一种多源数据融合的协同应急智能感知与预警方法

本发明涉及计算机处理，特别是涉及一种多源数据融合的协同应急智能感知与预警方法。

背景技术：

1、当前，针对水库防汛、山体滑坡等突发地质灾害的应急测绘与监测预警手段，主要依赖无人机航测、地面边坡雷达、水下测量等单一技术装备。然而，现有技术体系存在显著缺陷：

2、一是数据感知维度割裂，陆域高精度地形、水下地形与边坡形变数据通常独立采集、独立处理，缺乏统一的时空基准，导致无法形成覆盖“陆-水-坡”全空间的立体监测视图；

3、二是数据融合能力薄弱，不同来源的点云与影像数据在坐标系统一、特征配准、无缝拼接等环节存在较大误差，尤其在陆地与水域交界处易产生数据断层或模型“锯齿”，难以构建高精度、连续一致的数字孪生模型，直接影响库容精准测算与滑坡体边界圈定的可靠性；

4、三是预警智能化水平不足，对坝体裂缝、边坡微小形变等关键险情特征仍多依赖人工识别与经验研判，存在效率低、漏检率高、响应滞后等问题，且缺乏从多源数据融合到风险智能研判、再到应急辅助决策的一体化闭环技术流程。

5、综上所述，如何突破多源异构数据在应急场景下的协同感知、精准融合与智能预警瓶颈，是提升灾害应急响应能力的关键技术问题。

技术实现思路

1、针对上述技术问题，本发明采用的技术方案为一种多源数据融合的协同应急智能感知与预警方法，所述方法包括如下步骤：

2、s01、获取目标区域的无人机采集的陆域点云与影像、无人船采集的水下地形点云、以及边坡雷达采集的形变监测数据，基于时间戳整理得到多源感知数据；

3、s02、对所述多源感知数据分别进行预处理，以得到统一坐标系下的预处理陆域点云、预处理水下点云的预处理形变数据；

4、s03、基于所述预处理陆域点云与所述预处理水下点云进行水陆数据融合，所述水陆数据融合包括：以动态水位确定的水岸线为特征进行粗配准，完成后再通过相干点漂移算法进行精配准，并在水陆交界缓冲区执行距离加权平滑融合，生成水陆一体数字高程模型；

5、s04、将所述预处理形变数据通过自监督深度学习网络映射至所述水陆一体数字高程模型，生成融合边坡形变信息的三维动态孪生场景；

6、s05、基于所述三维动态孪生场景进行灾害智能识别与风险量化以得到结果，所述结果至少包括基于yolov11框架识别坝体裂缝并计算其几何参数、基于水陆一体数字高程模型计算水库当前库容与库容损失率、以及基于三维动态孪生场景计算边坡形变位移量与位移变化率；

7、s06、根据所述结果，将所述几何参数、库容损失率、位移变化率分别与对应的预设预警阈值进行实时比对，生成并输出分级协同应急预警信息与辅助决策建议。

8、作为优选的，所述步骤s02中的所述预处理包括以下步骤：

9、s21、采用基于局部拟合的去噪方法，对每个点云目标点，选取其邻域内的k个邻近点，通过最小二乘法拟合局部平面或二次曲面，计算邻域内每个点到拟合面的垂直距离；

10、s22、以至少2倍点云平均间距作为距离阈值，若所述垂直距离大于所述距离阈值，则将该点识别为噪声点并剔除；

11、s23、指利用至少三个联测控制点计算七参数转换模型，将所有点云数据统一至cgcs2000坐标系。

12、作为优选的，所述步骤s03中所述以动态水位确定的水岸线为特征进行粗配准，包括：

13、s31、获取实时监测水位高程及高程容差阈值，在陆域数字高程模型上提取高程值落在水位高程±容差阈值范围内的点集，作为水岸边界线特征点集；

14、s32、同时在水下地形数据中提取与所述水位高程对应的等深线点集作为辅助特征；

15、s33、采用改进的迭代最近点算法，为所述水岸边界线特征点集分配高于普通点的权重系数，利用加权后的特征点集计算初始旋转矩阵与初始平移向量，消除陆域点云与水下点云之间的尺度偏移和旋转差异，使粗配准精度控制在半米以内。

