面向自然灾害和城市灾害的多源数据融合信息服务平台建设

文｜丽水学院工学院 宋俊锋

我国是一个自然灾害频发的国家，森林火灾、洪涝灾害、城市气象灾害、城市地质灾害等各种随机和突发的灾害给生态环境和人居环境造成了巨大的破坏，给人民群众造成了很大的生命财产损失[1]。党和国家对突发自然灾害的应急管理非常重视，近年来中央和地方各级政府都成立了专门的应急管理部门。虽然这一问题已经引起了国家重视，但是受限于经验和技术工具，各地对各种突发自然灾害和城市灾害的管理依旧存在一些问题：一是缺少获取灾前、灾时和灾后各阶段全方位多源数据信息的手段和对其进行有效整合的能力，没有一个统一的支持多类型自然灾害应急管理的信息化平台；二是在应急管理过程中的科技化、智能化水平相对较低，不能借助最新的科技进行救灾应急管理，缺少借助人工智能技术辅助的信息化服务平台。2020年11月6日至7日，应急管理部召开“智慧应急”建设现场推进会，深入学习贯彻党的十九届五中全会精神和习近平总书记关于应急管理重要论述，部署智慧应急建设工作。会议强调要推进监测预警系统全覆盖和智能化，加快高水平安全生产、自然灾害、城乡安全风险监测预警平台建设，要推进应急指挥系统智能化和高效化，提高应急通信保障水平和灾害事故信息获取能力，建强“应急大脑”[2]。为此，本研究探讨运用无人机、5G、三维建模、数据可视化、地理信息系统等先进技术研发面向突发自然灾害和城市灾害应急管理的多源数据融合智能平台。

1.应对灾害的信息化平台建设的意义

1.1 提高政府应急管理效率

采用无人机、5G、三维建模、数据可视化、地理信息系统等先进技术，构建一个完整的面向森林火灾、洪涝灾害等各类突发自然灾害应急管理的二三维一体化平台，实时获取各类灾害现场的全方位多源数据并进行有效融合展示，提升各级政府及相关管理部门针对各类突发自然灾害应急管理的效率。

1.2 是有效保障群众生命财产安全的需要

在灾前、灾中、灾后等应急管理各个阶段广泛使用以深度学习为代表的人工智能技术，将智慧应急集成到应急管理平台中。智慧应急是顺应新发展阶段要求和智能化大势、应急管理信息化的升级版，是实现应急管理能力现代化的关键举措，是破解当前应急管理工作难题堵点的有效手段，对于推动应急管理事业改革创新，提高重大风险防控能力，保障人民群众的生命财产安全具有重大意义[3]。

1.3 提高执法响应速度

无人机应急指挥中心的多应用场景复用，可通过无人机广播、抛投、细绳牵引、红外搜救、违规排污、秸秆焚烧、车辆违停等场景功能，为应急救援现场提供多方位的支撑价值。如通过无人机巡航数据采集，可建立违章建筑的监控标准体系，设立违章建筑数字档案，为执法人员快速提供违章建筑物详细属性信息，夯实执法部门的执法依据。无人机违章建筑监管系统对城市基础地理底层等各种数据进行组织加工、分析处理和查询，一方面可以实现违章建筑监测与执法管理相结合，最终形成一个完善的城市违章建筑综合监管平台和决策支持的可视化系统。另一方面可以运用这些基础数据实施安防巡检、野外搜救、自动跟踪、环境监察、智慧城市管理等方面。

2.自然灾害和城市灾害的特征分析

2.1 随机性与突发性

自人类出现以来，自然灾害就一直是威胁人类生存安全和经济安全的难点、堵点。而随着城市的出现和发展壮大，城市各种灾害也日益增多，如气象灾害、地质灾害等。不论是自然灾害还是城市灾害的发生都具有随机性和突发性，尤其是由自然灾害引发的城市灾害已经成为一种与人类共存的自然现象。而自然灾害往往是由地质、气候、地球物质等多重条件共同作用形成的，再加上人类活动的破坏突发性和随机性的灾害频繁发生。信息技术的发展和社会治理现代化水平的提高，自然灾害的随机性有所削弱，但是城市灾害的突发性因素仍存在很大的复杂性。随着城市建设的加快与规模的扩大，城市中的自然环境与人的活动、经济发展和基础设施建设都会形成一些致灾因子，使得城市灾害不仅种类多样化，成灾的机理也更加复杂。

