一种基于数字高程与气象模型的防汛无人机调度方法与流程

本发明涉及无人机集群调度与防汛应急响应，尤其涉及一种基于数字高程与气象模型的防汛无人机调度方法。

背景技术：

1、目前，防汛应急响应中无人机的巡检调度主要依赖静态的重点监控清单或人工临时指派，缺乏对洪水动态演进过程的定量化预测。在航线规划方面，现有方法通常仅考虑二维平面内的最短路径，未将高分辨率气象预报数据（如风场、降雨强度）与三维地形数据（dem）进行深度融合以评估飞行能耗与安全性。这导致无人机在复杂山区或恶劣气象条件下执行防汛任务时，极易遭遇地形信号遮挡、强风坠机或因逆风飞行导致电量耗尽无法返航等风险。

2、经检索，现有专利文献公开了若干相关技术。例如，专利文献cn108981714b公开了一种无人机路径规划和可行性分析方法，其通过构建泰森多边形生成初始可飞路径，并利用蚁群算法搜索最短可行路径，能够有效规避静态障碍物威胁区域。然而，该方法的路径规划仅基于二维平面内的障碍物规避，未能将高分辨率气象预报（如hres风场、降雨强度）与三维地形dem耦合以计算飞行能耗代价，也未引入洪水水动力学模型来驱动动态目标点的生成，因此无法实现面向防汛应急任务的预测性动态航线寻优。又如，专利文献cn114330825b公开了一种大流域河系洪水预报调度一体化方法，通过节点化概化和分类型顺序计算，实现了流域内洪水预报与水库、河道断面等地面基础设施调度的联合计算。但该方法仅针对地面水利设施，未集成无人机集群的空中巡视资源，无法将水动力学模型预测得到的高风险动态节点直接驱动无人机集群完成精准航点规划与任务分配。

3、综上所述，现有技术缺乏一种将水动力学模型、高分辨率气象模型与无人机运筹学调度深度耦合的综合算法框架。具体而言，现有调度系统既无法根据洪水演进过程的动态预测结果自动提取高风险监控节点，也无法在三维空间中同时考虑地形遮挡与气象风场约束来优化无人机的悬停观测视点，更缺少融合洪水风险权重、气象能耗模型与空间距离的多目标代价函数以实现无人机集群任务的动态重分配。因此，亟需提出一种能够实现防汛应急资源“预测性精准投放”的无人机调度方法。

4、鉴于此我们提出一种基于数字高程与气象模型的防汛无人机调度方法来解决现有的问题。

技术实现思路

1、本发明的目的在于提供一种基于数字高程与气象模型的防汛无人机调度方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于数字高程与气象模型的防汛无人机调度方法，包括以下步骤：

3、s1：获取目标流域的高精度数字高程模型dem数据以及高分辨率气象预报hres数据，hres数据包含降雨量时空分布和三维风场数据；

4、s2：基于dem数据与hres数据中的降雨量数据，利用二维浅水波方程构建洪水演进水动力学模型，预测未来时段内洪水在流域的时空演进路径，时空演进路径包括淹没范围、水深和流速；

5、s3：根据步骤s2预测的洪水时空演进路径，提取一个或多个高风险动态节点，并针对每个高风险动态节点，结合dem数据计算满足无地形遮挡且局部风速低于无人机抗风极限的最佳悬停观测视点；

6、s4：构建多目标优化代价函数，代价函数包括观测收益项、受hres三维风场数据影响的飞行能耗项以及气象风险惩罚项；

7、s5：利用优化算法对多目标优化代价函数进行求解，为无人机集群动态分配巡视路线与悬停观测点，生成包含各无人机三维航线与任务点的最优调度方案。

8、进一步地，步骤s5中的优化算法为改进的粒子群算法或改进的蚁群算法。

9、进一步地，步骤s2中采用有限体积法对二维浅水波方程进行空间离散化求解，并利用图形处理器gpu进行加速计算。

10、进一步地，步骤s1中还包括对hres数据进行预处理的步骤：采用三次样条插值方法将hres数据的格点分辨率匹配至dem数据的网格分辨率，并对山区陡坡区域的插值结果采用高斯滤波进行平滑处理。

11、进一步地，步骤s3中计算最佳悬停观测视点的具体方式为：在满足从候选悬停点到高风险动态节点的视线与dem数据无遮挡、且悬停点局部风速小于无人机抗风极限的条件下，选择局部风速最小的空间坐标作为最佳悬停观测视点。

