無人機遙感系統(tǒng)維修資源需求預(yù)測方法研究

于俊杰　李保蓮　姚　通

（1.河南省國土資源調(diào)查規(guī)劃院，河南　鄭州　45500001166； 2.河南省鑫地土地科技有限責(zé)任公司，河南　鄭州　45500001166）

無人機遙感系統(tǒng)維修資源需求預(yù)測方法研究

于俊杰1李保蓮1姚通2

（1.河南省國土資源調(diào)查規(guī)劃院，河南鄭州45500001166； 2.河南省鑫地土地科技有限責(zé)任公司，河南鄭州45500001166）

維修資源的需求預(yù)測在無人機遙感系統(tǒng)應(yīng)用及維修部門中有著重要的地位和作用。本文通過對國內(nèi)無人機遙感系統(tǒng)維修資源需求預(yù)測相關(guān)文獻的研究，歸納總結(jié)了該領(lǐng)域當前主流預(yù)測方法和新興預(yù)測方法，分析了各種方法的原理及其優(yōu)缺點。最后結(jié)合無人機遙感系統(tǒng)設(shè)備使用和維修的特點，揭示了無人機遙感系統(tǒng)應(yīng)用及維修部門維修資源需求預(yù)測的發(fā)展趨勢。

無人機；無人機遙感系統(tǒng)；預(yù)測方法

維修資源是裝備維修部門實施維修任務(wù)的物質(zhì)基礎(chǔ)［1］。無人機遙感系統(tǒng)應(yīng)用部門為保證任務(wù)的連續(xù)執(zhí)行，及時地向無人機遙感系統(tǒng)提供維修服務(wù)、備件、器材等，需要對維修資源的引進以及儲備定額做出決策，尤其是引進關(guān)鍵裝備的維修資源以及昂貴、稀缺資源時，需要通過精確預(yù)測資源的需求，對引進的批量、批次以及儲存定額做出正確的決策，既能保證維修任務(wù)正常進行又不過多占用流動資金。無人機遙感系統(tǒng)維修資源種類多、數(shù)量大，其消耗量的大小是制定存儲標準的依據(jù)，是各級應(yīng)用及維修部門制定籌措計劃、組織供應(yīng)和預(yù)測經(jīng)費的基本依據(jù)，因而，對無人機遙感系統(tǒng)的維修資源需求量進行準確預(yù)測對維修部門的保障效能具有重要意義。本文對國內(nèi)外關(guān)于無人機遙感系統(tǒng)維修資源需求預(yù)測的文獻進行了分析、歸納和總結(jié)，對當前主要的預(yù)測方法和新興預(yù)測方法分別進行了闡述和展望。

1　目前幾種主流維修資源需求預(yù)測方法

1.1神經(jīng)網(wǎng)絡(luò)預(yù)測方法

目前無人機遙感系統(tǒng)應(yīng)用及維修部門維修資源需求預(yù)測較為熱點的研究方法是神經(jīng)網(wǎng)絡(luò)預(yù)測方法，神經(jīng)網(wǎng)絡(luò)是一種具有自學(xué)習(xí)能力的高度非線性系統(tǒng)，理論上能在任意精度上逼近任一定義在致密集上的非線性函數(shù)。該方法多采用神經(jīng)元網(wǎng)絡(luò)為主的機器學(xué)習(xí)方法，通過確定網(wǎng)絡(luò)結(jié)構(gòu)，建立預(yù)測模型，預(yù)測出未來的需求量。但是，由于神經(jīng)網(wǎng)絡(luò)收斂慢，全局搜索能力差，且缺乏統(tǒng)計意義，在對樣本數(shù)據(jù)有限且存在噪聲的系統(tǒng)進行逼近時，必然陷入難以解決的過學(xué)習(xí)和欠學(xué)習(xí)問題。盡管可以在擬合前對數(shù)據(jù)進行濾波，且能夠取得一定效果，但在噪聲概率密度未知的情況下，其本質(zhì)上也只能起到平均平滑的作用。目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)，即多層前饋神經(jīng)網(wǎng)絡(luò)，因其采用誤差反向傳播算法（Error Back—Propagation，即BP算法）而得名，1986年由D. Rumelhart等人提出。BP算法結(jié)構(gòu)簡單，易于實現(xiàn)。它具有很強的映射作用且能夠識別噪音或變形的樣本，經(jīng)過學(xué)習(xí)能夠把樣本隱含的特征和規(guī)則分布于神經(jīng)網(wǎng)絡(luò)的連接權(quán)上且能共享。

