面向山洪小流域的无人机搭载水文状态量测量、参数同化与边缘预报设备、方法及系统
本发明涉及山洪灾害预警,尤其涉及一种面向山洪小流域的无人机搭载水文状态量测量、参数同化与边缘预报设备、方法及系统。
背景技术:
1、山洪小流域具有汇流时间短、空间异质性强、监测站点稀疏、局地暴雨突发和下垫面状态快速变化等特点。传统水文预报常依赖单站雨量、水位或相邻流域经验参数估计当前流域状态,难以及时反映坡面土壤湿度、地表粗糙度、植被状态、河道断面、临时阻水障碍和局地微地形等对产汇流和洪水演进具有关键影响的物理状态。
2、在山洪小流域山丘区,仍存在以下技术问题:第一,目标小流域范围虽然可以预先已知,但现有无人机任务往往缺少面向水文模型的hru空间索引,导致航线规划、传感器足迹匹配和模型计算单元割裂;第二,山丘区gnss-r反演易受地形、粗糙度、植被和姿态扰动影响,难以得到可用于水文模型的可靠土壤湿度状态量;第三,多源无人机观测难以统一到同一水文响应单元并转化为cn、初损率、manning糙率和阻水断面比等模型参数;第四,传统二维水动力模型难以在有限飞行时间和边缘算力条件下快速运行;第五,同一流域历次探测结果没有被结构化积累为后续预报的先验,导致每次任务近似从零开始。
3、因此,需要一种面向山洪小流域的无人机搭载水文状态量测量、参数同化与边缘预报设备、方法及系统,以降低山洪短临预报中由非同步、非本流域、低空间代表性观测带来的不确定性。
技术实现思路
1、为了解决上述问题,本发明的实施例提出一种面向山洪小流域的无人机搭载水文状态量测量、参数同化与边缘预报设备、方法及系统,能够在单无人机平台上集成gnss-r、激光雷达和多光谱三源感知,并在机载或近机端完成hru空间索引构建、协同校正、参数同化、边缘预报和流域事件记忆学习,以降低山洪短临预报中由非同步、非本流域、低空间代表性观测带来的不确定性。
2、本发明的面向山洪小流域的无人机搭载水文状态量测量、参数同化与边缘预报设备,包括:飞行平台;模块化载荷舱,所述模块化载荷舱安装于飞行平台下部一端;多源感知单元,所述多源感知单元安装于模块化载荷舱内部,多源感知单元包括gnss-r直射/反射信号接收模块、激光雷达模块和多光谱成像模块;时空同步单元,所述时空同步单元安装于模块化载荷舱内部,且时空同步单元与多源感知单元连接;边缘计算单元,所述边缘计算单元位于模块化载荷舱内部,且边缘计算单元与多源感知单元连接,边缘计算单元利用激光雷达模块和多光谱成像模块生成带置信度和观测误差协方差的表层土壤湿度状态量;边缘计算单元依据计算时间预算、剩余电量、计算负载、网格规模和状态量置信度,选择事件产汇流模型、局部水动力模型或物理约束淹没代理模型,输出断面流量过程、特征断面水位、淹没范围、水深、风险等级以及相应不确定性;通信单元,所述通信单元位于模块化载荷舱内部,且通信单元与多源感知单元连接;电源热管理单元,所述电源热管理单元位于模块化载荷舱内部,且电源热管理单元与多源感知单元连接。
3、所述飞行平台为具备rtk或ppk定位能力并具有多载荷安装能力的工业级多旋翼无人机。
4、所述模块化载荷舱包括减振安装板、电磁屏蔽层、快拆接口、独立供电接口、散热通道、固态存储器和线束固定结构,所述模块化载荷舱被配置为容纳gnss-r射频前端、基带处理板卡、边缘计算板、电源管理板和散热结构,并与无人机机体的刚性结构连接而不叠装于激光雷达云台减振器。
5、所述gnss-r直射/反射信号接收模块包括设置于无人机机体上方的右旋圆极化gnss天线、设置于无人机机体下方的左旋圆极化或双圆极化gnss天线、低噪声放大器、射频滤波器、双通道相干软件无线电接收机和基带处理板卡;所述右旋圆极化gnss天线用于接收直射gnss信号,所述左旋圆极化或双圆极化gnss天线用于接收地表反射gnss信号。
6、所述激光雷达模块为集成惯性测量单元和定位解算能力的机载激光雷达扫描模块,安装于无人机主下置云台或主下置挂载接口;所述多光谱成像模块为轻量化五波段或五波段加全色多光谱相机,并通过第二下置接口、skyport接口、quickmount接口或独立快拆支架安装于无人机。
