留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

大数据时代下的一体化综合减灾技术综述

刘纪平 刘猛猛 徐胜华 杜清运 朱军 朱秀丽

刘纪平, 刘猛猛, 徐胜华, 杜清运, 朱军, 朱秀丽. 大数据时代下的一体化综合减灾技术综述[J]. 武汉大学学报 ● 信息科学版, 2020, 45(8): 1107-1116. doi: 10.13203/j.whugis20200108
引用本文: 刘纪平, 刘猛猛, 徐胜华, 杜清运, 朱军, 朱秀丽. 大数据时代下的一体化综合减灾技术综述[J]. 武汉大学学报 ● 信息科学版, 2020, 45(8): 1107-1116. doi: 10.13203/j.whugis20200108
LIU Jiping, LIU Mengmeng, XU Shenghua, DU Qingyun, ZHU Jun, ZHU Xiuli. A Survey on Integrated and Comprehensive Disaster Reduction Technology in the Era of Big Dat[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1107-1116. doi: 10.13203/j.whugis20200108
Citation: LIU Jiping, LIU Mengmeng, XU Shenghua, DU Qingyun, ZHU Jun, ZHU Xiuli. A Survey on Integrated and Comprehensive Disaster Reduction Technology in the Era of Big Dat[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1107-1116. doi: 10.13203/j.whugis20200108

大数据时代下的一体化综合减灾技术综述

doi: 10.13203/j.whugis20200108
基金项目: 

国家重点研发计划 2016YFC0803101

国家重点研发计划 2016YFC0803108

中国测绘科学研究院科研业务费 7771701

详细信息
    作者简介:

    刘纪平,博士,研究员,博士生导师,主要研究方向为政务地理空间大数据、政务地理信息系统服务、应急地理信息服务。liujip@casm.ac.cn

    通讯作者: 刘猛猛,博士生。liuflame123@gmail.com
  • 中图分类号: P208

A Survey on Integrated and Comprehensive Disaster Reduction Technology in the Era of Big Dat

Funds: 

The National Key Research and Development Program of China 2016YFC0803101

The National Key Research and Development Program of China 2016YFC0803108

the Basic Research Fund of CASM 7771701

More Information
    Author Bio:

    LIU Jiping, PhD, professor, specializes in geospatial big data for government affairs, geographic information system services for government affairs, and emergency geographic information services.liujip@casm.ac.cn

    Corresponding author: LIU Mengmeng, PhD candidate.liuflame123@gmail.com
  • 摘要: 近年来,大数据和减灾技术的发展为灾害管理和应急响应提供了新的可能性。大数据以其可视化、分析和预测灾难的能力,正在深刻地改变着应急救援和灾害管理。灾害大数据与测绘地理信息技术的结合成为提升防灾减灾救灾能力的重要手段。在大数据背景下对一体化综合减灾技术进行了分析与总结:阐述了一体化综合减灾技术的特征,回顾了一体化综合减灾技术的进展,包括灾害信息的获取与管理、应急信息的融合和分析、灾害模型的构建与仿真、应急综合决策与服务等;介绍了一体化综合减灾智能服务系统平台及其应用情况,并对一体化综合减灾技术与服务进行了总结与展望。
  • 图  1  综合减灾技术特征

    Figure  1.  Features of Comprehensive Disaster Reducing Technologies

    图  2  综合减灾技术流程

    Figure  2.  Comprehensive Disaster Reduction Technology Process

    图  3  定位方法

    Figure  3.  Positioning Methods

    图  4  一体化综合减灾智能服务系统平台

    Figure  4.  Platform of Integrated Comprehensive Disaster Reduction Intelligent Service System

    图  5  一体化综合减灾智能服务APP

    Figure  5.  APP of Integrated Comprehensive Disaster Reduction Intelligent Service

  • [1] 范维澄, 闪淳昌.公共安全与应急管理[M].北京:科学出版社, 2017

    Fan Weicheng, Shan Chunchang. Public Safety and Emergency Management[M].Beijing: Science Press, 2017
    [2] 朱庆, 曹振宇, 林珲, 等.应急测绘保障体系若干关键问题研究[J].武汉大学学报·信息科学版, 2014, 39(5): 551-555 doi:  10.13203/j.whugis20130351

    Zhu Qing, Cao Zhenyu, Lin Hui, et al. Key Technologies of Emergency Surveying and Mapping Service System[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5):551-555 doi:  10.13203/j.whugis20130351
    [3] 刘纪平, 张福浩, 徐胜华.政务地理空间大数据研究进展综述[J].测绘学报, 2017, 46(10): 480-489 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201710048