人工神經(jīng)網(wǎng)絡(luò)模型用于非線性預(yù)測較為引人注目。從理論上講，可以任意精度逼近任意非線性序列。標準BP網(wǎng)絡(luò)的逆向傳播算法具有思路清晰、結(jié)構(gòu)嚴謹、可操作性強等特點，而且一個3層的BP網(wǎng)絡(luò)可以完成任意的n維到m維的映射，但其不足之處是在應(yīng)用中難以科學(xué)地確定網(wǎng)絡(luò)結(jié)構(gòu)，難以找到全局最小點。周開利等人指出了BP神經(jīng)網(wǎng)絡(luò)的局限性，主要有以下幾個方面：①學(xué)習(xí)率與穩(wěn)定性的矛盾；②學(xué)習(xí)率的選擇缺乏有效的方法；③訓(xùn)練過程可能陷于局部最??；④沒有確定隱層神經(jīng)元數(shù)的有效方法［2］。這些局限性在維修資源的預(yù)測中難以克服，尤其在無人機遙感系統(tǒng)維修人員的需求預(yù)測中表現(xiàn)較為突出。

1.2時間序列預(yù)測法

時間序列預(yù)測法是根據(jù)變量自身過去的變化規(guī)律來預(yù)測未來的變化，根據(jù)過去觀察值的序列，找出符合系統(tǒng)變化的函數(shù)，形如：x（t+p）=f（x（t），x（t-1），......，x （t-L）），p＞0等式左邊表示第t+p期的需求，等式右邊表示從t期到t-L期需求的函數(shù)，在時間預(yù)測系統(tǒng)中，將過去的觀察值作為輸入，未來值作為輸出，預(yù)測出未來值。時間序列法的主要內(nèi)容如表1所示。

表1　時間序列預(yù)測法方法分類

由于這種預(yù)測方法原理較為簡單，所以在無人機遙感系統(tǒng)的維修資源預(yù)測中應(yīng)用普遍，但這種方法要求時間序列具有穩(wěn)定的變化趨勢，而對于修復(fù)性備品備件這種不確定需求或者貴重備件這種間斷需求等外界的干擾因素較多時，預(yù)測的可信度較差。鑒于提高時間序列預(yù)測模型的抗干擾能力，史耀媛等提出了一種基于非單點模糊正則網(wǎng)絡(luò)的預(yù)測模型［3］，通過將非單點模糊系統(tǒng)引入正則神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來建立模型，使新的時間序列預(yù)測模型的抗干擾能力明顯增強，并且具有收斂速度快、全局搜索能力強的特點。

1.3回歸分析法

回歸分析法是一種建立在數(shù)理統(tǒng)計理論基礎(chǔ)上的統(tǒng)計預(yù)測方法，它尋求需求量與一個或多個影響需求量變化的自變量之間的線性關(guān)系，依據(jù)多組觀察數(shù)據(jù)，運用最小二乘法，找出擬合這些數(shù)據(jù)點的最佳擬合曲線，依此確定影響需求量變化的諸因素與需求量的關(guān)系式，從而建立需求函數(shù)模型。此方法需要有大量數(shù)據(jù)，數(shù)據(jù)少則難以找出統(tǒng)計規(guī)律。另外，回歸分析法所得到的回歸預(yù)測方程往往只能考慮少數(shù)幾種主要影響因素，而略去了許多未考慮的因素，影響了預(yù)測的準確性。此外，回歸分析法主要應(yīng)用于連續(xù)需求預(yù)測，而無人機遙感系統(tǒng)維修資源需求往往都是間斷需求，所以回歸分析法在無人機遙感系統(tǒng)維修資源需求預(yù)測領(lǐng)域的應(yīng)用有一定的局限性。Gupta和Rao也提出一種回歸方法，得出在任意時刻、由于備件影響停機次數(shù)的穩(wěn)態(tài)概率分布，提供了各種維修時間分布的等候系統(tǒng)績效的測量［4］；張秀紅等堤出了基于回歸分析的備件故障率預(yù)測模型，通過用多元回歸模型預(yù)測對一元線形回歸模型進行改進，使故障率更趨準確化，為備件的儲備提供了更為科學(xué)的依據(jù)［5］。

