于红色波段的反射率降低, 导致归一化后的谱线的蓝端上升了。 作者指出, 将在未来构建不同老化程度的空间目标光谱数据集, 对于老化和光谱特性变化之间的关系进行系统的研究, 试图将其定量化。

在早年的空间目标材料表征研究中, 大多都默认了一个假设, 即无论观测几何结构如何, 光谱反射率的形状本质上都是不变的^{[8, 13, 64]}。 然而, 通过长期的光谱观测发现, 观测几何对于目标反射光谱的曲线特征影响很大。 即使是同一个目标, 在不同的夜晚观测到的光谱曲线也可能存在较大差异。 因此, 如果忽略了观测几何的影响, 必将导致较大的表征误差(观测几何可被定义为太阳、 空间目标、 探测器的相对几何位置关系, 具体见参考文献[69])。 加拿大学者^[76]对此进行了实验探究, 发现在探测器偏离卫星表面法线方向时, 光谱反射率斜率在800 nm以后迅速升高, 这是首次在实验室内再现红化效应。 但同时也注意到, 对金属铜测量光谱反射率时却没有出现此类现象, 说明此类现象仅出现在部分材质上。 大多卫星正是贴敷了具有“ 红化潜质” 的材料, 从而随观测几何变化出现相应的红化现象^[77]。 Vananti^[78]等对自旋稳定式卫星Meteosat进行了光谱观测, 发现光谱形状和观测几何有很明显的依赖关系, 指出姿态和观测几何是光谱表征的最大障碍。 因此, 在具体的光谱观测研究时, 要根据具体卫星的状态来选定观测时间段以及数据处理的方式。 Bedard通过CanX-1 EM模型实验对红化问题行了详细研究。 他发现对于飞行前的航天器, 在实验室中仍能观测到红化现象, 说明该红化与空间环境对材料的风化作用无关, 为了解释这一现象, Bedard^[79]首先研究了金属表面和光伏电池在镜反方向上的光谱分量, 对其红化现象进行试验, 得出的结论为这两种材料镜反方向的光谱都会随着观测几何变化而发生变化, 且变化的幅度取决于材料类型以及粗糙程度, 粗糙程度越大, 光谱随观测几何发生的变化就越明显。 随后, Bedard^{[24, 38, 39]}又在不同观测角度下对Can X-1 EM模型的sBRDF进行测量, 发现sBRDF随观测几何发生变化。 这些实验都显示了一种与Jorgensen、 Abercromby等注意到的红化效应相似的现象^{[8, 17, 18]}。 最后, Bé dard从实测数据入手, 针对性地提出了减小观测几何影响的条件^{[26, 68]}: (1) 必须提供数据收集的日期和时间; (2) 需要遍历测量所有观测几何情况下的光谱; (3) 采样率和曝光时间必须与观测几何形状的变化速率相适应。 Jolley^[80]在对Intelsat 805季节性闪光进行观测时发现, 镜反极值附近的光谱突然局部变红, 这与太阳帆板光谱呈现蓝色显性的理论相悖。 对此的解释为在观测几何的变化过程中, 探测器相对于太阳帆板的观测角在不断变化, 太阳帆板对观测亮度的贡献度也在不断变化, 在观测角由小变大的逐渐远离镜反中心的过程中, 太阳帆板的贡献度逐渐变小, 从而产生红化现象。 这一结论与Bedard的实验结果一致^{[24, 38, 39]}, 即观测几何关系的变化会导致同一个目标的闪光光谱在相对强度和谱形上有较大的不同。 Zigo^[29]尝试找出红化效应与观测几何间的定量函数关系。 通过四种滤波器对不同的空间目标进行观测, 分别得到不同的颜色通道下的观测结果随相位角变化的规律, 并为每个滤波器计算出一个相位函数。 下一步将通过傅里叶函数对实测数据进行拟合, 得到颜色指数与相位函数的函数式。

通过前面的分析可知, 实现在轨空间目标的材料识别需要大量的地面实验数据作为支撑。 目前, 已基本完善的航天相关光谱数据库有很多, 如表3所示。

表3

Table 3

表3(Table 3)