    Liu Jiping, Zhang Fuhao, Xu Shenghua. Progresses and Prospects in Geospatial Big Data for E-government[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10): 480-489 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chxb201710048
    [4] Watson H, Finn R L, Wadhwa K. Organizational and Societal Impacts of Big Data in Crisis Management[J].Journal of Contingencies and Crisis Management, 2017, 25(1): 15-22 doi:  10.1111/1468-5973.12141
    [5] Mulder F, Ferguson J, Groenewegen P, et al. Questioning Big Data: Crowdsourcing Crisis Data Towards an Inclusive Humanitarian Response[J]. Big Data and Society, 2016, 3(2): 253-254 http://www.researchgate.net/publication/306051253_Questioning_Big_Data_Crowdsourcing_crisis_data_towards_an_inclusive_humanitarian_response
    [6] Akter S, Wamba S F.Big Data and Disaster Management: A Systematic Review and Agenda for Future Research[J]. Annals of Operations Research, 2019, 283(2): 939-959 https://ideas.repec.org/a/spr/annopr/v283y2019i1d10.1007_s10479-017-2584-2.html
    [7] Makki A, Siddig A, Saad M. Survey of WiFi Positioning Using Time-Based Techniques[J].Computer Networks, 2015, 88(12): 218-233 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=5bab40afedf22a7aab58d2d0e55dc551
    [8] Tian D, Liu C, Duan X, et al. A Distributed Position-Based Protocol for Emergency Messages Broadcasting in Vehicular ad Hoc Networks[J]. IEEE Internet of Things Journal, 2018, 5(2): 1 218-1 227 doi:  10.1109/JIOT.2018.2791627
    [9] He D, Ma M, Zhang Y, et al. A Strong User Authentication Scheme with Smart Cards for Wireless Communications[J]. Computer Communications, 2010, 34(3): 367-374 http://dl.acm.org/citation.cfm?id=1931206
    [10] Harle R. A Survey of Indoor Inertial Positioning Systems for Pedestrians[J]. IEEE Communications Surveys and Tutorials, 2013, 15(3): 1 281-1 293 doi:  10.1109/SURV.2012.121912.00075
    [11] Lee S, Ha K N, Lee K C. A Pyroelectric Infrared Sensor-Based Indoor Location-Aware System for the Smart Home[J]. IEEE Transactions on Consumer Electronics, 2006, 52(4): 1 311-1 317 doi:  10.1109/TCE.2006.273150
    [12] Feldmann S, Kyamakya K, Zapater A, et al. An Indoor Bluetooth-Based Positioning System: Concept, Implementation and Experimental Evaluation[C]. International Conference on Wireless Networks, Las Vegas, Nevada, USA, 2003
    [13] Lim C H, Wan Y, Ng B P, et al. A Real-Time Indoor WiFi Localization System Utilizing Smart Antennas[J]. IEEE Transactions on Consumer Electronics, 2007, 53(2): 618-622 doi:  10.1109/TCE.2007.381737
    [14] Huang C H, Lee L, Ho C C, et al. Real-Time RFID Indoor Positioning System Based on Kalman-Filter Drift Removal and Heron-Bilateration Location Estimation[J]. IEEE Transactions on Instrumentation and Measurement, 2014, 64(3): 728-739 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=f61fe1006178a023b93e3ae5244344f6
    [15] Brunato M, Battiti R. Statistical Learning Theory for Location Fingerprinting in Wireless LANs[J]. Computer Networks, 2004, 47(6): 825-845 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=82688bebe0b2de843b6868f5ee01dfff
    [16] Wu C S, Yang Z, Liu Y H, et al. WILL: Wireless Indoor Localization Without Site Survey[J]. IEEE Transactions on Parallel and Distributed Systems, 2012, 24(4): 839-848 http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.640.8245
    [17] Lee J, Ryu J, Lee S. Improved Modeling of IEEE 802.11a PHY Through Fine-Grained Measurements[J]. Computer Networks, 2009, 54(4): 641-657 http://core.ac.uk/display/21415726
    [18] Stoyanova T, Kerasiotis F, Prayati A, et al. A Practical RF Propagation Model for Wireless Network Sensors[C].The Third International Conference on Sensor Technologies and Applications, Glyfada, Greece, 2009
    [19] Yang M. Hybrid Ray-Tracing Model for Radio Wave Propagation Through Periodic Building Structures[J]. Microwaves Antennas and Propagation IET, 2011, 5(3): 340-348 doi:  10.1049/iet-map.2010.0153
    [20] Madigan D, Einahrawy E, Martin R P, et al. Bayesian Indoor Positioning Systems[C]. The 24th Annual Joint Conference of the IEEE Computer and Communications Societies, Miami, FL, USA, 2005
    [21] Morelli C, Nicoli M, Rampa V, et al. Hidden Markov Models for Radio Localization in Mixed LOS/NLOS Conditions[J]. IEEE Transactions on Signal Processing, 2007, 55(4): 1 525-1 542 https://www.researchgate.net/profile/Umberto_Spagnolini/publication/3320104_Hidden_Markov_models_for_radio_localization_in_mixed_LOSNLOS_conditions/links/00b4952f4c5df978ab000000.pdf?inViewer=true&pdfJsDownload=true&disableCoverPage=true&origin=publication_detail
    [22] 陈伟.基于GPS和自包含传感器的行人室内外无缝定位算法研究[D].合肥: 中国科学技术大学, 2010

    Chen Wei. Research on GPS/Self-Contained Sensors Based Seamless Outdoor/Indoor Pedestrian Positioning Algorithm[D].Hefei: University of Science and Technology of China, 2010
    [23] Yu L, Liu Y, Chi T, et al. An iBeacon-Based Indoor and Outdoor Positioning System for the Fire Emergency Command[C]. Forum on Cooperative Positioning and Service, Harbin, China, 2017
    [24] Wan J, Xu C, Zhang X, et al. Toward Emergency Rescue: A Template-Matching-Based Orientation Algorithm Using Human Occlusion Error Model [J]. Physical Communication, 2020, 38: 100-110 http://www.sciencedirect.com/science/article/pii/S1874490720301890
    [25] Chen G, Li S. Research on Location Fusion of Spatial Geological Disaster Based on Fuzzy SVM[J]. Computer Communications, 2020, 153: 538-544 doi:  10.1016/j.comcom.2020.02.033
    [26] Adege A B, Lin H P, Tarekegn G B, et al. An Indoor and Outdoor Positioning Using a Hybrid of Support Vector Machine and Deep Neural Network Algorithms[J]. Journal of Sensors, 2018, 58(4):128-136 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=8ddff45b76a6f903123e6bccad3e604f
    [27] Mendelson E. System and Method Utilizing Integral Wireless Protocols of a Mobile Phone as an Emergency Beacon to Aid First Responders in Locating People: U.S. Patent 9 374 673[P]. 2016-06-21
    [28] Zhang L L, Liu X, Li Y P, et al. Emergency Medical Rescue Efforts After a Major Earthquake: Lessons from the 2008 Wenchuan Earthquake[J]. The Lancet, 2012, 379(9 818): 853-861 doi:  10.1016/S0140-6736(11)61876-X
    [29] Hristidis V, Chen S C, Li Tao. Survey of Data Management and Analysis in Disaster Situations[J]. The Journal of Systems and Software, 2010, 83(10): 1 701-1 714 doi:  10.1016/j.jss.2010.04.065
    [30] Goswami S, Chakraborty S, Ghosh S, et al. A Review on Application of Data Mining Techniques to Combat Natural Disasters [J]. Ain Shams Engineering Journal, 2018, 9(3): 365-378 doi:  10.1016/j.asej.2016.01.012
    [31] 王恩雁.基于本体的多源异构应急信息融合方法研究[D].哈尔滨: 哈尔滨工业大学, 2014