7、本发明的面向山洪小流域的无人机搭载水文状态量测量、参数同化与边缘预报系统,包括本发明所述的设备、地面站和预警平台;所述地面站用于接收所述设备输出的状态量、参数、风险产品和质量控制信息,并用于执行后处理校核、基线hru空间索引维护、历史样本库维护、模型再训练或流域事件记忆库备份;所述预警平台用于根据所述风险等级和不确定性生成山洪短临预警信息。
8、利用本发明所述设备进行山洪小流域水文状态量测量、参数同化与边缘预报的方法,包括以下步骤:基于已知目标流域边界和公开或实测数字高程模型预生成hru空间索引;规划覆盖关键产流区、汇流通道、河道断面和隐患点的航线;同步采集gnss-r直射/反射信号、激光雷达点云、多光谱影像和无人机姿态定位数据;构建状态量数据立方体;执行山区gnss-r地形、粗糙度和植被补偿,以获得带置信度和观测误差协方差的表层土壤湿度状态量;提取下垫面结构特征、河道断面特征和阻水障碍特征;将状态量和结构特征映射并同化更新为动态径流曲线数、初损率、manning糙率和阻水断面比;在边缘端执行事件产汇流模型、局部水动力模型或物理约束淹没代理模型;输出断面流量过程、水位、淹没范围、水深、风险等级和不确定性;并将本次任务的参数后验、误差协方差、模型残差和低置信度区域写入流域事件记忆库,以作为后续探测任务的先验。
9、所述航线的规划不以固定面积全覆盖作为必要条件,而是根据目标山洪小流域的基线hru空间索引、风险等级、历史残差、高不确定性区域、降雨预报、剩余飞行时间和安全约束确定全流域基线航线、重点区块航线、事件前快速航线、事件后复测航线或补测航线中的一种或多种。
10、所述动态径流曲线数、初损率、manning糙率的计算公式为:
11、
12、
13、
14、其中,vi为植被指数,slope为坡度,impervious为不透水率,roughness为地表粗糙度,m为流域事件记忆库提供的历史校正项或参数后验项,clip表示按物理边界截断,θ为土壤湿度估计值,为动态径流曲线数初值,为manning糙率初值,为初损率初值,为产流参数值的下限,为产流参数值的上限,为损失率系数的下限值,为损失率系数的上限值,为曼宁地表糙率的下限值,为曼宁地表糙率的上限值,为cn值的动态修正量,为损失率系数的动态修正量,为地表糙率的动态修正量。
15、所述动态径流曲线数和初损率用于事件产流计算,当降雨量p大于初损量时,径流深q满足q=(p-ia)²/(p-ia+s),当p不大于ia时q=0;
16、式中,ia=λts,s=25400/cnt-254,p为降雨量,q为径流深,s为流域初始蓄水能力,为初损量。
17、所述阻水断面比定义为障碍物在有效行洪断面中的投影面积与有效行洪断面面积之比,公式为:
18、
19、式中,为阻水断面比,为投影面积,为有效行洪断面面积。
20、如图1所示,边缘计算单元的工作流程为:
21、a、读取目标山洪小流域的已知流域边界数据、公开或实测数字高程模型数据以及可选的土地利用和水文土壤组数据,预生成水文响应单元hru网格或规则栅格空间索引。
22、目标山洪小流域的边界数据为分水岭边界、行政边界裁剪后的流域边界或人工指定的山洪防治对象边界;所述数字高程模型数据为公开免费获取的12.5 m精度dem、30 m精度dem、机载激光雷达dem或其组合。
23、hru网格通过数字高程模型水文校正、流向计算、汇流面积计算、沟道网络提取、坡度分级、土地利用归并、水文土壤组归并和邻域合并生成;hru网格中的每一单元具有唯一编号、几何边界、面积、平均坡度、主导土地覆盖、主导水文土壤组、汇流路径、下游连接关系和风险优先级。
24、b、将所述hru网格或规则栅格空间索引用作无人机航线检索、多源观测足迹匹配和模型计算的空间基准。
25、航线检索包括:将gnss-r反射足迹、激光雷达扫描带宽和多光谱成像幅宽分别与hru网格叠加,计算每一hru被各传感器覆盖的覆盖比例、观测时间和观测质量,进而生成重点hru航线、补测hru航线或事件后复测航线。
26、c、将gnss-r直射/反射观测、激光雷达点云、多光谱影像以及无人机姿态定位数据统一到同一时间基准和空间坐标基准,构建目标山洪小流域的状态量数据立方体。
27、状态量数据立方体包括每一hru或栅格的高程、坡度、坡向、流向、汇流面积、地形湿度指数、土地覆盖类别、植被指数、冠层高度、表层土壤湿度、表层土壤湿度置信度、观测误差协方差、地表粗糙度、河道距离、建筑物或桥涵障碍标识、断面几何参数、行洪阻水障碍特征和观测时间戳。