表3 广泛应用于空间目标光谱表征的数据库 Table 3 Database widely used in the space objects’ s spectral characterization 名称 类别 简介 美国地质勘探局 (United States Geological Survey, USGS) 数据库a 地物波谱库 起初是由美国地质勘探局为了研究地物矿产和遥感勘探而建立的光谱数据库, 由于涵盖材料种类丰富(2 300余种), 波段覆盖范围广(200~150 000 nm), 包含大量纯净的实验光谱, 参考价值较高, 为航天材料库的发展以及空间目标材料表征研究提供了重要保障[9, 11, 30, 55]。 目前已经更新到第七版(splib07a)[81]。 Advanced Space borne Thermal Emission and Reflection Radiometer (ASTER)数据库b 地物波谱库 该数据库吸纳了约翰· 霍普金斯大学(John Hopkins University, JHU)数据库、 喷气推进实验室(Jet Propulsion Laboratory, JPL)数据库、 和USGS数据库, 涵盖材料种类2 300余种, 光谱范围为400~15 400 nm, 并且按照其来源被分为岩石、 陨石、 植被、 人工目标等共八类子库, 其中人工目标子库常被研究者们用于空间目标的材料识别研究[13]。 2009年, 该数据库已经发行到第二版[82]。 后期为了满足任务需要, 对该数据库进行了扩展, 并正式更名为ECOSTRESS 1.0, 光谱条数增加到了3 000余条, 覆盖范围为350~15 400 nm, 是目前已公开的波长范围最广的光谱库之一。 NASA约翰逊航天中心 (Johnson Space Center, JSC) 数据库c 航天器 材料库 在NASA的支持下, Jorgensen等在约翰逊航天中心和美国地质勘探局的光学洁净间对大量常用空间目标材质的光谱特性进行了测量, 采用的光谱仪为ASD光谱仪, 光谱范围为350~2 500 nm, 光谱分辨率最低为10 nm, 共717个通道。 2001年, 这项研究促成美国建成了包含300多种空间目标表面材质的光谱曲线数据库, 该数据库由NASA负责维护和更新[83]。 空间红外望远镜 (space infrared telescope for cosmology and astrophysics, SPICA)测量数据库d 航天器 材料库 在NASA空间目标识别(Space Object Identification, SOI)项目的支持下, 美国空军利用其毛伊岛上1.6 m望远镜搭载SPICA光谱仪, 分别在1999年和2001年对空间目标进行了多批次观测并形成Spica数据库[84]。 该数据库存储的均为实测数据, 光谱范围330~900 nm, 所有光谱均进行了大气消光和仪器校正。 高级跟踪时域分析仿真 (time-domain analysis simulation for advanced tracking, TASAT) 数据库 航天器 材料库 TASAT软件由AFRL开发, 用于空间目标的光学特性仿真建模研究, 其中包含了224种材料的BRDF参数信息。 AFRL从中选取了171种进一步生成了光谱数据库, 波段范围为200~14 000 nm, 拥有200个以上的光谱通道。 不同材料的光谱特征区分度不明显, 因此在实际应用过程中需要结合其他数据库进行补充[58]。 目前TASAT已经在大量的空间目标光谱特性研究中发挥作用[41, 58]。 数据库的具体信息尚未公开。 其他波谱库 - Rapp在其硕士论文后公布的光谱测量曲线库, 该库中的数据通过实验室测量得到, 但具体数据未公布。 以及在线公开的Refractive index databasee以及FILMETRICS数据库f, 均按类存储了大量常用材料的不同波段范围的光谱反射率、 吸收率、 透过率等, 其中FILMETRICS数据库还支持多层膜结构的叠加光谱计算。 注: ahttps://crustal.usgs.gov/speclab/; bhttp://speclib.jpl.nasa.gov/; chttps://www.nasa.gov/johnson/exploration/technology/jsc-capabilities/; dhttps://www.ir.isas.jaxa.jp/SPICA/SPICA_HP/SMI/index-en.html; ehttps://refractiveindex.info/; fhttps://filmetrics.cn/reflectance-calculator

表3 广泛应用于空间目标光谱表征的数据库 Table 3 Database widely used in the space objects’ s spectral characterization