2.2 连锁性

自然灾害的承受主体是自然环境与自然环境中的人或建筑，而城市灾害的承受主体是城市中的物与人。也就是说，无论自然灾害还是城市灾害都与人息息相关，最终影响到的是人类的活动与生命质量。当下，随着人类活动范围的扩大与城市化规模的不断扩大，使得自然灾害和城市灾害的集聚效应放大，主要体现在以下几个方面：一是自然灾害容易引发城市灾害；二是城市灾害的直接损失的扩大影响和间接损失的扩大；三是自然灾害和城市灾害发生时容易形成一种灾害链或灾害群，影响到自然环境、城市和人的持续发展。

3.应对自然灾害和城市灾害的信息化平台建设

3.1 多源数据采集生产

突发和随机的自然灾害和城市灾害对现场数据的全面性、详细性和实时性都有较高要求，需要对多源数据进行采集生产，掌握重点灾情隐患地区的精细化实景三维模型，灾时快速构建的灾害现场三维地形模型以及实时传输的二维图像数据，包括红外热成像图像和高清可见光图像。因此，对数据的采集不仅包括人口、气象、国土和地形地貌数据，还涉及传感器数据，如水位，降雨量，位移计等。在此基础上，灾前构建重点灾情隐患地区的精细化实景三维模型时，需要根据目标区域的面积、生成三维模型的分辨率要求等要素制定飞行方案，选取合适的无人机飞行器机型以及搭载的图像传感设备，对无人机飞行航线进行规划优化，设计和布测像控点，使用无人机倾斜摄影高效率的采集目标区域各个角度的高清图像。无人机采集到目标区域图像后，将图像导入高性能图像渲染服务器集群，经过图像预处理、稀疏重建、稠密重建、点云分割、单体建模等步骤后，最终支持生成多种格式的精细化灾情隐患区域大规模实景三维模型。

在灾害发生的第一时间，需要对灾情现场进行初步了解后迅速制定飞行方案，操纵无人机进行快速不间断的飞行，利用倾斜摄影技术采集到目标现场的高清图像，将采集到的图像导入带至现场的高性能服务器中，进行快速的三维地形模型生成，在第一时间构建出灾情现场的三维地形模型。针对自然灾害的复杂现场，需要开展灾害现场多源数据实时采集回传：首先，要提供具有良好抗风性和适应性的无人机机型，保证在山高林密、火场气流复杂、风向易变的山林地及恶劣气候条件下做到稳定的飞行，同时具有超长的续航能力，加上电池的热拔插技术，可以24 小时不间断飞行，保障了灾情现场侦察的连续作业。其次，根据灾情现场的不同状况，在机身上灵活配置搭载超高像素变焦和广角的高性能相机及众多混合传感器，采集灾情现场红外热成像图像和高清可见光图像。第三为了保证在不同场景下现场图像都能实时回传到应急管理指挥中心，通过进行多途径的图像实时回传，包括使用4G/5G 技术，使用通信运营商提供的应急通信保障设备以及各种远距离私有图像回传协议。与此同时，将尝试和应急管理部门现有自然灾害监测系统对接，将其部署在通信铁塔或高山位置的视频监控信号集成到应急管理平台中，实现多源数据的有效融合。