16、作为优选的，所述步骤s03中所述通过相干点漂移算法进行精配准，包括：

17、s34、将粗配准后的陆域点云视为高斯混合模型的质心点集，将水下点云视为从所述高斯混合模型中采样的观测数据点集，构建概率密度函数；

18、s35、通过期望最大化算法迭代估计高斯混合模型的标准差及刚性变换参数，直至对概率密度函数收敛，所述刚性变换参数包含最终旋转矩阵与最终平移向量；

19、其中，所述相干点漂移算法对噪声点和离群点采用均匀分布分量进行建模。

20、作为优选的，所述步骤s04中所述生成融合边坡形变信息的三维动态孪生场景，包括：

21、s41、通过自监督深度学习网络提取边坡雷达二维云图中的地形曲率特征点，所述自监督深度学习网络以对比学习方式训练，无需人工标注；

22、s42、将二维雷达云图坐标通过仿射变换映射至所述水陆一体数字高程模型的三维空间，生成三维变形热图坐标；

23、s43、位于所述三维变形热图坐标内利用变换后的三维坐标内插得到每个地形网格点的累计形变量与瞬时形变速率；

24、s44、动态更新三维动态孪生场景中的形变色谱图层。

25、作为优选的，所述步骤s05中所述基于yolov11框架识别坝体裂缝并计算其几何参数，包括：

26、s51、采用公开坝体裂缝数据集crack200及自建裂缝样本对yolov11模型进行训练，设置置信度阈值≥0.85，非极大值抑制交并比阈值为0.5；

27、s52、将无人机贴面飞行获取的坝体高清影像输入训练好的yolov11模型，输出裂缝目标的边界框及类别概率；

28、s53、对检出所述裂缝目标的边界框采用zhang-suen细化算法迭代剥离边缘像素，提取单像素宽度的裂缝中心骨架线；

29、s54、沿所述裂缝中心骨架线逐像素累计长度，得到裂缝像素长度；沿骨架线法向方向计算裂缝宽度像素数，取最大值为裂缝像素宽度；

30、s55、结合坝体表面预设的棋盘格标定贴片的物理尺寸与像素尺寸比例，将将裂缝像素长度与裂缝像素宽度换算为实际长度与实际宽度，输出裂缝最大长度值和最大宽度值。

31、作为优选的，所述步骤s05中所述基于水陆一体数字高程模型计算水库当前库容与库容损失率，包括：

32、根据实时监测水位高程，在所述水陆一体数字高程模型中提取高程值低于水位高程的所有网格单元；

33、采用规则格网积分法，以所述所有网格单元面积乘以网格中心点水深并累加，计算得到当前有效库容；

34、读取水库原始设计库容曲线，通过线性插值获得设计水位对应的设计库容；

35、计算库容损失量=设计库容-当前有效库容，库容损失率=库容损失量/设计库容×100%；

36、当库容损失率超过预设的淤积警戒阈值时，生成清淤预警信号。

37、作为优选的，所述步骤s05中所述基于三维动态孪生场景计算边坡形变位移量与位移变化率，包括：

38、在三维动态孪生场景中划分规则形变监测网格，每个网格点关联边坡雷达对应的形变时间序列；

39、计算当前时刻与上一时刻的位移差值，得到瞬时位移量；

40、计算过去n个连续时刻的位移累计值，得到累计位移量；

41、计算单位时间内的位移变化率，所述位移变化率=(当前位移量-上一时刻位移量)/时间间隔；

42、当所述累计位移量超过形变累积阈值或位移变化率超过速率阈值时，触发滑坡分级预警。

43、作为优选的，所述步骤s06中所述生成并输出分级协同应急预警信息与辅助决策建议，包括：

44、一级预警：当裂缝最大宽度超过第一裂缝阈值或位移变化率超过第一速率阈值时，发出黄色预警，建议加强巡查；

45、二级预警：当裂缝最大宽度超过第二裂缝阈值或累计位移量超过累积阈值时，发出橙色预警，建议组织下游人员转移准备；

46、三级预警：当库容损失率超过淤积阈值且叠加位移加速趋势时，发出红色预警，建议立即启动泄洪与应急抢险。

47、作为优选的，所述步骤s02与步骤s03之间还包括将计算预处理后的陆域点云密度与水下点云密度，若某局部区域点云密度低于预设的覆盖密度阈值，则触发补测指令，控制无人机或无人船对该区域进行补充采集；

48、所述步骤s06之后将生成的预警信息与辅助决策建议推送至应急指挥终端，并接收现场处置反馈，根据反馈信息动态调整预警阈值与监测频率

49、本发明至少具有以下有益效果：

50、1、在粗配准阶段通过为水岸线特征点分配高权重，有效抑制了水体波动点和植被噪声的干扰。在精配准阶段采用相干点漂移算法，将点云配准转化为高斯混合模型的概率估计问题，对噪声和离群点具有天然鲁棒性；在融合阶段引入余弦平滑函数与laplacian平滑，彻底解决了水陆交界区域的数据断层与模型“锯齿”问题。

51、2、在统一的三维动态孪生场景中集成了坝体裂缝自动检测量化、边坡形变追踪、库容动态核算等多项智能分析功能。其中，yolov11裂缝识别模型结合zhang-suen细化算法与标定贴片换算，实现了裂缝长度与宽度的全自动、高精度测量；而边坡雷达数据通过自监督深度学习升维至三维热图，无需大量标注样本即可实现形变位移的实时计算与可视化。相较于依赖人工经验、分散独立的传统研判模式，本发明实现了从多源数据输入到风险特征量化输出的自动化、一体化处理流程，解决了传统方法效率低、漏检率高、决策支撑不足的问题，为应急指挥提供了客观、精准、可视化的科学依据。