行星级规模的 Aircraft Detection
行星级规模的 Aircraft Detection
Adam Van Etten
2025年3月19日•5分钟阅读
Tech
Tech
引言
在任何给定的时间，通常都有超过 10,000 架飞机（商用、私人和军用）在飞行。精确的起飞（A 点）和目的地（B 点）位置，以及飞行活动的时间，为无数行业提供了至关重要的信息。 例如，在国防和情报部门，能够识别某个外国政府的空军基地（A 点）驻扎了多少架飞机，以及第二天有多少架飞机离开，可以揭示盟国政府的空军基地（B 点）停机坪上刚刚接收了一批新机队的原因。
在商业方面，了解某一天有多少架飞机降落在某个城市，可以帮助预测经济趋势并评估世界事件的影响——例如，大型体育或娱乐赛事期间出现的飞机数量。 卫星图像是这种类型的飞机检测的强大信息来源。 将机场的自动卫星扫描与全球新闻报道的大型语言模型相结合，您就可以开始获得洞察力，将政治和经济模式与全球空中交通联系起来。
规模
使用卫星图像进行 Aircraft Detection 并不是什么新鲜事。 事实上，停机坪上的 Aircraft Detection 是遥感机器学习的典型用例。 然而，到目前为止，Aircraft Detection 仅限于少数机场，且覆盖范围和节奏零星。 另一方面，Planet 的卫星几乎每天都会扫描地球上的所有陆地，因此我们现在能够缓解这些限制，利用新颖的机器学习技术和全球 PlanetScope 覆盖范围来大幅扩展全球 Aircraft Detection 。
对更大规模的 Aircraft Detection 的需求怎么强调都不为过。 每天有超过 10 万架次的商业和军用航班起飞，飞机将人员和货物运送到全球近 5 万个机场。 一些站点收集并共享有关这种复杂运动矩阵的公开可用数据。 但并非每次飞行都会被记录下来，也并非每架飞机都是公开的。
监控飞机活动对于经济、国防和情报目的至关重要，但当前的方法依赖于繁琐且昂贵的过程，尤其是在大规模情况下。 地缘政治发展的快速步伐和大量数据意味着手动分析机场不再可行，尤其是在冲突/敏感区域，那里的飞机活动没有公开报告。
Planet 的新型 Aircraft Detection Analytic Feed 通过利用使用 PlanetScope 和 SkySat 数据训练的机器学习模型来自动执行飞机的每日检测。 它可以精确地识别全球机场中长度或翼展 ≥25 米的飞机。 它代表了首次尝试在全球范围内近乎每日地检测大型飞机，并为大规模分析提供了一个可扩展的解决方案。 这为无论是否具有地理空间专业知识的分析师提供了巨大且前所未有的机会。 按大小和位置分解的飞机每日历史计数可以进行生活模式分析，突出显示何时检测到异常行为。 这可以指示正在发生的事件，甚至将要采取的行动。
请继续阅读以获取更多信息并注册参加我们即将举行的网络研讨会。
我们的方法
我们的 Aircraft Detection 服务利用一种有监督的对象检测模型，该模型经过 PlanetScope 图像的训练，可以检测停留在机场/机场停机坪上的飞机。 在中等分辨率的 PlanetScope 图像中精确标记飞机可能是一项具有挑战性的任务，因此我们使用在 PlanetScope 场景的 3 分钟内收集的高分辨率 SkySat 图像（参见图 1）。 这种方法使我们能够在高分辨率图像上进行标记，然后将这些高保真标签应用于中等分辨率的 PlanetScope 数据。 绝大多数飞机在 3 分钟的时间范围内是静态的，但大约 2% 的飞机在两个采集之间移动，我们在质量控制阶段删除了这些标签。
图 1. SkySat 飞机标签应用于并发 PlanetScope 图像。
通过这种方法，我们收集了超过 800 个并发（或“交叉”）图像对用于标记。 在对许多不同的模型架构进行了大量实验后，我们确定长度或翼展 <25 米的飞机太小，无法在中等分辨率图像中可靠地检测到，因此我们选择专注于此尺寸或更大的飞机。 将数据集分为 85% 训练/ 15% 测试，我们生成了一个由约 15,000 个标签组成的训练数据集，大致均匀地分为民用和军用类型。 这绝不是一个庞大的数据集，因此扩展标签语料库可能会提高性能。
图 2. 标记数据集中的机场位置。
图 3. 观测日期，涵盖多年和每个季节。 2023 年做出了共同努力，以利用 SkySat 的能力来捕获机场数据，以确保我们有足够的数据可以利用。
我们利用针对 Planet 的中等分辨率图像优化的深度学习对象检测模型，该模型以足够的速度运行，因此我们可以自由地分析任意数量的机场和简易机场。 该模型在全球分布式测试集中实现了 0.82 的 Aircraft Detection F1 分数。 报告的误差处于 1σ 水平，通过对测试集进行 bootstrap 重采样计算得出。
高分辨率 SkySat 图像不仅可以用于生成训练数据。 有时，需要进行额外的审查才能准确了解给定机场的情况。 图 3 提供了一个示例，其中显示了我们的 PlanetScope 模型持续“未命中”检测。 然而，使用 SkySat 更仔细地检查该机场后发现，这种明显的“未命中”实际上只是停机坪上的油漆。 能够使用 SkySat 更深入地快速探测目标区域是对 PlanetScope 无处不在的每日覆盖范围的高度有价值的补充。
图 4. PlanetScope（左）检测显示左上角“未命中”飞机。 高分辨率 SkySat 图像（右）说明此位置仅存在油漆。
图 5. 动画显示了对大量全球检测结果的分析。
下一步
我们的解决方案远远超出了在停机坪上计算飞机的典型问题。 我们通过量化移动或保持静态的飞机比例，以大约每日的频率跟踪行为。 此外，交互式仪表板可以实现即时时间序列分析、异常值分类和趋势聚合。 我们已将全球新闻 LLM 集成到此过程中，以进一步启发我们的用户。 随后探测检测到的异常值，以了解与区域事件的相关性。 我们将在即将举行的 Agile EO 网络研讨会中演示此功能。 在此注册! 标签： #Aircraft Detection
目录
分享
准备好开始了吗？
与我们销售团队的成员联系。 我们将帮助您找到适合您需求的产品和定价 联系销售
您可能喜欢的其他文章
Planet Pulse 通过每日新闻和图像、故事和技术更新来监控我们星球的脉搏。 类别
关注我们
258 k+
258 k+
20 k+
10 k+
63 k+
©2025 Planet Labs PBC。 版权所有。
隐私政策 加州隐私声明 您的隐私选择 
Cookie 通知 使用条款 站点地图
x