地震灾害具有瞬时性、链式反应及空间广域性特征，导致灾区“信息孤岛”现象频发，严重掣肘应急救援决策。快速、精准地获取灾后地理信息是支撑高效响应的关键。传统对地观测手段在时效性与分辨率上难以满足震后“黄金72小时”内的精细化评估需求。无人机（UAV）低空遥感测绘技术凭借其高机动性、高时效性、低成本及高分辨率优势，已成为应急响应不可或缺的技术体系。然而，单一传感器的数据局限性、复杂灾害场景下的航线规划难题、以及“数据爆炸”带来的后处理压力，仍是当前无人机应急测绘面临的核心挑战。本文聚焦于此，提出了一种融合多源信息的应急地理信息快速采集与处理方法，以期望能够为地震应急指挥提供更可靠的地理空间数据支持。
Earthquake disasters exhibit characteristics of instantaneous occurrence， chain reactions， and wide spatial coverage， frequently resulting in “information silos” in the disaster area， which severely hinders emer‑gency response decision-making. Rapid and accurate acquisition of post-disaster geographic information is crucial for supporting efficient response efforts. Traditional earth observation methods are difficult to meet the demands for fine evaluation within the critical“golden 72 hours”after the earthquake in terms of timeliness and resolution. Un‑manned aerial vehicle（UAV）low-altitude remote sensing mapping technology has become an indispensable techni‑cal system for emergency response due to its advantages of high mobility，high timeliness，low cost and high reso‑lution. However，the data limitations from single sensor，the problem of route planning in complex disaster scenar‑ios， and the post-processing pressure caused by “data explosion” are still the core challenges faced by current UAV emergency mapping. This paper focused on this， and proposed a fast acquisition and processing method of emergency geographic information that integrates multi-source information，aiming to provide more reliable geospa‑tial data support for earthquake emergency command.
引言
地震是释放能量最集中、破坏性最严重的自然灾害之一。强烈地震可在瞬息之间摧毁城市建筑、割裂交通网络、诱发滑坡、堰塞湖等次生灾害，造成重大人员伤亡和财产损失。地震应急响应的核心在于“快”，而快速、准确、全面的灾区地理空间信息是实现科学决策、高效救援与合理资源调配的“眼睛”和“神经”[1-3] 。传统灾害信息获取主要依赖地面调查、航空摄影和高分辨率卫星遥感。地面调查在道路严重损毁时举步维艰；高分辨率卫星受重访周期、云层遮挡等因素限制，难以捕捉灾后瞬时状态；载人航空摄影则面临空域管制严、机场依赖性强、起降条件苛刻等问题，均难以完全满足震后“黄金72小时”内高时效、高精度的信息保障需求[4-5] 。近年来，以无人机（UAV）为代表的低空遥感测绘技术迅猛发展，为解决上述瓶颈提供了革命性途径。无人机系统具备的快速响应、灵活机动、云下飞行、厘米级分辨率成像能力，使其在灾害应急领域展现出巨大潜力[6] 。鉴于此，本文旨在构建一套面向地震灾害应急的、融合多源传感器与智能处理技术的无人机地理信息快速采集方法，以期望通过多技术融合创新，显著提升无人机在地震应急测绘中的信息保障效能，为实现空到地一体化的智能应急响应体系提供技术支撑。