    Wang Enya. Multisource Heterogeneity Information Fusion Methods Based on Ontology Model[D]. Harbin: Harbin Institute of Technology, 2014
    [32] Lenjani A, Dyke S J, Bilionis I, et al. Towards Fully Automated Post-Event Data Collection and Analysis: Preevent and Post-Event Information Fusion[J].Engineering Structures, 2020, 120(4): 120-129 http://www.researchgate.net/publication/339244785_Towards_fully_automated_post-event_data_collection_and_analysis_Pre-event_and_post-event_information_fusion
    [33] Lee J. A Spatial Access-Oriented Implementation of a 3D GIS Topological Data Model for Urban Entities[J]. Kluwer Academic Publishers, 2004, 8(3): 237-264 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=b05f16fac67243cd9f1daf603909d308
    [34] Gamberini L, Cottone P, Spagnolli A. Responding to a Fire Emergency in a Virtual Environment: Different Patterns of Action for Different Situations[J]. Ergonomics, 2003, 46(8): 842-858 doi:  10.1080/0014013031000111266
    [35] Yuan W, Schneider M. iNav: An Indoor Navigation Model Supporting Length-Dependent Optimal Routing[M]//Schneider M. Geospatial Thinking. Berlin, Heidelberg: Springer, 2010
    [36] Li Lei, Zhang M J, Xu F J. ERT-VR: An Immersive Virtual Reality System for Emergency Rescue Training[J].Virtual Reality, 2005, 8(3): 194-197 doi:  10.1007/s10055-004-0149-6
    [37] Kubíček P, Ludík T, Mulíčková E, et al. Process Support and Adaptive Geovisualisation in Emergency Management[M]// Ludík T. Geographic Information and Cartography for Risk and Crisis Management. Berlin, Heidelberg: Springer, 2010
    [38] 朱强, 陈秀万, 彭俊.基于网格的洪水损失计算模型[J].武汉大学学报(工学版), 2007, 40(6): 42-46 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=whsldldxxb200706009

    Zhu Qiang, Chen Xiuwan, Peng Jun. A Mathematical Model for Flood Loss Estimation Based on Grid[J]. Wuhan University Journal (Engineering Edition), 2007, 40(6): 42-46 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=whsldldxxb200706009
    [39] Mcdougall S, Hungr O.A Model for the Analysis of Rapid Landslide Motion Across Three-Dimensional Terrain[J]. Canadian Geotechnical Journal, 2004, 41 (6): 1 084-1 097 doi:  10.1139/t04-052
    [40] Das S, Aki K. Fault Plane with Barriers: A Versatile Earthquake Model[J]. Journal of Geophysical Research, 1977, 82(36): 5 658-5 670 doi:  10.1029/JB082i036p05658
    [41] Conte J, Peng B. Fully Nonstationary Analytical Earthquake Ground-Motion Model[J]. Journal of Engineering Mechanics, 1997, 123(1): 15-24 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=03f7dbb36b2165c32e79679f6fe63033
    [42] Liu H X, Ban J X, Ma W, et al. Model Reference Adaptive Control Framework for Real-Time Traffic Management Under Emergency Evacuation[J]. Journal of Urban Planning and Development, 2007, 133(1): 43-50 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=410f5fcb6f4afb28bd1ab5d2320dba2a
    [43] Kwon E, Pitt S. Evaluation of Emergency Evacuation Strategies for Downtown Event Traffic Using a Dynamic Network Model[J]. Transportation Research Record, 2005, 1 922(1): 149-155 doi:  10.1177/0361198105192200119
    [44] Drossel B, Schwabl F.Self-organized Critical Forest- Fire Model[J]. Physical Review Letters, 1992, 69(11): 1 629-1 636 doi:  10.1103/PhysRevLett.69.1629
    [45] Asghar S, Alahakoon D, Churilov L. A Dynamic Integrated Model for Disaster Management Decision Support Systems[J]. International Journal of Simulation Systems Science and Technology, 2005, 6(10/11): 95-114 https://scholars.latrobe.edu.au/display/publication101087
    [46] Othman S H, Beydoun G. Model-Driven Disaster Management[J]. Information and Management, 2013, 50(5): 218-228 doi:  10.1016/j.im.2013.04.002
    [47] Zhu X, Li X, Wang S, et al. Scenarios Conversion Deduction Method of Natural Disaster Based on Dynamic Bayesian Networks[J].DEStech Transactions on Computer Science and Engineering, 2017, 50(5): 68-78 http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=IPFD&filename=LRCM201710001045
    [48] Shan S, Zhao F, Wei Y, et al. Disaster Management 2.0: A Real-Time Disaster Damage Assessment Model Based on Mobile Social Media Data:A Case Study of Weibo(Chinese Twitter)[J].Safety Science, 2019, 115(2): 393-413 https://www.sciencedirect.com/science/article/pii/S0925753518302790
    [49] Suna D, Zhao S, Zhang Z, et al. A Match Method Based on Latent Semantic Analysis for Earthquake Hazard Emergency Plan[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2017, 42(2): 68-78 https://www.int-arch-photogramm-remote-sens-spatial-inf-sci.net/XLII-2-W7/137/2017/isprs-archives-XLII-2-W7-137-2017.pdf
    [50] Yi W, Özdamar L. A Dynamic Logistics Coordination Model for Evacuation and Support in Disaster Response Activities[J]. European Journal of Operational Research, 2007, 179(3): 1 177-1 193 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=c828cd4e113998958800665480b23679
    [51] Zhou H, Wong M O, Ying H, et al. A Framework of a Multi-user Voice-Driven BIM-Based Navigation System for Fire Emergency Response[C].The 26th International Workshop on Intelligent Computing in Engineering, Leuven, Belgium, 2019
    [52] 刘纪平, 张用川, 徐胜华, 等.一体化综合减灾智能服务顶层设计研究[J].武汉大学学报·信息科学版, 2018, 43(12): 497-505 doi:  10.13203/j.whugis20180309