由于空间目标观测的复杂性, 这些数据库虽然越来越丰富, 但是仍无法满足实际需求。 研究者们又陆续建立了更加完善的数据库。 俄罗斯国家工程物理研究院牵头开发了一套专门用于研究材料老化对光谱特性影响的数据库^[4]。 该数据库收集了材料在空间环境不同程度影响下的光谱数据。 试验类型包括在轨飞行实验、 实验室模拟和基于实验的预测。 考虑的空间环境因素包括: 电磁太阳辐射、 电子辐射、 质子辐射、 地球辐射以及它们的联合作用等。 近年, Pearce^{[73, 74, 85]}对空间目标进行了全波段测量, 跨度达18年, 老化年龄在23~35年不等, 该数据库中包含了大量成分已知的混合材料光谱。 其数据将在以后公开。 美国的阿诺德工程发展中心^[86]测量了0° ~360° 探测角的不同包覆材料、 不同姿态和形状的卫星光谱强度谱线, 该数据库主要被用于空间目标姿态、 部件、 材料的异变检测。 sBRDF是材料自身的特有属性, 只与材料的化学和物理特性有关, 能够更精确地反映出材料的光学特征。 Bowers^[87]等人建立了一个全角度的sBRDF库, 并尝试建立各材料的sBRDF模型, 但由于航天器材料特征复杂, 并未取得良好效果。 Willison建立了一个完善的sBRDF数据库, 该数据库包含了较为全面的观测几何信息, 通过线性插值、 角度转换和样条拟合的方式获取任意角度下的sBRDF值, 较好地保留了材料自身的光谱特征。 Reyes^[83]考虑到直接将实测数据与越来越庞大的光谱库进行关联匹配已经变得越来越困难, 提出了一种光谱库的改进方法, 将材料库中的材料分成不同的类, 这样在进行材料匹配时, 以一类具有相似特征的材料为单位进行抽样, 加快了计算机的处理效率。 随后, Reyes^[45]提取色指数为分类依据对材料库中材料进行分类, 并探寻色指数与材料密度等物理特性间的关系, 加强了对空间材料远程评估的能力。 目前公开的文献中对光谱库的分类形式多种多样: 按风化程度分类, 按观测几何分类, 按色指数进行分类, 按面质比分类等, 它们在不同的应用背景中均发挥了特定的作用。

由于发展较早且数据获取相对容易, 地物光谱库已经发展较为成熟, 如USGS、 JPL、 中科院地物反射光谱特性数据库等。 而相比于地物, 空间目标材料种类有限, 涉及波段范围较窄, 因此, 重点对已知的航天材料光谱进行收集, 以已有的纯净地物元素光谱库为辅助是建立空间目标材料库的有效办法。 但空间目标区别于地物的根本在于其运动特征及姿态的不确定性, 故观测几何条件是否一致就成了材料光谱能否匹配成功的关键, 因此, 应考虑针对库中每条均光谱信息加入观测几何维度。 同时, 考虑空间环境的复杂性, 应该考虑不同风化程度下材料特性。

目前已经进行了大量相关研究, 以确定光谱在非分辨空间目标表征中的效用。 但尚无某个研究者仅仅通过使用光谱数据来确定出空间目标的物理形状和材料组成比例, 原因是多方面的, 但他们对需要什么样的先验知识提供了一些见解: 在仅仅已知光谱信息的情况下, 反演出的材料面积并不能真正代表空间目标表面实际的材料面积。 必须了解航天器的物理形状尺寸、 姿态以及其在空间中的方位, 同时结合光源和观测器的位置, 才能反演出卫星真正的材料丰度信息。 为了能够准确识别航天器的材料特性, 实际观测中也需要对其进行多个角度的观测, 获得不同相位角下的光谱曲线, 以期收集到目标表面的全部材料信息。 相应的, 数据库必须包含航天器表面材料在所有观测几何条件下的光谱特征。 在光谱观测时可以根据收集的日期和时间来推算出对应的观测几何条件, 从而与数据库中相同条件下的数据进行匹配。

在实际材料识别过程中, 由于客观环境的限制, 实验室测量与实测存在较大差异, 其中存在很多的不确定因素, 以目前的水平还不能够做到对此误差进行消除。 差异主要体现在: (1) 实际观测中, 目标姿态变化、 观测几何变化造成积分后的光谱信号是一系列动态光谱的叠加。 而实验室中则恰恰相反, 获得的是一条静态曲线。 这导致实验室观测与实际观测存在差异。 (2) 实验室内, 卫星的所有形状、 姿态和观测几何信息都是已知的, 而对于实测, 这些信息都难以获取, 或者说, 由于空间环境未知外力的影响, 这些信息都与预知信息存在不可忽略的偏差。 (3) 空间环境复杂的风化作用对空间目标表面造成无法预估的影响。 这些变化均会导致光学特性发生异变。