1.4指數(shù)平滑法

指數(shù)平滑法是一種魯棒性的預(yù)測方法，是重要的預(yù)測連續(xù)需求的方法之一，也是預(yù)測間斷需求維修資源使用較多的方法之一，多用于無人機遙感系統(tǒng)應(yīng)用及維修部門對維修技術(shù)資料、維修保障設(shè)施、存儲和運輸工具等其他維修資源的預(yù)測。該方法對每一期的需求量進行平滑，來預(yù)測下一期的需求。其計算公式是：

式種：a為平滑指數(shù)，Dt-1為上期的實際需求量，F(xiàn)t-1為上期的預(yù)測需求量，F(xiàn)t為第t期的預(yù)測需求量。

指數(shù)平滑法的關(guān)鍵在a取值，0＜a＜1。當趨勢較為顯著，要更多地考慮近期的影響，則a應(yīng)該取值大些；當趨勢不太顯著時，a適當取值小些。

目前國外關(guān)于指數(shù)平滑法并不是進行單獨的研究，而是在指數(shù)平滑法的基礎(chǔ)上發(fā)展了一些可以預(yù)測間斷需求的方法，如Croston針對間斷需求的特性在指數(shù)平滑的基礎(chǔ)上提出了預(yù)測間斷需求的Croston法［6］。

1.5灰色預(yù)測方法

灰色預(yù)測是一種對含有非確定因素的系統(tǒng)進行預(yù)測的方法，是根據(jù)過去的及現(xiàn)在已知的或非確定的信息，建立一個從過去延伸到將來的灰色模型（Grey Model，GM）?；疑A(yù)測的基本思想是將實際產(chǎn)生的數(shù)據(jù)視為在一定幅值范圍、一定時區(qū)內(nèi)變化的灰色量，將其變化過程看成是一定幅區(qū)、一定時區(qū)內(nèi)變化的灰色過程；同時，灰色系統(tǒng)理論認為這些被表象所迷惑、所掩蓋的離亂的灰色量對廣義的能量系統(tǒng)而言，具有某種整體功能，是有序的，其中必然隱藏著某種內(nèi)在的規(guī)律，通過對原始數(shù)據(jù)的處理，便可得到依據(jù)內(nèi)在規(guī)律而產(chǎn)生的結(jié)果?；疑A(yù)測法應(yīng)用環(huán)境相對寬松，可以不必考慮維修對象類別和地理環(huán)境等因素的影響，同時對預(yù)測結(jié)果可作精度驗證，具有一定的應(yīng)用前景。

GM（1，1）模型是灰色預(yù)測模型的基本組成部分，用于短期預(yù)測時有較好的精度，但用于中長期預(yù)測時預(yù)測結(jié)果就存在較大的誤差。近年來一些專家對灰色預(yù)測模型進行了改進，相繼出現(xiàn)了無偏直接GM（1，1）模型、動態(tài)等維GM（1，1）模型。這些新模型應(yīng)用于無人機遙感系統(tǒng)及維修部門維修資源的需求預(yù)測，大大提高了預(yù)測精度。