28、d、利用激光雷达模块生成的数字高程模型和无人机姿态定位数据,对gnss-r反射信号的镜面反射点、局地入射角和地表粗糙度衰减进行校正,并利用多光谱成像模块获取的植被参数对gnss-r反射信号进行植被透射损耗补偿,生成带置信度和观测误差协方差的表层土壤湿度状态量。
29、对镜面反射点和局地入射角进行校正包括:根据gnss卫星星历、无人机定位姿态、上下视天线相位中心和数字高程模型,求解gnss反射路径与局地地形面的交点,得到修正镜面反射点;提取修正镜面反射点邻域的坡度和坡向,将水平地表假设下的标称入射角修正为局地真实入射角,并据此修正菲涅尔反射系数、归一化反射率或延迟多普勒图能量分布。
30、对地表粗糙度衰减进行校正包括:在修正镜面反射点邻域内由激光雷达点云计算高程均方根、局部坡面拟合残差、微地形起伏、点云强度或点云高度分位差中的至少一种粗糙度指标,并利用粗糙度指标对gnss-r相干反射分量施加衰减补偿,或将粗糙度指标转换为表层土壤湿度观测置信度的降权因子。
31、对植被透射损耗进行补偿包括:由多光谱影像计算ndvi、evi、lai、冠层覆盖度或红边指数中的至少一种植被参数,估计植被光学厚度或植被透射率;基于植被透射率修正gnss-r反射信号幅值,并在植被指数、冠层高度或冠层覆盖度超过预设阈值时降低表层土壤湿度状态量置信度或增大其观测误差协方差。
32、表层土壤湿度状态量包括土壤湿度估计值θ、置信度和观测误差协方差;置信度由gnss-r信噪比、可见卫星数量、局地坡度、地表粗糙度、植被参数、反射足迹混合程度、无人机姿态稳定性和土壤湿度反演残差中的至少三项确定;观测误差协方差与置信度负相关。
33、e、基于数字高程模型、多光谱影像和表层土壤湿度状态量提取下垫面结构特征、河道断面特征和行洪阻水障碍特征。
34、f、将所述状态量和结构特征映射并同化更新为水文水动力参数,所述水文水动力参数至少包括动态径流曲线数、初损率、manning糙率和阻水断面比。
35、同化更新采用集合卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波、贝叶斯递推或其组合;同化状态向量至少包括土壤湿度估计值θ、、、、、断面流量或水位中的四种;观测向量至少包括gnss-r土壤湿度估计、多光谱水体或植被状态、地面雨量、雷达降雨、水位、流速或断面流量中的一种。
36、状态向量反映了目标山洪小流域内部物理过程的水文水动力参数及物理状态量。具体而言,这其中包括了描述流域当前物理特征的传统水文状态量(如表层土壤湿度θ、断面流量和水位),以及由状态量和结构特征映射而来的动态模型参数(如、、和)。
37、观测向量就是:通过无人机多源感知设备或外部监测手段实际获取的测量数据。在同化过程中,观测向量的作用是作为真实的外部参考值,用来约束和修正同化状态向量。包括gnss-r土壤湿度估计、多光谱水体或植被状态、地面雨量、雷达降雨、水位、流速或断面流量等。它属于外部直接测量或感知状态量。这些是传感器在特定时刻捕捉到的实际观测输出,属于同化系统用于更新状态和修正误差的输入依据。
38、水文水动力参数的映射包括:根据土地利用类型和水文土壤组查表得到动态径流曲线数初值和manning糙率初值;根据土壤湿度估计值θ、植被指数、坡度、不透水率、地表粗糙度、冠层高度和阻水断面比计算参数修正量;将所述参数修正量与查表初值合成得到、、和,并对所述参数施加物理取值边界。
39、阻水断面比由行洪断面内桥墩、涵洞、堆积物、漂浮物、灌丛、倒木、建筑物或临时阻水物的阻水投影面积与对应有效行洪断面面积之比确定,即;阻水投影面积由激光雷达点云、多光谱影像、可见光影像或其融合识别结果中的至少一种确定。
40、动态径流曲线数、初损率和manning糙率满足如下映射关系中的一种或多种:
41、
42、
43、
44、其中,vi为植被指数,slope为坡度,impervious为不透水率,roughness为地表粗糙度,m为流域事件记忆库提供的历史校正项或参数后验项,clip表示按物理边界截断,θ为土壤湿度估计值,为动态径流曲线数初值,为manning糙率初值,为初损率初值,为产流参数值的下限,为产流参数值的上限,为损失率系数的下限值,为损失率系数的上限值,为曼宁地表糙率的下限值,为曼宁地表糙率的上限值,为cn值的动态修正量,为损失率系数的动态修正量,为地表糙率的动态修正量。