1 地震灾害应急地理信息的需求与无人机测绘技术体系
1.1 地震灾害应急响应对地理信息的核心需求
1.1.1 时效性需求
时效性是地震应急地理信息的生命线，在“黄金72小时”救援期内，信息的价值随时间流逝而急剧衰减。应急响应的首要任务，如生命搜救、救援通道抢通、临时安置点选址等，均依赖于对灾区现状的近实时掌握[7] 。传统的测绘生产模式以“天”甚至“周”为周期，完全无法适应以“小时”甚至“分钟”为单位的应急决策需求。因此，应急地理信息必须突破“采集—传输—处理—分发”的传统链条，追求数据的“即获即用”。这就要求测绘技术必须具备极高的部署速度和数据处理效率，能够迅速进入灾区，并在最短时间内生成可供判读和分析的初步地理信息产品，如灾区概览图、道路损毁分布图等。
1.1.2 信息类型需求
地震灾害造成的破坏是多维度的，对应急地理信息的需求亦呈现多样化和多尺度特征。宏观层面，指挥中心需要快速获取灾害影响范围、房屋倒塌总体分布、主要交通干线的损毁概况，以及滑坡、堰塞湖、危化品泄漏点等重大次生灾害隐患的全局态势图。中观层面，针对重点区域，需要获取建筑物单体级别的精细化损毁评估信息、可通行道路网络拓扑、以及潜在的救援作业面[8] 。微观层面，在具体的搜救点，则急需厘米级的精细三维模型，用以分析倒塌堆积体的内部结构、搜寻可能的幸存者位置、评估二次坍塌风险，辅助救援队伍制定精细化的破拆和搜救方案。
1.1.3 数据精度需求
应急地理信息的精度需求遵循“适宜性”原则，即在满足时效性前提下，实现不同应用场景下的精度要求。绝对精度对于灾害范围评估、资源调配至关重要，通常要求达到亚米级，以确保信息能与灾前基础地理数据准确套合[9] 。相对精度在局部灾损评估中更为关键。如评估道路裂缝宽度、桥梁位移、堰塞湖水位变化时，需要达到分米级甚至厘米级的测量精度。对于精细化的三维建模，如分析特定倒塌建筑的结构，则要求点云密度和模型纹理分辨率尽可能高。
1.2 无人机应急测绘技术体系
为满足上述复杂需求，无人机应急测绘已从单一平台、单一传感器的应用模式，发展为一套集成了多元化飞行平台、多类型传感器载荷、实时数据链以及快速处理与分发系统的综合技术体系。该体系的核心是围绕“快速响应”和“信息精准”两个目标构建的。个完整的无人机应急测绘技术体系可见下图1 所示。
图1 无人机应急测绘技术体系Fig.1 UAV emergency mapping technology system
2 融合多源信息的应急地理信息快速采集与处理方法
2.1 基于倾斜—近景协同的自适应航线规划
地震灾区地貌与地物损毁形态极具复杂性。标准倾斜摄影测量虽能快速构建大范围三维场景，但其固定的高空视角对倒塌建筑堆积体内部、垂直立面以及桥梁底部等关键部位存在严重的视线遮挡和纹理缺失[10] 。本研究提出倾斜—近景协同的自适应航线规划策略。该策略将作业分为两个阶段：
（1）利用固定翼或长航时旋翼无人机搭载五镜头倾斜相机，执行“宏观普查”航线，快速获取灾区数字表面模型（DSM）及粗粒度实景三维模型。此阶段旨在快速识别重点关注区域（Areas of Interest，AOI），如AOIset ={aoi1 , aoi2 , ... , aoin }。
（2）针对识别出的$AOI$，系统利用第一阶段的粗模型，自动规划第二阶段的“近景详查”航线。此阶段采用旋翼无人机，执行非均匀、多角度、多高度的抵近环绕飞行。其航迹Taoii 不再是标准网格，而是基于视点优化算法生成，旨在最大化模型完整性Cmodel 满足预设的地面采样间隔（GSD）要求。
Taoii =Optimize( ViewpointSet|Mcoarse , GSDreq , Max ( Cmodel )|) （1）
式（1）中Mcoarse 为粗模型。自适应模式有效解决了单一航线的数据盲区问题，确保了关键灾害体（如倒塌建筑、受损桥梁）三维模型的完整性与精细度。
2.2 基于边缘计算—实时拼接的边飞边处理方法