1.6基于遺傳算法的神經(jīng)網(wǎng)絡(luò)預(yù)測方法

針對人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程的收斂時間過長、易陷入局部最小以及魯棒性較差等缺點，人們將遺傳算法（Genetic Algorithms，GA）與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來。在人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程（即其動態(tài)調(diào)整神經(jīng)元的連接權(quán)值或動態(tài)調(diào)整神經(jīng)網(wǎng)絡(luò)）中，應(yīng)用遺傳算法對神經(jīng)元連接權(quán)值或結(jié)構(gòu)進行編碼，并隨機生成初始群體，進行交叉、變異操作，并計算能量函數(shù)，調(diào)整交叉、變異概率，疊代，直至神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。將GA與BP結(jié)合起來進行維修資源需求預(yù)測時，GA可以彌補BP網(wǎng)絡(luò)存在的一些固有缺陷，形成GA—BP混合訓(xùn)練算法，構(gòu)造出一個全新的智能網(wǎng)絡(luò)結(jié)構(gòu)，以GA優(yōu)化BP網(wǎng)絡(luò)的初始權(quán)值和閾值，再由BP算法修正網(wǎng)絡(luò)權(quán)值及閾值，進行網(wǎng)絡(luò)訓(xùn)練。楊宏韜等［7］為改善BP網(wǎng)絡(luò)訓(xùn)練速度慢、易收斂于局部極小點及全局搜索能力弱等固有缺陷，采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，以通化鋼鐵公司煉鐵廠為研究對象，建立了基于遺傳算法的人工神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型。用MATLAB編寫計算程序進行測試，并與純BP算法進行分析比較。結(jié)果表明，此方法在預(yù)測精度和收斂速度方面均得到了改進。

GA與BP相結(jié)合的能耗預(yù)測模型避免了BP網(wǎng)絡(luò)易陷入局部極小問題，提高了收斂速度，達到了優(yōu)化網(wǎng)絡(luò)的目的，能更精確地實現(xiàn)無人機遙感系統(tǒng)應(yīng)用及維修部門維修資源需求的預(yù)測。

2　維修資源需求預(yù)測的發(fā)展趨勢

維修資源需求預(yù)測一直是無人機遙感系統(tǒng)應(yīng)用及維修部門管理工作中的重點和難點，也是近幾年無人機遙感系統(tǒng)保障管理研究的熱點。近年來，該領(lǐng)域不少專家學(xué)者經(jīng)過深入的研究，不斷提出新的預(yù)測方法或?qū)鹘y(tǒng)預(yù)測方法進行了改進和優(yōu)化，有的方法經(jīng)實際驗證切實有效，大大提高了維修資源需求預(yù)測的準確性。這些新方法的出現(xiàn)也體現(xiàn)了無人機遙感系統(tǒng)應(yīng)用及維修部門維修資源需求預(yù)測的發(fā)展趨勢，具有代表性的主要有基于支持向量回歸的需求預(yù)測、基于案例的需求預(yù)測、基于小波神經(jīng)網(wǎng)絡(luò)需求預(yù)測，下面簡要介紹一下這三種方法。

2.1基于支持向量回歸的維修資源需求預(yù)測

支持向量回歸就是基于結(jié)構(gòu)風(fēng)險最小化的一種機器學(xué)習(xí)算法。它的基本思路是通過一個非線性函數(shù)Φ將每一個訓(xùn)練樣本映射到高維特征空間F中，然后在高維特征空間中進行線性回歸，這樣就將非線性問題轉(zhuǎn)化為高維空間中的線性問題，得到在原空間的非線性回歸的效果，然后用一個核函數(shù)來代替高維空間中的內(nèi)積運算，從而巧妙地解決了復(fù)雜計算問題，并且有效地克服了維數(shù)、災(zāi)難及局部極小問題。支持向量機（Suppoa Vector Machines，SVMs）的最大特點是針對結(jié)構(gòu)風(fēng)險最小化原則提出的，是Vapnik等人提出的一種基于統(tǒng)計的機器學(xué)習(xí)算法［8］。王洪波將支持向量回歸的方法成功地應(yīng)用到時間序列預(yù)測領(lǐng)域［9］，王宏焰將支持向量回歸的方法運用到裝備維修器材消耗預(yù)測中，建立了預(yù)測模型［10］。理論分析和實例計算表明了該模型的合理性和可行性。SVMs改變了傳統(tǒng)的經(jīng)驗風(fēng)險最小化原則，是在模型復(fù)雜性和學(xué)習(xí)能力之間尋求的最佳折衷，從理論上保證了支持向量回歸具有較好的精確性和推廣性，因此具有很好的泛化能力，而且SVMs方法最后轉(zhuǎn)化為一個凸二次規(guī)則問題來求解，能夠保證得到的極值就是全局最優(yōu)解。