    Liu Jiping, Zhang Yongchuan, Xu Shenghua, et al. Top-Level Design Study for the Integrated Disaster Reduction Intelligent Service[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 497-505 doi:  10.13203/j.whugis20180309
    [53] 徐胜华, 刘纪平, 刘猛猛, 等.一体化综合减灾智能服务系统研究[J].测绘科学, 2019, 44(6):273-278 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chkx201906040

    Xu Shenghua, Liu Jiping, Liu Mengmeng, et al. Research on the Integrated Comprehensive Disaster Reduction Intelligent Service System[J]. Geomatics and Information Science of Wuhan University, 2019, 44(6): 273-278 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=chkx201906040
  • 加载中
图(5)
计量
  • 文章访问数:  300
  • HTML全文浏览量:  155
  • PDF下载量:  119
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-03-12
  • 刊出日期:  2020-08-05

大数据时代下的一体化综合减灾技术综述

doi: 10.13203/j.whugis20200108
    基金项目:

    国家重点研发计划 2016YFC0803101

    国家重点研发计划 2016YFC0803108

    中国测绘科学研究院科研业务费 7771701

    作者简介:

    刘纪平,博士,研究员,博士生导师,主要研究方向为政务地理空间大数据、政务地理信息系统服务、应急地理信息服务。liujip@casm.ac.cn

    通讯作者: 刘猛猛,博士生。liuflame123@gmail.com
  • 中图分类号: P208

摘要: 近年来,大数据和减灾技术的发展为灾害管理和应急响应提供了新的可能性。大数据以其可视化、分析和预测灾难的能力,正在深刻地改变着应急救援和灾害管理。灾害大数据与测绘地理信息技术的结合成为提升防灾减灾救灾能力的重要手段。在大数据背景下对一体化综合减灾技术进行了分析与总结:阐述了一体化综合减灾技术的特征,回顾了一体化综合减灾技术的进展,包括灾害信息的获取与管理、应急信息的融合和分析、灾害模型的构建与仿真、应急综合决策与服务等;介绍了一体化综合减灾智能服务系统平台及其应用情况,并对一体化综合减灾技术与服务进行了总结与展望。

English Abstract

刘纪平, 刘猛猛, 徐胜华, 杜清运, 朱军, 朱秀丽. 大数据时代下的一体化综合减灾技术综述[J]. 武汉大学学报 ● 信息科学版, 2020, 45(8): 1107-1116. doi: 10.13203/j.whugis20200108
引用本文: 刘纪平, 刘猛猛, 徐胜华, 杜清运, 朱军, 朱秀丽. 大数据时代下的一体化综合减灾技术综述[J]. 武汉大学学报 ● 信息科学版, 2020, 45(8): 1107-1116. doi: 10.13203/j.whugis20200108
LIU Jiping, LIU Mengmeng, XU Shenghua, DU Qingyun, ZHU Jun, ZHU Xiuli. A Survey on Integrated and Comprehensive Disaster Reduction Technology in the Era of Big Dat[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1107-1116. doi: 10.13203/j.whugis20200108
Citation: LIU Jiping, LIU Mengmeng, XU Shenghua, DU Qingyun, ZHU Jun, ZHU Xiuli. A Survey on Integrated and Comprehensive Disaster Reduction Technology in the Era of Big Dat[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1107-1116. doi: 10.13203/j.whugis20200108
  • 中国是世界上自然灾害最严重的国家之一,自然灾害种类多,发生频率高,常常造成巨大的经济损失和人员伤亡,根据2017年的统计资料,中国仅因地震导致的年均死亡人数达3 573.5人,年均经济损失295.87亿元。因此,快速高效地掌握灾情,科学有效地实施防灾减灾,对保障人民生命财产安全具有重大意义[1]。2018年新成立的国家应急管理部强调,要加大防灾减灾救灾科技支撑能力建设,推进“互联网+”、大数据、物联网、云计算、地理信息、移动通信等新理念、新技术、新方法的应用,提高灾害模拟仿真、分析预测、信息获取、应急通信与保障能力[2],及时主动地为政府应对突发自然灾害提供科学、合理、有序、高效的测绘保障服务,以满足科学处置各种自然灾害对地理空间信息的需求,将提升减灾服务能力建设作为当前地理信息服务研究与应用的重要方向之一。

