基于MBSE系统建模的多星联邦高光谱域泛化解译方法研究
Multi-Satellite Federated Domain Generalization for Hyperspectral Image Interpretation via MBSE-Based System Modeling
关键词：模型驱动系统工程；多星协同感知；高光谱遥感；联邦域泛化；光谱风格重组
Keywords: Model-Based Systems Engineering; Multi-Satellite Collaborative Sensing; Hyperspectral Remote Sensing; Federated Domain Generalization; Spectral-Style Recomposition;
1 研究背景
随着空间探测任务向多星协同观测和在轨智能处理方向发展，多星系统涉及任务需求、载荷功能、节点组成、通信接口及星上资源等多层次要素，其协同设计与智能处理能力面临更高要求。模型驱动系统工程（Model-Based Systems Engineering，MBSE）为复杂空间探测系统的统一建模与协同设计提供了有效途径，可通过系统建模语言（Systems Modeling Language，SysML）对任务需求、功能架构、系统结构及交互行为进行统一描述，并建立系统资源约束与功能实现之间的可追溯关联。与此同时，高光谱遥感作为空间智能探测的重要数据来源，不同卫星受传感器特性、成像条件及观测区域差异影响，容易产生显著的光谱分布偏移，而原始数据共享又受到通信带宽和数据安全等因素限制。联邦域泛化（Federated Domain Generalization，FedDG）能够在保留各节点本地数据的基础上，通过多源域协同学习提升模型对未知观测场景的泛化能力，为多星分布式高光谱智能解译提供了新的技术路径。因此，本文以MBSE系统建模为总体组织框架，将联邦域泛化算法纳入多星协同感知系统的功能架构，构建面向多星高光谱智能解译的系统建模与算法协同设计方法。
2 MBSE驱动的多星联邦高光谱智能解译系统建模与方法设计
为实现多星协同探测任务需求与智能解译算法的统一设计，本文采用MBSE构建多星联邦高光谱智能解译系统框架，将联邦域泛化算法作为系统智能处理功能的核心实现。首先，基于SysML建立涵盖任务需求、功能架构、系统结构及交互行为的系统模型，明确各节点的功能职责、信息交互关系及资源约束；在此基础上，本研究还设计了联邦光谱风格重组网络（Federated Spectral-Style Recomposition Network，FedSSR-Net），并将该算法映射至系统功能架构中的智能联邦处理模块。通过跨客户端光谱风格描述符调制机制（Cross-client Style Descriptor Modulation，CSDM）和预测得分级扩散对齐机制（Logit-level Diffusion Alignment，LoDA）实现跨客户端光谱风格增强与多视图决策校正，形成从系统需求分解、算法功能实现到性能指标反馈的协同设计流程。
2.1 面向多星高光谱智能解译的MBSE系统建模框架
MBSE强调以系统模型为核心，将需求、功能、结构与行为等工程要素进行统一组织和关联。针对多星协同观测与高光谱智能解译任务，本文以SysML为建模载体，开展系统需求分解、功能架构设计、节点结构定义及交互行为描述，形成覆盖系统关键要素的多层次模型体系。在需求建模层，围绕精细地物解译、跨域泛化、多节点协同及低通信开销等目标，明确系统功能需求及星上算力、存储、通信带宽、处理时延和功耗等资源约束。在功能架构层，通过功能分解与分配，将系统划分为任务场景配置、高光谱感知、通信协同和智能联邦处理等模块，其中FedSSR-Net作为智能联邦处理模块的核心算法实现，承担多源节点协同学习与未知目标域解译任务。在系统结构层，建立源域卫星客户端、中心服务节点及目标域推理节点之间的组成关系与接口映射。在行为建模层，描述风格信息交互、本地模型训练、全局参数聚合及模型下发等协同过程。进一步将系统资源约束映射至算法通信开销、计算复杂度、模型规模和推理时延等评价指标，建立从任务需求、系统架构到算法实现与性能评估的可追溯关联。
2.2 联邦高光谱域泛化算法FedSSR-Net的功能实现
作为系统智能联邦处理模块的核心算法，FedSSR-Net主要通过跨客户端光谱风格描述符调制机制（CSDM）和预测得分级扩散对齐机制（LoDA），实现跨节点风格多样性扩展与多视图预测一致性增强。
针对源域节点本地光谱风格覆盖不足的问题，CSDM首先由各客户端提取本地高光谱数据的逐波段均值与标准差，构成紧凑的光谱风格描述符并上传至服务器。服务器汇聚各客户端描述符后，排除当前客户端自身来源，随机匿名分配其他客户端的风格描述符。随后，各客户端利用接收的统计信息与本地光谱风格进行插值和重组，生成多个风格增强视图，在不共享原始高光谱数据的条件下扩展本地光谱风格分布。
针对风格增强引起的多视图预测偏差，LoDA首先依据各视图预测熵估计其可靠性，通过加权融合构建多视图共识预测得分；随后计算各视图预测与共识之间的残差，并利用以视图预测得分为条件的扩散模型进行残差去噪与校正，降低不同风格视图之间的决策偏差，增强模型的跨域解译稳定性。
3 实验结果与分析
实验部分设置两组跨域高光谱分类任务Houston2013→Houston2018和Pavia University→Pavia Centre，并与TSTNet+FedAvg、FDGNet+FedAvg、FedGA和FedOMG等先进方法相比，FedSSR-Net在Houston和Pavia任务上的总体分类精度（Overall Accuracy，OA）分别达到71.22%和80.19%，较对应次优方法分别提高3.22%和1.84%。
消融结果显示，引入CSDM使得两项任务的OA分别提升3.22%和3.13%；另一方面引入LoDA后，OA分别提升2.86%和2.78%。风格统计信息占总双向通信量的比例为0.32%和0.64%，表明跨客户端风格信息共享带来的通信负担较低。
4 主要创新点
本文的主要创新体现在两个方面：
一是构建面向多星联邦高光谱智能解译的MBSE系统建模框架。通过SysML对任务需求、功能模块、节点结构及交互行为进行统一描述，并将通信带宽、计算能力、存储、时延和功耗等系统约束映射至联邦算法设计指标，为系统需求与智能感知算法之间建立可追溯的关联；
二是提出FedSSR-Net联邦域泛化算法，作为MBSE功能架构中智能联邦处理模块的核心算法实现。通过CSDM实现跨客户端光谱风格描述符的匿名共享与本地重组，扩展源域风格多样性；并利用LoDA结合熵驱动的多视图共识与扩散残差校正，提升风格增强下的预测一致性与跨域解译能力。
5 结论
本研究构建了面向多星联邦高光谱智能解译的MBSE系统建模框架，利用SysML对任务需求、功能模块、节点结构及交互行为进行统一描述，并将通信带宽、计算能力、存储、时延和功耗等系统约束映射至联邦算法设计指标，建立系统需求与智能感知算法之间的可追溯关联。在此基础上，将联邦光谱风格重组网络FedSSR-Net作为MBSE功能架构中智能联邦处理模块的核心算法实现，用于支撑多源节点协同学习与未知目标域高光谱解译。通过CSDM扩展跨客户端光谱风格多样性，并利用LoDA实现扩散引导的多视图决策校正。两组跨域实验验证了所提算法的优秀解译性能及较低的额外通信开销。上述实验结果验证了FedSSR-Net的跨域解译能力与通信效率，为MBSE框架下智能联邦处理功能的性能评估提供了量化依据，进一步支撑了多星空间探测系统中模型化设计与智能感知算法的协同集成。

 

模型驱动系统工程；多星协同感知；高光谱遥感；联邦域泛化；光谱风格重组