2.2基于案例的維修資源需求預(yù)測

由于設(shè)備發(fā)展的同源性和繼承性，同類設(shè)備的任務(wù)相近，工作原理相似，因此，所需維修資源的相似性是普遍存在的。在環(huán)境、使用條件、使用場合和管理水平等因素相近的前提下，相似維修資源的需求規(guī)律與需求量也是相近的。因此，對于某種待預(yù)測資源的需求，可以利用已有的相似設(shè)備維修資源的需求數(shù)據(jù)進行分析和推論，這即是基于案例的維修資源需求預(yù)測。所謂案例，就是指現(xiàn)有的無人機遙感系統(tǒng)在特定條件下的維修資源需求量。通過收集不同類型遙感系統(tǒng)的維修資源特征及需求信息建立維修資源需求案例庫，當要預(yù)測某一種維修資源的需求時，關(guān)鍵是要在案例庫中檢索出與待預(yù)測資源相似的資源需求信息，推理程序如圖1：

圖1　基于案例的維修資源需求預(yù)測程序

作為一種新興的預(yù)測技術(shù)，基于案例的維修資源需求預(yù)測方法利用已有案例的信息，對維修資源需求做出預(yù)測。該技術(shù)成功地解決了傳統(tǒng)推理方法遇到的困難，即知識的獲取、推理脆弱性以及串行推理速度慢等問題，并具有對“邊界”以外的知識處理方法高效，便于從知識的積累中進行學(xué)習(xí)而不斷完善等優(yōu)點，在當今的維修資源預(yù)測領(lǐng)域得到廣泛的應(yīng)用。蘭永系統(tǒng)地闡述了基于案例的備件需求預(yù)測原理，對裝備各分系統(tǒng)備件的種類、功能、關(guān)鍵性、經(jīng)濟性進行了相似性分析，通過相似推理建立了基于案例的預(yù)測模型［11］。賈銳提出了一種基于案例的新型艦船備件的預(yù)測方法［12］。

2.3基于小波神經(jīng)網(wǎng)絡(luò)模型的維修資源需求預(yù)測

小波神經(jīng)網(wǎng)絡(luò)（WNN—Wavelet Neural Net.work）是小波理論與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的一種前饋型網(wǎng)絡(luò)。其思想是用小波元代替了神經(jīng)元，即用已定位的小波函數(shù)代替Sigmoid函數(shù)作激活函數(shù)，通過仿射變換建立起小波變換與網(wǎng)絡(luò)系數(shù)之間的連接，并應(yīng)用于函數(shù)的逼近。周仲禮［13］等結(jié)合小波分析與神經(jīng)網(wǎng)絡(luò)理論方法，建立了相應(yīng)能耗的小波神經(jīng)網(wǎng)絡(luò)模型，采用最速下降法對函數(shù)進行逼近，預(yù)測精度高，結(jié)果可靠，性能穩(wěn)定。馬致遠等［14］考慮到Morlet小波計算穩(wěn)定，表達方式簡明，誤差小和對干擾的魯棒性好的特點，在小波網(wǎng)絡(luò)隱層采用Morlet母小波作為網(wǎng)絡(luò)隱含層的變換基函數(shù)，并采用改進共軛梯度法求得最值，取得了很好的預(yù)測效果。

小波神經(jīng)網(wǎng)絡(luò)兼容了小波變換與神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，一方面，充分利用了小波變換的時頻局部化特性；另一方面，發(fā)揮了神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)特性，從而具有較強的逼近與容錯能力。但傳統(tǒng)的小波神經(jīng)網(wǎng)絡(luò)在參數(shù)優(yōu)化過程中采用的是梯度下降法，其固定的梯度變化方向限制了參數(shù)優(yōu)化的方向，容易陷入局部極小和引起振蕩效應(yīng)。