    大数据的发展为灾难管理和应急响应提供了新的可能。地理信息大数据为应急快速响应提供基础支撑,定位导航大数据为应急救援提供保障,互联网舆情大数据在灾情评估方面也发挥着重要作用[3]。文献[4]发现,通过大数据分析挖掘可以帮助应急救援获得更有价值的信息,从而对应急响应产生积极的影响,因为大数据能够丰富态势感知,为合理决策提供重要依据,例如物资调度、资源分配、舆情控制等。另外,文献[5]也关注大数据对应急响应的贡献,研究表明大数据对灾前监测与预警产生了积极影响。文献[6]发现近几年对灾害大数据技术研究的关注明显增加,大数据的成功已经促使从业者和学者们认识到大数据在应急管理中具有重要作用。

    本文在大数据背景下对一体化综合减灾技术进行了分析与总结。首先,介绍一体化综合减灾技术的特征;接着,回顾一体化综合减灾技术的进展,包括灾害信息的获取与管理、应急信息的融合和分析、灾害模型的构建与仿真、应急综合决策与服务等技术;然后,介绍一体化综合减灾智能服务系统平台的研究进展;最后,对一体化综合减灾技术与服务进行总结与展望。

    • 综合减灾智能服务以测绘地理信息、公共安全、人工智能、大数据、云计算、物联网、网络通信技术等为支撑,如图 1所示。信息是灾害管理、应急救援、减灾服务的基础。当突发事件发生时,灾害信息的获取、分析、整合、传递、沟通和交流等将直接影响应急决策的实施效果。因此,在面对复杂突发灾害时,需要综合运用空间定位、灾害数据融合、灾害场景可视化、快速制图、智能决策、物联网等技术。传统的防灾减灾手段较为单一,不能充分融合相关技术进行一体化指导救灾,而综合减灾智能服务将测绘地理信息关键技术、物联网、互联网系统完全连接和融合,提供智慧的基础设施,实现全面感知、技术融合、泛在互联、智能救灾。因此,一体化综合减灾智能服务技术的特征主要体现在以下6个方面:

      图  1  综合减灾技术特征

      Figure 1.  Features of Comprehensive Disaster Reducing Technologies

      1)全面透彻的感知。通过传感技术,实现对灾害管理各方面的监测和全面感知。智慧应急利用各类随时随地的感知设备和智能化系统,智能识别、立体感知灾害环境、状态、位置等信息的全方位变化,监测、监控潜在的危险源,对感知数据进行融合、分析和处理,并能与应急业务流程智能化集成,继而主动作出响应,促进应急保障各个关键系统和谐安全高效地运行。

      2)宽带泛在的互联。在综合智能减灾中,各类宽带有线、无线网络技术的发展为灾害现场中物与物、人与物、人与人的全面互联、互通、互动,为城市各类随时、随地、随需、随意应用提供了基础条件。宽带泛在网络作为当前信息社会的“神经网络”,极大地增强了智慧应急作为自适应系统的信息获取、实时反馈、随时随地智能服务的能力。

      3)精准快速的融合。灾害从发生到结束是一个动态的过程,致灾因子复杂,承载体和孕灾环境复杂多变,其间会产生大量多源异构数据。精准快速地匹配、融合、处理灾前基础数据、灾情现场数据、受灾数据等灾害大数据是综合减灾服务的重要前提。精准快速的融合技术,保障应急场景下数据快速分类、调取以及可视化,确保应急决策的快速制定。

      4)无处不在的定位。复杂灾害环境下,如何对救援人员和被救人员进行实时准确的定位将直接影响救援的效率。基于全球卫星导航系统(global navigation satellite system, GNSS)、蓝牙、超宽带(ultra wide band, UWB)、WiFi等定位终端可以实现高精度室内外无缝定位,获取实时精准的位置信息,利用多定位系统协同平台,将各种定位系统数据采集终端采集的信息进行收集、传输和处理,为应急决策和指挥系统提供实时、有效的位置服务信息。

      5)高效智慧的处理。综合减灾智能服务系统是一个复杂的集成系统,新一代全面感知技术的应用带来了海量的灾害数据。基于云计算,应用智能融合技术实现对海量数据的存储、计算与分析,并引入综合集成法,通过人的“智慧”参与,大大提升决策支持的能力。基于云计算平台的智慧工程将构成智慧应急的“大脑”。技术的融合与发展还将进一步推动“云”与“端”的结合,推动从个人通信、个人计算到个人制造的发展,推动实现智能融合、随时、随地、随需、随意的应用,进一步彰显个人的参与和用户的力量。

      6)智能协同的服务。综合减灾智能服务是一个综合性的系统工程,在面对复杂灾害时,不同部门和系统之间能够实现信息共享和协同作业,更加智能地进行灾害的感知、分析和处置,充分利用资源作出最好的应急处置和管理决策,及时预测和应对突发事件和灾害。

    • 大数据在灾害管理与应急响应中一直发挥着重要作用。按照灾情信息在应急响应过程中的作用,综合减灾技术包括室内外高精度一体化定位、多源数据快速融合处理、场景融合与增强可视化、典型灾害模型构建与管理以及综合减灾智能服务等。综合减灾技术之间是相互关联的,灾害数据在应急系统处理流程中遵循一定逻辑,图 2为应急数据在减灾技术中的处理流程。通过高精度定位、融合与分析、知识化服务的全流程综合减灾智能服务软硬件系统研发,实现应急救援指挥、灾害现场三维场景、应急人员装备位置信息实时获取等功能,形成室内外一体化定位技术体系,建立室内外多尺度地理空间信息融合与可视化技术体系,整体流程设计如图 2所示。