12、进一步地，步骤s4中的多目标优化代价函数j表示为，其中，为第i个高风险动态节点的风险权重，为第j架无人机受风场影响的飞行能耗，为第j架无人机遭遇的气象风险惩罚项，α、β、γ为权重系数。

13、进一步地，步骤s3中提取高风险动态节点的具体方式为：计算洪水演进水动力学模型中每个网格单元的水深变化率dh/dt，将水深变化率超过预设阈值的网格单元提取为高风险动态节点。

14、进一步地，还包括实时重规划步骤：当监测到任意网格单元的水位变化速率超过预设的重规划阈值时，仅对受影响半径内的无人机任务分配方案进行局部调整。

15、进一步地，步骤s3中最佳悬停观测视点的局部风速通过结合hres三维风场数据与dem地形梯度进行微地形风场修正后得到。

16、进一步地，当采用改进的蚁群算法时，根据实时气象风险等级动态调整信息素挥发系数ρ：当区域降雨强度大于50mm/h时，将信息素挥发系数ρ提升至0.25。

17、与现有技术相比，本发明的有益效果是：

18、1、本发明突破了传统防汛无人机调度依赖静态清单或人工指派的局限，首次将基于二维浅水波方程的洪水演进水动力学模型与无人机集群调度深度耦合。通过将hres降雨数据作为源项输入浅水波方程，结合dem地形梯度，能够定量预测未来时段内洪水淹没范围、水深及流速的三维时空演进路径，并自动提取水深变化率超过阈值的高风险动态节点。这一“预测性调度”机制使无人机任务分配从被动响应转向主动预判，避免了在洪水未到或已退区域无效巡视。在黄河流域试验段的实际应用中，洪水淹没范围预测误差从传统方法的±25%降低至±12%，系统成功将37架无人机的平均响应时间控制在8秒内；在长江中游某支流应用中，系统提前47分钟预警了卡口河段的决堤风险，为应急决策争取了宝贵时间；实现了洪水演进驱动的预测性动态调度，显著提升了防汛应急响应效率。

19、2、本发明针对防汛现场常伴随强风、山区复杂地形等不利条件，提出了结合地形遮挡分析与微地形风场修正的最佳悬停观测视点计算方法。通过射线追踪判定候选悬停点与高风险目标节点之间是否存在dem地形遮挡，同时利用hres三维风场数据与dem地形梯度函数计算局部风速，以局部风速最小且满足无遮挡与安全距离约束的点作为最佳悬停坐标。该方案有效规避了山谷间“狭管效应”强风区及地形信号遮挡，使无人机能够在背风坡等安全区域稳定悬停，获取清晰的洪水演进图像。试验数据表明，无人机任务完成率由现有技术的68%提升至93%，因强风或遮挡导致的坠机、失联事故率大幅下降；保障了恶劣气象与复杂地形下的无人机飞行安全及数据采集质量。

20、3、本发明构建了多目标优化代价函数，其中飞行能耗项明确引入了hres风场对无人机推进功率的非线性影响。优化的航线规划引导无人机尽量顺风飞行、避开强风切变区域，从而显著减少逆风飞行带来的额外能耗。同时，通过改进的粒子群算法或蚁群算法求解最优任务分配与航线矩阵，确保集群在覆盖所有高风险节点的前提下整体能耗最小。实测结果显示，路径规划能耗降低28%，单次巡检续航时间延长40分钟，有效缓解了防汛应急中无人机续航能力不足的痛点；降低了集群飞行能耗，延长了单次巡检续航时间。

21、4、本发明还设有实时重规划机制：当监测到任一网格单元的水位变化速率|dh/dt|grid > 0.15m/h时，系统自动启动局部重规划，仅对受影响半径2km内的无人机任务进行动态调整，避免全局重新计算的算力爆炸。这一机制使得算法在保持全局寻优能力的同时，能够快速响应突发水位暴涨、溃坝等紧急情况。在包含37架无人机的集群实验中，平均响应时间仍能控制在8秒以内，体现了良好的实时性与可扩展性，实现了实时重规划，兼顾了全局最优与局部响应的时效性。

22、5、本发明通过多源数据融合、有限体积法求解浅水波方程以及多目标优化调度的有机组合，形成了一套从数据输入、洪水演进预测、高风险节点提取到无人机任务分配与航线规划的完整闭环算法框架。本发明首次将水动力学模型、高分辨率气象模型与无人机集群运筹学调度深度融合，实现了防汛资源的“精准投放”与“动态寻优”，在预测精度、飞行安全、能耗优化和实时响应等方面均取得了实质性进步，综合提升了流域防汛应急响应的智能化水平。