3　結(jié)語

本文對無人機遙感系統(tǒng)維修資源的需求預(yù)測方法進行了綜合性的論述，指出了無人機遙感系統(tǒng)維修資源需求預(yù)測研究發(fā)展的新趨勢。無人機遙感系統(tǒng)維修資源需求預(yù)測不同于一般物資的需求預(yù)測，因為無人機遙感系統(tǒng)的維修資源需求具有很大的不確定性以及間斷性，如果單純地利用簡單的預(yù)測技術(shù)，預(yù)測結(jié)果難免與實際需求有較大的偏差，導(dǎo)致維修資源庫存量過多，使無人機遙感系統(tǒng)應(yīng)用及維修部門積壓大量的流動資金，如果過少造成不能正常施工作業(yè)，影響應(yīng)用及維修部門的效益。不同的預(yù)測方法各有其優(yōu)點和缺點，它們之間是相互聯(lián)系、相互補充的。實際運用中可以設(shè)法把不同的預(yù)測模型組合起來，綜合利用各種預(yù)測方法所提供的信息，以適當?shù)募訖?quán)平均形式得出組合預(yù)測模型。最近十幾年，國內(nèi)預(yù)測學(xué)界非常重視組合預(yù)測方法的研究，取得了一系列的研究成果。

［1］徐緒森.裝備維修工程學(xué)［M］.北京：國防工業(yè)出版社，l992.

［2］周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計［M］.北京：清華大學(xué)出版社，2005.

［3］史耀媛，史忠科.基于非單點模糊正則網(wǎng)絡(luò)的時間序列預(yù)測模型［J］.西北大學(xué)學(xué)報，2006（12）：521-524.

［4］Gupta V，T Rao.On the M/G/1 machine interference model with Spares［J］.European Journal of Operational Research，1996（89）：164-171.

［5］馬秀紅，宋建社，董晟飛.基于回歸分析的備件故障率預(yù)測模型［J］.計算機仿真，2003（11）：467-469.

［6］Croston JD.Forecasting and stockcontrolforintermittentdemands［J］.OperationalResearchQuarterly，1999，23（3）：289-303.

［7］楊宏韜.遺傳神經(jīng)網(wǎng)絡(luò)能耗預(yù)測模型在鋼鐵企業(yè)中的應(yīng)用［J］.長春工業(yè)大學(xué)學(xué)報，2007，28（6）：l86-189.

［8］Vapnik V.The Nature of Statistical Learning Theory ［M］.New-York：Springger-Verlag，1995.

［9］王洪波.基于支持向量機的非線性時間序列預(yù)測方法研究［D］.無錫：江南大學(xué)，2008.

［10］王宏焰，高 崎，王家鵬.支持向量回歸機在裝備維修器材消耗預(yù)測中的應(yīng)用［J］.物流技術(shù)，2008，27（8）：246-250.

［11］蘭永，任風(fēng)云，趙彬.基于案例的備件需求預(yù)測模型研究［J］.科技信息，2008（4）：96-97.

［12］賈銳，宋志宏，秦傳鋒.基于案例的新型艦船備件需求量的預(yù)測模型［J］.船海工程，2006，171（2）：70-72.

［13］周仲禮，馮文新.基于小波神經(jīng)網(wǎng)絡(luò)模型的中國能耗預(yù)測［J］.成都理工大學(xué)報，2005，32（5）：544-547.

［14］馬致遠，龔灝.基于小波神經(jīng)網(wǎng)絡(luò)的中國煤炭消耗預(yù)測［J］.能源技術(shù)與管理，2006，（5）：121-123.

Research of the Forecast Methods about Maintenance Resource Requirement of Unmanned Aerial Vehicle Remote Sensing System

Yu Junjie Li Baolian Yao Tong
（1.Land Resources Investigation and Planning Institute of Henan Province，Zhengzhou Henan 450016；2.Henan Xindi Land Science and Technology Co.，Ltd.，Zhengzhou Henan 450016）

The forecast of maintenance resource requirement has an important status for application and maintenance departments of UAVRSS.By studying the documents about requirement prediction for maintenance resource of UAVRSS both at home and abroad，the paper summarized current main method and rising forecast means in this field，discussed the principles，the strengths and weaknesses of various methods.Finally，the paper revealed the developing trend of maintenance resource demand prediction in application and maintenance departments of UAVRSS based on characteristic of UAVRSS equipment when it is used and maintained.

Unmanned Aerial Vehicle（UAV）；UAV remote sensing system；forecast means

TP751

A

1003-5168（2015）10-0010-4

2015-9-20

于俊杰，男，碩士，工程師，研究方向：土地管理。