      图  2  综合减灾技术流程

      Figure 2.  Comprehensive Disaster Reduction Technology Process

    • 人员位置信息在应急救援中发挥着重要作用。因此,地点是应急响应和灾害监测的最关键内容之一[7]。例如,车辆监控[8]和室内安保[9]要求实时位置感知。由于GPS不工作、信号传播不规则、环境动态等特点,室内定位仍然是一个巨大的挑战[10]。在过去的几十年里,大量的研究工作致力于解决这一问题。这些室内定位技术的信息源是多样化的,主要与硬件设备有关,如红外[11]、超声、蓝牙(Bluetooth)[12]、射频识别(radio-frequency identification, RFID)[13-14]和无线局域网(wireless local area network, WLAN)[15]等,图 3为室内外定位方法分类。其中,室内定位的三角测量主要包括室内GPS定位(Indoor-GPSTM)、Bluetooth和WLAN;单元分配主要有主动分配(Active Badge)、Bluetooth、全球移动通信系统(global system for mobile communications, GSM)、RFID、光斑定位器(SpotOn)、可视化标签(Visual Tags)、基于局域网的室内无线定位系统(wireless lan-based indoor positioning system,WIPS)、WLAN等。而室外定位三角测量方法主要包括GNSS、GNSS+星基增强系统(satellite-based augmentation system, SBAS)、辅助全球卫星定位系统(assisted global positioning system,AGPS)、差分全球定位系统(difference global positioning system, DGPS)、GSM、罗兰-C定位系统(long range navigation-C, LORAN-C)、西北欧罗兰-C服务网(northwest European LORAN-C system, NELS)、无线电探测和测距(radio detection and ranging, RADAR)、WLAN等;单元分配主要包括Bluetooth、GSM和WLAN等。

      图  3  定位方法

      Figure 3.  Positioning Methods

      关于室内定位的研究,根据其定位方法大致可以分为基于模型的定位和基于指纹的定位两类[16]。基于模型的方法是使用复杂的几何模型来估计目标设备的物理位置,而基于指纹的解决方案是利用数据挖掘技术来从历史数据中恢复位置。众所周知的对数距离路径损耗模型(log-distance path loss model, LDPL)可以使用接受信号强度(received signal strength, RSS)值来估计传播距离[17]。然而,LDPL只适用于自由空间传播。为了实际应用,需要对现实环境进行修改。例如,文献[18]提出了一个模型,该模型考虑了自由空间路径损失、地面反射路径损失、RSS不确定性和天线模式不规则性,特别针对无线传感器网络。文献[13]设计了一个复杂的WLAN模型,考虑了诸如无线电频率(radio frequency, RF)、多径衰落、温度和湿度变化、门的开启和关闭、家具的重新摆放以及人的移动等因素。最近的趋势是构建更复杂的模型来更好地表征物理环境,例如射线跟踪模型[19]、贝叶斯层次模型[20]和隐马尔可夫模型[21]

      文献[22]基于一套低成本多传感器定位平台(multi-sensor positioning, MSP),研究在GPS接收机无法提供准确连续定位信息的情况下通过自包含传感器测量行人的速度和航向,并设计组合滤波器融合GPS和自包含传感器的定位结果,实现行人室内外无缝定位。文献[23]针对高层火灾应急指挥室内定位问题,提出了一种改进的基于ibeacon的室内定位方法。文献[24]提出了一种基于模板匹配的旋转定位器定位方法,通过搜索者与被捕获者之间的相对位置关系帮助搜索者有效地确定相对于被困者的方向。针对信息空间位置数据的不同属性和维数,文献[25]提出了一种基于支持向量机的模糊融合方法来描述支持向量机的相关理论和模型;文献[26]提出了一种基于支持向量机和深度神经网络的混合算法,在基于WiFi的室内和室外环境中进行可扩展和精确定位;文献[27]提出了一种利用移动电话的整体无线协议作为紧急信标来帮助急救人员定位人员的方法。

    • 灾害大数据指的是可以在应急管理与响应中使用的各种来源的数据,包括高精度导航定位数据、GIS大数据、社交媒体大数据、地理国情大数据、互联网大数据以及相关部门数据等。

      以往的研究广泛讨论了在灾害管理和准备场景中使用及时、准确和有效的灾害信息[28]。最快速的数据资源来自网页的新闻/文章、博客、推特(Twitter)、脸谱(Facebook)等社交网络平台。文献[6]将大数据分析应用于灾害环境中,对应急通信网络进行了系统研究,大数据分析提供了所有可能的解决方案来理解任何与灾害相关的问题,而分析的结果可以帮助优化有限的资源配置。此外,文献[29]对利用和推进管理和数据分析服务于灾害管理的情况进行了全面调查。现有的文献表明,需要收集、管理、查找和呈现灾害管理阶段准备、响应、恢复和缓解的应急信息。文献[30]回顾了数据挖掘和分析技术在预测、检测和开发基于灾难生成数据的适当灾害管理策略方面的应用。

      文献[31]选择证据组合理论和本体建模理论作为研究的理论基础,并将研究的重点定在灾情态势评估阶段以及多主体应对任务两个规划阶段的多源异构信息融合方法。根据灾情态势推演所依赖数据的多源性、异构性、不完整等特征,确定信息融合的目标是利用多源信息互补特性,将不精确、不完整、不一致的灾害信息转化成对评估目标的一致性解释和描述,进而获得更加准确可靠的灾情态势信息。文献[32]结合卷积神经网络实现了建筑物信息的自动提取,为灾后侦察队迅速收集可靠和足够全面的数据,以规划详细调查。

