莫斯科国立测量与制图大学
基于地理传感器网络实时测量数据流的地理场恢复技术

项目涉及的领域: 机器人技术、生产技术与人工智能

TRL 5:该技术的可行性可通过接近真实条件下的详细模型进行验证
技术描述,项目的技术优势
优势:
在实际应用中,所提出技术的主要竞争对手是两大类方法:
1. 克里金插值及其变体。
2. 自然邻域插值法(Natural Neighbor Interpolation)
这些方法具有全局特性,即任何测量源位置的变化都需要重新计算整个地理场。
此外,为了支持考虑点之间空间关系的全局数据结构,其计算复杂度呈幂次依赖于输入数据的规模,同时也增加了并行计算的难度。
该技术的计算复杂度与输入数据量呈线性关系,使其能够在接近实时的模式下运行,支持数万至数十万活跃移动数据源的处理。
应用方法:
该技术可用于任何基于大量(从数千到数十万)原始测量数据恢复地理场的任务,也可以研究气象、水文学、生态学、物流等领域的空间分布现象。
特别值得关注的是,该技术在动态空间分布系统中的应用,如“智慧”城市、物流枢纽(海港和机场)、大型工业生产等。
在移动平台上(比如,公共交通工具和市政服务车辆)安装地理传感器(能够自定位的传感器)可以扩大测量网络覆盖范围(相较于固定测量点),提高时空测量密度,从而提供准确、及时的区域状况图像。
这可以支持科学管理决策,包括:
物流和生产过程的优化,对环境的影响的分析;
紧急状况的提前预警,快速响应;
大气和水体中有害排放源的定位,相应监控的促进。
描述该技术未来或有可能的应用情况
1. 地理场(地理关联的标量场)恢复(插值)问题,表现为基于规则网格的空间坐标测量集或测量流,是地理信息科学中的基础问题之一。
其解决方案是许多监测空间分布现象研究与开发的基础,其中包括:
- 气象学:温度、气压、风速
- 环境学:空气中有害气体和气溶胶浓度
- 物流学:客流密度
- 社会学:人口密度、平均年龄
所提出的技术能够覆盖大都市、大城市及城市群区域,空间分辨率达50-100米,基于数十万至数百万移动测量源的数据流,几乎实时更新(整个地理场每秒更新多次)。
该技术基于两阶段过程:
第一阶段:地理场初步(粗略)估计
第二阶段:估计结果细化
两阶段均基于机器学习原理:执行前需要基于实测和/或模型数据集进行预训练。
第一阶段是应用局部核平滑方法,其核函数通过全局随机优化方法在一组测量数据的基础上预先确定,从而构建出地球物理场的整体分布图。
第二阶段应用基于人工神经网络的模型,兼顾局部地形特征。

能力指标见表格:

指标


地理场初步估计

地理场精细估计

像素数

百万像素

1

1

能力

千次测量/秒

42.0

38.5

PSNR

db

23.75

28.21

SSIM


0.78

0.91

白柳舍娃·尤利娅·弗拉基米罗夫娜
邮箱:belysheva@miigaik.ru
手机号:+7 996 977 60 57