《International Journal of Digital Earth》:Optimal location method of emergency communication nodes based on digital terrain features
编辑推荐:
在自然灾害破坏受影响区域的通信网络后,建立应急通信网络对于有效救援行动至关重要。基于真实地形特征选择合适位置部署通信节点以确保区域连通性仍存在挑战。本文提出了一种基于高精度数字高程模型(DEM)数据的“地形特征提取+节点优化选址”模型。研究人员处理DEM数据以
在自然灾害破坏受影响区域的通信网络后,建立应急通信网络对于有效救援行动至关重要。基于真实地形特征选择合适位置部署通信节点以确保区域连通性仍存在挑战。本文提出了一种基于高精度数字高程模型(DEM)数据的“地形特征提取+节点优化选址”模型。研究人员处理DEM数据以突出地形特征,构建基础数据。然后使用Precision Contour-Mask RCNN算法(PC-Mask RCNN)提取山体轮廓,并采用地形特征节点方法构建一组地形特征点(例如山峰、山脊和轮廓)。通过结合强化学习和多目标优化算法的优势,提出PPO-NSGAⅡ协同优化算法,利用视距模拟信号优化高质量选址方案。实验结果表明,该模型和方法能够准确概括地形特征(mIoU > 0.9),并快速优化出高质量选址方案,其覆盖范围和可达性优于其他算法(有效覆盖 > 0.78,可达性 > 0.5)。当应用于真实场景时,该算法可为应急救援中的部署方案提供节点位置、覆盖状态、可达性和推荐路径。
**论文解读:基于数字地形特征的应急通信节点最优选址方法**
**研究背景与问题**
地质灾害(如滑坡、泥石流、地震)常导致山区通信设施损毁,使灾区陷入通信孤岛,严重阻碍救援协调。传统应急通信网络部署缺乏对真实地形特征的充分考虑,难以在复杂山区快速选址以同时保障区域覆盖性和可达性。现有地形特征提取方法(如邻域分析法、地表水流模拟法)存在阈值敏感、效率低或易受噪声干扰等问题;而节点优化算法(如遗传算法)多忽略地形约束,导致方案实用性不足。因此,研究人员提出一种“地形特征提取+节点优化选址”模型,旨在利用高精度数字高程模型(DEM)数据,通过深度学习提取山体轮廓、山脊、山峰等特征,并结合强化学习与多目标优化实现应急通信节点的高效选址。该研究发表于《International Journal of Digital Earth》。
**关键技术与方法**
研究人员采用以下关键技术:1)高精度DEM数据预处理:通过重复各向异性滤波(RAF)去除植被噪声,并融合自适应残余地形(Auto-RR, ARR)方法(基于OTSU阈值自适应调整窗口)突出山区地形特征,构建样本数据集(分辨率12.5 m、30 m、90 m,样本来自ASF DAAC平台ALOS PALSAR数据,覆盖四川青川县及周边山区)。2)PC-Mask RCNN算法:在Mask RCNN基础上,引入双向特征金字塔网络(BiFPN)融合高效通道注意力(ECA)增强小目标检测,并采用离散余弦变换(DCT)生成128×128高质量掩膜,实现山体轮廓精确提取(mIoU>90%)。3)地形特征节点化:利用体积遮蔽(VO)方法提取山脊线,通过灰度细化骨架化生成山脊节点;采用焦点统计分析提取山峰点,并对轮廓、山脊、山峰点集进行拓扑检查与矢量化,构建地形特征点集(包含山峰、山脊、轮廓点)。4)PPO-NSGAⅡ协同优化算法:结合近端策略优化(PPO)与带精英策略的非支配排序遗传算法(NSGAⅡ),以有效覆盖率和可达性为双目标,利用PPO的Actor-Critic架构动态引导NSGAⅡ的种群生成、交叉变异,并通过奖励机制(地形特征倾向奖励)实现多目标协同优化。