国内外研究对比: 在仿真模拟、 实验室测量以及数据处理和材料识别算法等方面, 国内外的发展都已经较为成熟, 主要的差距体现在对空间目标光谱实测数据的研究上, 国内大口径望远镜数量极为有限, 测量设备较为落后, 获取实际空间目标的光谱数据有限且质量欠佳, 影响了材料识别准确率。 同时, 国内缺少一个完善且开放使用的空间目标材料光谱库, 无法给各研究者们提供一个公用的评估标准。

总结部分难点问题: (1) 不同材料老化程度和速度不一样, 即使同种材料在不同空间目标上也存在差异, 这意味着每过段时间, 材料光谱曲线就会发生变异, 且这个变异与多重不确定因素有关, 难以预测。 (2) 探测器接收的光谱信号为大量连续变化光谱的积分, 不能真实反映表面材质的光谱特性。 为获得最准确的观测结果, 既要信噪比高, 又要曝光时间短, 大多观测设备无法实现。 (3) 不同的材料, 只要存在相同的化学键, 就可能具备相同的光谱特性。 在依据特征波段进行丰度估计时, 会因为存在相同的化学键而造成混淆。

针对以上问题提出一系列建议: (1) 建立针对时序光谱的研究方案, 从时间维度对空间目标的光谱信息进行累积, 将每时刻的解混结果与观测几何信息联系起来, 得到完整的目标属性信息。 其中每次测量的采样率和曝光时间必须与观测几何的变化速率相适应。 (2) 在地物遥感图像处理领域, 端元的提取技术已经发展的较为成熟, 尤其是近年在该领域中应用越来越广泛的人工智能以及稀疏表示等方法^{[88, 89]}, 可以作为下一步的参考手段。 (3) 提高对库中不存在的材料进行识别的能力, 将有助于提高对空间目标的表征能力。 即使光谱库包含所有材料的光谱特征, 环境因素引入的自然变异性也可能导致误识别。 因此, 能够找到存在于物体但不存在于库中的端元, 并考虑到材料光谱的变异性, 是准确确认空间目标组成的必要手段。 (4) 尝试针对每种已知材料建立其sBRDF模型, 对材料光谱与观测几何间的关系进行概括, 取代庞大的光谱数据库, 简化匹配搜索过程, 提高识别效率。 同时, 对于库中没有的材料, 也可以通过混合光谱信息和已知材料信息对其sBRDF参数进行大致估计。 (5) 要想准确实现材料的丰度估计, 空间目标的形状姿态信息是不可缺少的。 在保证信噪比的前提下, 空间分辨率和光谱分辨率无法同时获得, 可以采取将二维单波段图像信息与一维光谱信息融合处理的方式: 利用目前已发展成熟的三维重构、 位姿估计方法等从时序可见光图像中获取其3D线框模型及指向信息, 分析出各表面的面元大小及指向信息, 从而可以精确反演出各材料面积占比信息。 (6) 基于目前的研究方法, 要想实现高准确率的空间目标材料识别, 就必须建立完备的数据库。 具体数据库应该考虑以下几个方面内容: ①应当在实验室中遍历所有观测几何下的测量数据并存入数据库中, 并注明观测几何条件。 ②材料表面的粗糙程度和褶皱是导致光谱异变的主要原因之一。 因此建议在建立数据库时, 将不同粗糙程度和褶皱程度的材料也考虑进去。 ③由于目前无法进行量化, 空间环境的风化作用似乎成了空间目标材料识别最大的阻碍。 但笔者认为可以通过丰富数据库来弥补。 由于空间碎片是卫星等人造空间目标的一部分, 且材料相对较为单一, 可以将往年对老化程度的空间碎片的测量数据进行编号并收入数据库, 作为数据匹配的参考。 老化程度以轨道高度和在轨时间来衡量。 ④卫星的基本组成单元为部件(平台+载荷), 一个部件往往由多种材料组成, 因此, 直接基于库中纯净材料的光谱对整个空间目标进行解混成功率较低, 应该考虑以部件光谱为基本单元参与解混。 因此, 光谱库中除了纯净材料的光谱外, 还应存储所有常用部件的光谱, 能够有效提高材料识别的成功率和效率。 ⑤分别以不同的分类依据将数据分类存储, 以子库的形式呈现。 通过粗筛选(对各子库中的数据进行粗采样, 选取初步解混效果最好的子库)和精匹配(选定子库参与最终的混合光谱解混, 得出最终结果)方式, 能够有效提高识别效率。