3.2 应急管理平台研发

运用GIS 和人工智能等先进技术，构建一个模块化面向应急管理的可视化智能化平台。该平台能支持重点隐患区域和灾害现场的实景三维模型的快速加载和显示，利用WebGL 技术，结合TML+CSS+JavaScript，实现PC 和移动端的跨平台浏览，并可基于GPU 图形硬件加速，全面支持现有主流浏览器，如IE、Chrome、Firefox 等，无需安装任何插件即可在浏览器中实现对受灾现场的全方位三维可视化浏览，帮助参与救灾人员了解灾害现场的地形地貌特征。在突发自然灾害的应急管理中，通过三维图像了解灾害现场的全方位地形地貌特征是必须的，因此需要实现二三维多源数据一体化融合和展示。比如通过二三维数据视角的联动,支持在应急管理平台上同时展现三维模型和二维图像，并完成视角同步功能，即便是平台上进行视角变化时，也能实现二维图像和三维模型视角的同步变化；二三维地理信息数据的同步，使用相同的开放地理空间信息联盟(Open Geospatial Consortium，OGC)标准来表示和保存二维和三维的地理信息数据，实现两者间地理信息数据的同步；通过多种二维专题图表方式展示灾害现场的各种数据实现二三维数据分析结果的同步，不仅以二维方式展现，还将会把分析结果联动到三维模型中进行标注。

应急管理平台可实现面向应急管理的交互式二三维地理空间展示分析功能。如在救灾应急管理中，通过GPS 信号获取救援车辆、人员、无人机飞手、无人机设备等的详细位置信息，利用GIS 技术通过应急管理平台实时展示并跟踪。针对森林火灾的应急管理，实现火灾着火区域模拟仿真，以简单直观方式让应急指挥人员了解当前着火区域的范围和火点数量、位置；针对洪涝灾害应急管理，实现洪水模拟淹没仿真。平台还将提供受灾面积测量等特色功能。

3.3 人工智能技术在应急管理中的具体应用

应对自然灾害和城市灾害的信息化平台只有融入了基于深度学习的人工智能技术，才能在自然灾害和城市灾害的灾前预警、灾中监测、灾后评估等应急管理的全流程中应用。灾前预警中，要在重点时间节点对重点山林区域、城市空间等进行实时监控，通过对无人机实时回传图像进行烟雾检测及时发现在农事、林事、祭祀、大型重要聚集活动中突发的危险行为。为了避免干扰，需要采用YOLOv5 为基准网络模型，在数据标注时通过网络爬取、实地现场采集等方式获取不同山林烟雾图像、灾害现场重点进行标注，采用随机翻转、随机缩放、色彩偏移等样本增强方式进一步提高样本模型的多样性和代表性。如在森林火灾灾中监测中，实现基于红外热成像图像的实时火点判识和火点数量统计，在红外热成像图像中，火焰及火点的温度显著高于周围林木区域，因此可以通过基于YOLO 或其它物体检测深度网络模型抽取火点在红外热成像图像中的颜色、纹理、形状等特征，实现实时的火点判别、定位和火点数量统计。通过采集不同时间段的火场图片，并比较多次火点判识的结果后，结合当前的风速、火场的地形特征，可以自动进行火情发展趋势研判，辅助应急管理人员进行决策。

而针对洪涝灾害应急管理中实时了解当前洪水淹没区域的需求，就要探寻实现洪水区域分割检测功能。该功能基于编码器-解码器（Encoder-Decoder）的深度神经网络模型，编码器使用卷积层和池化层将输入的原图进行特征提取，解码器将抽取出的特征还原成原来的全局视野，实现像素级别的洪水水体语义分割，精确评估当前洪灾的严重程度和影响范围。针对洪水区域语义分割标注数据较难获取的问题，可以尝试以下两种方法解决：第一种方法使用标注工具labelme，人工识别出样本图像中的洪水区域后，手工将洪水区域用labelme 框选出来。第二种方法将样本图像载入Photoshop，使用磁性套索或其它工具对其进行标注图色，然后将对应的颜色映射为洪水区域。

针对森林火灾或城市火灾的灾后评估，首先通过无人机拍摄获取受灾区域的高清正射图片，然后根据相同区域灾前是否已有对应的正射图片采用两种不同策略进行受灾面积评估。如果已有灾前图像，则将两次不同时相采集到的图像进行比对，首先进行图像的配准，将相同位置的图像对齐，然后利用孪生网络进行变化监测。如果该受灾区域灾前尚未采集正射图片，则根据过火区域在颜色等外观特征，对受灾区域进行监测识别。