45、动态径流曲线数和初损率用于事件产流计算,当降雨量p大于初损量时,径流深q满足q=(p-ia)²/(p-ia+s),当p不大于ia时q=0;ia=λts,s=25400/cnt-254,p、q、s的单位为毫米。
46、g、在边缘计算单元内依据计算时间预算、剩余电量、计算负载、网格规模和状态量置信度,选择事件产汇流模型、局部水动力模型或物理约束淹没代理模型,输出断面流量过程、特征断面水位、淹没范围、水深、风险等级以及相应不确定性。
47、局部水动力模型为基于数字高程模型、净雨输入、边界流量、水位边界和manning糙率的扩散波模型、局部惯性浅水模型或简化圣维南模型,用于在目标隐患点邻域计算水深、流向、流速和漫溢范围。
48、物理约束淹没代理模型为经过剪枝、量化或蒸馏处理的随机森林、梯度提升树、轻量化卷积神经网络、图神经网络、物理信息神经网络或其组合;物理约束淹没代理模型的输入包括数字高程模型、坡度、汇流面积、土地覆盖、、、、降雨特征、断面流量过程或水位边界;物理约束淹没代理模型的输出包括淹没概率、水深栅格、淹没范围和风险等级。
49、物理约束淹没代理模型训练或推断时施加以下约束中的至少两种:水深非负约束、淹没范围与分水岭或堤岸边界一致性约束、流量或水位增大时水深不减的单调约束、基于数字高程模型的低洼连通性约束、局部质量守恒残差约束、以及与水动力模型样本库一致的误差惩罚约束。
50、模型选择由评分函数或阈值规则生成,所述评分函数或阈值规则至少利用计算时间预算、剩余电量、计算负载l、状态量综合置信度、隐患点风险等级和历史模型残差中的三项。
51、h、将本次任务的状态量数据立方体、校正系数、参数后验值、误差协方差、模型残差、低置信度区域和观测质量标识写入流域事件记忆库,并在后续探测任务中将所述流域事件记忆库中的历史参数后验和误差协方差作为参数同化和模型选择的先验输入。
52、流域事件记忆库包括基线数字高程模型、基线土地覆盖、基线河道断面、基线hru空间索引、历次任务的状态量数据立方体、gnss-r地形粗糙度植被校正系数、土壤湿度反演残差、水文水动力参数后验值、误差协方差、物理约束淹没代理模型残差、高风险区域、高不确定性区域、质量门限标识和任务时间戳。
53、流域事件记忆库在后续探测任务中用于:将历史参数后验作为参数同化先验;根据历史低置信度区域和模型残差热区生成重点hru航线或补测区域;更新gnss-r地形粗糙度植被校正系数;更新、、和的参数后验;并在观测质量低于质量门限时仅扩大不确定性而不写入长期参数库。
54、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被本发明所述设备的边缘计算单元执行时实现本发明所述的方法。
55、本发明的有益效果是,通过已知流域边界和公开或实测dem预生成hru空间索引,使航线规划、传感器足迹归属、状态量建库和模型计算单元保持一致,避免单纯图像栅格与水文单元不匹配。通过统一时间和空间基准,将gnss-r、激光雷达、多光谱和无人机姿态定位数据映射到同一hru或栅格单元,减少多源数据非同步带来的状态估计误差。通过激光雷达dem驱动的局地镜面点、局地入射角和粗糙度补偿,提高山丘区gnss-r土壤湿度反演的物理一致性,并通过置信度和观测误差协方差避免低可靠观测对参数同化产生过强影响。通过多光谱植被参数同时服务于gnss-r透射率补偿、土地覆盖识别和水文水动力参数修正,使传感器之间形成可验证的协同校正关系,而非简单并列测量。通过状态量到、、和的映射和同化,把无人机遥感产品转化为可直接驱动事件产汇流、局部水动力和淹没推断模型的动态参数集。通过边缘端分级模型和物理约束淹没代理推断,在有限载荷、算力和飞行时间下输出可用于山洪短临预警的流量、水位、淹没和风险产品。通过流域事件记忆库把历次探测的参数后验、误差协方差和残差热区用于后续任务,使同一流域的探测和预报具有滚动学习能力,提升后续预报的稳定性和速度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com