Evaluation¶

TL; DR

好的，这段关于 Kodan 系统评估的详细内容，可以总结为以下几个关键结论：

显著提升数据价值密度：Kodan 系统在所有测试的应用和硬件平台上，都远超传统的“透明转发”（Bent Pipe，即不处理直接下传数据）和“直接部署”（在卫星上直接运行未经优化的应用）两种模式，能将下行链路的数据价值密度提升89%至97%
大幅降低星座成本：Kodan 带来的最关键影响是，在实现对地面轨迹的完整覆盖处理时，最多可将所需的卫星数量减少12倍。这意味着可以用更少的卫星完成同样的任务，极大地降低了星座的建设和运营成本
智能权衡是成功的关键：Kodan 的成功在于它能根据卫星的计算能力是否受限（即是否存在计算瓶颈）来智能地调整策略：
- 无计算瓶颈时：当硬件性能充足，处理速度快于数据采集速度时，Kodan 会优先选择能最大化精度的方案，确保下传的数据质量最高。
- 有计算瓶颈时：当硬件性能不足，处理速度跟不上数据采集时，Kodan 会策略性地牺牲一部分精度来换取更快的处理速度，确保在有限的时间内处理尽可能多的数据，从而整体上提升数据价值密度。

三大关键技术的具体贡献

上下文特化 (Contexts) 主要提升精度
- 通过为不同地理环境（如城市、海洋、森林）训练专门的模型，Kodan 能显著提升应用的精度（Precision）和准确度（Accuracy）。
- 精度的提升尤为明显（例如，某个应用提升了33%）。这在高价值数据和低价值数据混杂时至关重要，因为它能减少“污染”宝贵下行链路的错误数据。
帧分片 (Tiling) 用于权衡精度与性能
- 将图像分割成不同数量的“瓦片”（Tile）是一种有效的权衡手段。
- 存在计算瓶颈时，Kodan 会选择较少的瓦片数量（分辨率较低，但处理快），牺牲一点精度以确保在“帧处理截止时间”内完成任务。在最受限的硬件上，仅此一项就能带来高达50%的数据价值密度提升。
- 不存在瓶颈时，则会选择能达到最高精度的瓦片数量。
省略处理 (Elision) 用于规避不必要的计算
- 对于那些几乎全是高价值（如密集城区）或全是低价值（如大片云层）的图像，Kodan 会直接“省略”复杂的处理过程，直接决定下传或丢弃。
- 这种方法在计算瓶颈严重时效果最显著，因为它能将宝贵的计算资源留给那些最需要精细处理的混合场景。
- 随着硬件性能提升、计算瓶颈缓解，省略处理带来的优势会相应减小。

总结来说，评估结果证明了 Kodan 是一个高效且灵活的系统。它并非简单地应用一种技术，而是通过智能地组合和权衡多种优化手段，为不同性能的卫星硬件和不同复杂度的分析任务，量身定制出最佳的在轨处理策略，从而实现了数据价值密度的最大化。