**研究结果**
**4.1 参数设置**
实验基于NVIDIA GeForce RTX4060Ti GPU,PyTorch 1.13.1框架,样本数据集包含1000张512×512图像,经水平垂直翻转扩充至3000张,训练集与验证集按8:2划分。骨干网络为ResNet50,初始学习率0.01,批量大小4,迭代200次,Adam优化器,二值交叉熵损失函数。对比算法包括Mask RCNN、YOLACT、MOEAD、NSGAⅡ、UNSGAⅢ等,评价指标包括精度(Ac)、精确率(Pr)、召回率(Re)、平均交并比(mIoU)、超体积(HV)、反转世代距离(IGD)等。
**4.2 地形特征提取结果**
PC-Mask RCNN在验证集上达到准确率88.53%、精确率90.21%、召回率87.82%、mIoU 90.14%。集成BiFPN/ECA模块后识别精度提升8.47%,DCT进一步使mIoU提升7.89%。提取结果中,小尺度山体存在漏检或误检,连续大型山体轮廓边界存在偏差,但整体满足山体轮廓提取需求。山脊线提取中,二值化阈值设为0.85时能有效过滤噪声并保留关键骨架;山峰点提取后通过拓扑检查去除与山脊节点重叠或过近的点,确保数据一致性。
**4.3 PPO-NSGAⅡ协同优化结果**
从研究区提取地形特征点集共5718个(山峰712个、山脊1505个、轮廓3501个),与传统特征点集(包含山谷点)对比。PPO-NSGAⅡ生成的Pareto前沿在有效覆盖率和可达性之间呈现强负相关(-0.8~-0.9),该算法在HV、IGD、ONVG指标上均优于MOEAD、NSGAⅡ、UNSGAⅢ,且收敛速度更快。优化方案中,各算法均倾向于选择较少山峰点,更多依赖山脊点和轮廓点。与传统特征点集相比,结合PPO-NSGAⅡ的地形特征点集在有效覆盖(>0.78)和可达性(>0.5)上表现更优,验证了高质量点集对优化效果的提升作用。
**讨论与结论**
讨论部分确认:高精度DEM数据(12.5 m分辨率)在保证特征提取精度的同时兼顾效率,RAF、ARR、VO等方法通过自适应窗口保持多特征空间一致性;以山体轮廓替代山谷线能显著提升覆盖质量(平均覆盖质量高0.03),且权衡系数Δ>1表明在极小可达性损失下获得更大视野覆盖。优化效率方面,高质量点集使算法加速42秒,而地形复杂度、节点数量、视距半径等影响迭代时间。优化效果受目标权重μ、节点数量、视距半径及指挥所位置影响,动态选择机制(μ=0.5时平衡最优)有效。当节点数增至10~11时综合最优,视距半径增大使覆盖饱和但冗余增加。实际救援中,该方法可提供节点位置、覆盖状态、可达路径,并支持设置障碍区,如2008年东河口滑坡案例中可避开滑坡区域。
结论部分翻译如下:
针对灾后现有通信网络中断的问题,本研究提出了一种快速建立应急通信网络以确保灾区连通性的选址方法。基于高精度数字高程模型(DEM)数据,提出了“地形特征提取+节点优化选址”模型。对DEM数据应用一系列地形增强处理,随后引入PC-Mask RCNN算法提取山体轮廓,并采用地形特征节点方法提取山峰和山脊点,构建地形特征点集。为优化选址,提出了整合强化学习与多目标优化的PPO-NSGAⅡ协同优化算法,同时优化有效覆盖率和可达性双目标。结果表明,地形特征提取方法准确表征真实地形,山体轮廓掩膜mIoU达到90.14%。PPO-NSGAⅡ算法产生多样化的优化解,相比其他方法获得更高质量的解集。通过分析与讨论,确认使用高精度DEM数据对精确地形特征提取至关重要;该方法通过以山体轮廓替代山谷线减少数据量,生成高质量地形特征点集。尽管优化算法复杂度增加,但高质量点集保证了高效率。在优化效果方面,目标权重、通信节点数量、视距半径和指挥所位置均影响选址结果,需根据具体场景调整。未来研究将聚焦简化地形特征提取流程以实现全自动化,并考虑时间因素,同时探索该方法在新场景中的应用。