    • 利用获取的灾区激光点云数据、影像数据等对灾害现场室内外一体化三维场景快速重建、实时观测数据及模拟分析信息集成表达、移动增强可视化、灾情专题图快速制作,实现灾害现场场景的快速建模及灾情应急处置全过程模拟与动态表达,是进行灾情分析、灾害评估、应急救援的重要支撑技术。

      文献[33]提出对偶图理论方法,将室内空间根据空间三维关系抽象为节点与边构建的“房间-房间”模型,构建室内三维拓扑结构,并将其应用于室内道路网络建模。文献[34]提出以门为抽象节点、边表示门与门之间连通性的“门-门”模型,其规划的行走路径更加贴近人员行走方式。虚拟GIS、网络GIS、网络化虚拟现实的全面集成,为灾情分析、应急培训、空间决策提供了诸多优势。已有文献对虚拟现实在火灾疏散研究中的应用进行了SWOT(strength, weakness, opportunity and threat)分析。文献[35]利用虚拟环境对火灾应急响应进行了测量。当火灾突发事件发生时,对参与者的行为及其模式进行了定量和定性分析,发现虚拟环境足够适合模拟紧急情况和有效地培训参与者。文献[36]开发了一种沉浸式的应急救援训练虚拟现实系统,将其训练系统简称为ERT-VR(emergency rescue training virtual reality)。在应急管理中定义、形式化和可视化地理数据内容,并将其与流程建模和流程分析相结合[37]。对于灾害应急场景下的明确需求,制图工作中应采用与其相适应的技术来实现,如根据用户需要,自适应选择和完成集成方法、处理方式、流程控制和图形表达。

    • 依据灾害链原理,灾害的发生往往不是孤立的,次生、衍生灾害可以由一些原生灾害引发,因此构建模型群来综合分析各类灾害具有重要意义,通过构建地震、地质灾害、洪水等典型灾害,研发不同灾害场景下的专业化模型,构建典型灾害分布式、异构模型库,实现模型按需调用与动态聚合。

      文献[38]提出了一种分布式水文模型和分布式洪水损失估计模型组合的流域洪水灾害模型。文献[39]采用一种基于光滑粒子流体动力学的数值方法,提出了一种用于快速流滑、泥石流和雪崩动态分析的新的数值模型。文献[40]提出了一种通用的地震模型,分析主震的震源谱来预测余震发生的可能性。文献[41]提出并验证了一种通用、非平稳的随机地震动模型,该模型考虑了真实地震中地震动强度和频率含量的时间变化。文献[42]提出了一种模型参考自适应控制框架,用于紧急疏散条件下的实时交通管理。文献[43]研究了动态交通分配模型的可行性,以评估在假想的紧急情况下疏散明尼苏达州明尼阿波利斯市中心交通的替代策略的有效性。文献[44]提出了森林簇生长和烧毁时间尺度相分离的情况下森林火灾扩散模型。文献[45]将各模型集成到一个逻辑复合模型中,构建灾难管理的模块化决策支持系统框架。文献[46]通过收集所有域概念并将域问题划分为子域问题,提出了一个灾难管理元模型。

    • 中国一直重视应急减灾技术与服务研究,中国应急平台的研究最早于2004年在清华大学等单位开展;2006年底,国务院应急管理办公室组织启动了“国家应急平台体系建设项目”和科技部“十一五”科技支撑计划“国家应急平台体系关键技术研发与应用示范”。2018年由清华大学承担的国家重点研发计划“公共安全风险防控与应急技术装备”重点专项“国家公共安全应急平台”项目启动立项,研究新一代国家公共安全应急平台技术架构和方案。

      文献[47]在情景分析的基础上,从不同的角度对自然灾害情景类型和概念进行了界定,并应用动态贝叶斯网络描述了自然灾害链情景发展的机械化过程。文献[48]研究了天津港爆炸和台风“尼伯特”期间和之后发送的社交媒体信息,实时监测分析了灾情损失和情绪变化。文献[49]提出了一种基于潜在语义分析的匹配方法。文献[50]提出了一种综合的位置-分布模型,用于协调救灾活动中的后勤保障和疏散行动。紧急情况下的后勤规划包括向受影响地区的分配中心运送物品(例如医疗物资和人员、专门的救援设备和救援队、食物等),并将受伤人员转移到紧急单位。文献[51]提出了一个基于多用户语音驱动的建筑信息模型的火灾应急导航系统框架。

    • 对于综合减灾技术,笔者在《武汉大学学报·信息科学版》发表了《一体化综合减灾智能服务顶层设计研究》,提出了一体化综合减灾智能服务的智能、综合、一体、精准、快速、高新等方面的技术内容[52],构建了一体化综合减灾智能服务系统平台和智能应用(application, APP)[53],集成了室内外应急定位、快速应急定位组网、大规模复杂灾害场景融合与增强可视化、应急自适应快速制图技术、应急主动推送、智能语音导航等关键技术。图 4(a)所示为室内定位轨迹,图 4(b)为室内三维场景可视化,图 4(c)为主动推送系统界面,图 4(d)为自适应制图界面。一体化综合减灾智能服务APP实现了在线信息上报、应急数据管理、应急导航定位、应急主动推送等功能,如图 5所示。

      图  4  一体化综合减灾智能服务系统平台

      Figure 4.  Platform of Integrated Comprehensive Disaster Reduction Intelligent Service System

      图  5  一体化综合减灾智能服务APP

      Figure 5.  APP of Integrated Comprehensive Disaster Reduction Intelligent Service

    • 大数据技术为人们分析问题和解决问题提供了新的思路和方法,大数据技术为综合减灾服务的共享、整合、分析、挖掘、决策提供了极为便利的途径,伴随着“互联网+”、物联网、云计算、人工智能、移动通信等新理念、新技术、新方法在综合减灾领域的深入应用,综合减灾数据的获取手段、传输效率、应用部署方式、服务模式、数据生产与处理方法、目标用户等随之发生了深刻的变化,导致灾害大数据呈现出获取众源化、数据存储模型多样化、分析服务综合化的特点,为综合减灾服务发展带来了新的机遇和挑战。

      1)细粒度灾害大数据多模态汇聚整合。目前灾害数据整合的粒度较粗,通常是以数据层的形式实现。随着灾害大数据来源多样化以及更新频率的不断提高,灾害大数据整合的粒度会不断细化,将不再仅限于某些数据层,而是细化到实体与顶点。同时,由于综合减灾数据涉及应急、民政、自然资源、教育、公安、住建、交通等部门数据,针对来自这些部门的实时消息类数据、各类结构化报表数据和属性类数据、非结构化文本图片、各类视频语音流式数据等数据类型,需要构建统一的综合减灾大数据汇聚共享平台,根据数据业务类型和内容的差异及实时性要求,建立标准化的数据模型,研究多源异构大数据在高并发情况下的多模式交换、共享、互操作等技术和方法,实现实时化精细粒度的逻辑层数据整合。

      2)分布式灾害大数据超融合存储管理。灾害大数据的爆炸式增长、数据来源的极其丰富和数据类型的多种多样,使数据存储量更庞大,对数据展现的要求更高。而目前中国传统的数据库还难以存储如此巨大的数据量,亟需研究基于机器学习和人工智能的高效存储和索引技术,使数据管理过程能够自我配置和自我调整,实现对“数据化”和“高效查询”的支持;研究灾害大数据超融合存储技术,将灾害大数据原先的集中共享式存储转向软件定义分布式存储,实现灾害大数据存储、计算和网络的深度融合;构建多数据中心数据一体化存储模型,解决海量空间数据、非空间数据的一体化混合存储、实时管理以及快速增长的增量数据的扩展问题。

      3)多维度灾害大数据智能化分析挖掘。大数据技术的日趋成熟,为多维度、多层次、多群体、多因素的巨型灾害大数据分析挖掘提供了可能。由于大数据技术的分析、预判功能,可以运用大数据、云计算等现代技术平台, 研究基于广义知识耦合的应急决策方法、顾及时空特征的分布式灾害舆情信息获取与分析方法、动态空天地观测数据驱动的典型灾害精准模拟分析方法、基于时空同步监视的典型灾害预测预警分析方法,构建典型灾害情景导向式应急决策分析模型、多因素时空耦合的广义灾害链预测分析模型,对灾害大数据加以提炼和分析,进而为灾害模型构建、预警分析、灾后评估、应急救援等提供决策支持。

      4)网格化灾害大数据精细化应急管理。自然灾害具有广泛性、区域性、不确定性和频繁性,而减灾管理体量不断增大且管理对象关联繁多,引用网格化灾害大数据分析技术提升精细化管理水平可以使综合减灾管理单元协同、精确、及时地交换信息。研究自适应非结构化网格生成及优化技术、多尺度多层次网格动态划分和编码方法、基于应急管理工作流的网格化精细管理技术,实现社区综合应急管理,通过“社区网格化、管理信息化、流程扇平化”构建灾害信息个性化服务管理平台,实现区域灾情全覆盖、应急事件快速响应、个性化服务全方位的目标。

      5)知识型灾害大数据主动式智慧服务。“互联网+”和“大数据×”利用信息通信技术以及互联网平台,必将重塑应急救援工作机理与生态,综合减灾服务必然由粗放式供给转向精准化供给,大数据驱动“互联网+政务服务”将使综合减灾服务更具智能化、便捷化、人本化与体验化,以满足用户个性化、定制化以及多样化的综合决策服务需求。在社会化感知条件下,灾害大数据以流式产生、管理和应用,基于灾害大数据开展基于决策知识驱动的灾情专题图应需高效制作方法、面向灾害时空过程三维动态可视化方法研究,构建基于微服务架构的综合减灾智慧服务平台,将促进综合减灾服务的业务向资源精准检索、专题快速构建、数据个性化服务、信息主动推送等智能化和主动化的模式发展。

    • 目前,灾情形势复杂多变,自然灾害的突发性、异常性和复杂性有所增加,综合减灾服务需要进一步扩展和深化,有待探索、研究的问题还很多,从技术研究到实际应用,中国与发达国家相比还有较大差距。当前,大数据、云计算等信息技术与地理信息服务的融合给综合减灾服务的发展带来了新的机遇和挑战。本文对近年来综合减灾服务方面的研究进行总结,阐述了综合减灾技术的特征,对大数据时代下的综合减灾技术与服务涉及的理论问题、关键技术、发展趋势等方面进行分析和展望,介绍了一体化综合减灾智能服务原型系统,并指出了灾情大数据多模态汇聚整合、超融合存储管理、智能化分析挖掘、主动式智慧服务等发展趋势,以推动综合减灾服务技术的开发应用,提升国家综合防灾减灾保障能力。

      致谢:感谢武汉大学任福教授,国家基础地理信息中心赵勇副主任,中国测绘科学研究院甄杰研究员、范荣双研究员、朱翊研究员、仇阿根副研究员、陶坤旺副研究员,北京建筑大学王坚教授,清华大学深圳研究生院王飞副教授等为本文提供宝贵资料。

参考文献 (53)

目录

    /

    返回文章
    返回