应急响应的时效性要求将信息延迟从“天”压缩至“分钟”。传统“外业采集—内业处理”模式产生的数据“后处理堰塞湖”，是应急指挥的巨大障碍[11] 。本研究引入边飞边处理工作流，将数据处理能力从后方中心前移至作业现场的边缘计算单元（如机载处理器或车载工作站）。在飞行过程中，无人机通过高速数据链实时回传影像流Istream 。边缘计算节点接收数据后，立即执行优化的实时空中三角测量和快速影像拼接算法。该算法无需等待全部架次数据回传，而是采用增量式光束法平差（Incremental Bundle Adjustment）动态更新相机姿态Pi 与稀疏点云PCsparse ：
( Pi , PCsparse ) t =IncBA(( Pi - 1 , PCsparse ) t - 1, Ii )（2）
通过此方法，系统在飞行作业期间即可生成低分辨率的实时正射影像概览图和态势图，其延迟Lproduct 远小于传统模式Ltrad =Tfly + Tcopy + Tprocess 。
2.3 基于热红外—LiDAR融合的次生灾害与生命体征探测
地震次生灾害（如隐蔽火点、滑坡）和幸存者搜救是应急响应的重点和难点。可见光传感器在夜间、浓烟、粉尘及植被遮挡下能力受限[12] 。本研究采用热红外与激光雷达的异构数据融合策略。TIR通过探测地表热辐射RT ，能穿透烟尘，有效识别热异常点（如生命体征、火源）。LiDAR则作为主动传感器，通过发射激光脉冲获取高精度三维点云P （x，y，z），能精确刻画废墟结构、滑坡形态，并对植被有一定穿透性。二者的融合面临不同传感器的时空配准难题。本方法通过高精度GNSS/IMU和严格的实验室标定，建立两者坐标系间的刚体变换矩阵H t L ：
p tir =K tir ·H T L ·p lidar （3）
式（3）中Ktir 为热红外内参矩阵，plidar 为LiDAR点，ptir 为其在热红外图像上的对应像素。
3 实验设计
3.1 模拟场景
本研究选择了具有复杂地理特征的区域，构建了高保真度的“震后”模拟场景。该场景利用灾前的高分辨率卫星影像、数字高程模型（DEM）以及精细的城市建筑矢量数据（含楼层高度、结构类型）作为“灾前”基准数据库。通过灾害模拟软件和三维建模技术，对该区域进行了“震后”情景的构建。
3.2 对比实验设计
本实验设置A组（控制组）与B组（实验组）进行平行对比，旨在隔离并评估本文所提方法中各项技术改进的综合效果。控制组A采用当前应急测绘中广泛应用的标准化作业流程，而实验组B则完整实施本文融合方法学。
表1 控制组（A组）与实验组（B组）实验方案对比Table 1 Comparison of experimental protocols between the control group（Group A）and the experimental group（Group B）
3.3 数据采集与处理
控制组 A采用 DJI M300 RTK无人机搭载Zenmuse P1（45MP全画幅）相机。实验组B则采用复合机队：宏观普查使用DJI M350 RTK搭载倾斜摄影模块（模拟P1五向飞行），微观详查使用M300 RTK搭载Zenmuse L1（LiDAR）与H20T（热红外/变焦）传感器。
全场布设10个地面控制点（GCPs）和20个均匀分布的检查点（CPs），所有点位均使用高精度RTK（中海达iRTK5）测量“真值”坐标，用于两组实验的精度控制与最终成果的客观评定。
4 应急信息提取结果分析
4.1 时效性评估
本研究将时效性定义为从无人机起飞到关键地理信息产品交付给指挥中心的总耗时，具体结果如下表2 所示。
表2 A、B两组实验时效性对比（单位：min） Table 2 Comparison of timeliness between Group A and Group B （unit: min)
A组（传统方法）采用“完全后处理”模式，在长达6.25 h（375 min）的内业处理完成前，无法提供任何可用的全局信息。而B组（融合方法）利用第2.2节的“边飞边处理”技术，在起飞后仅18 min即生成了首幅全局概览图（Rapid DOM），为指挥中心“黄金72小时”内的早期决策提供了不可替代的即时情报。对于重点AOI，B组的自适应详查与融合处理也远快于A组的“一刀切”式处理与人工解译。B组获取滑坡方量报告仅用时72 min，而A组需等待模型全流程处理完毕后再加人工计算，总耗时达410 min。证明本文所提方法彻底改变了应急测绘的“先采集、后处理”传统范式，实现了从“数据生产”向“信息实时保障”的转变。
4.2 完整性评估
本研究通过对比两组方法对模拟场景中关键要素（倒塌建筑、受损桥梁、隐蔽热源）的数据获取能力进行评估。
A组由于采用单一正射视角，其数据完整性存在根本性缺陷。对于倒塌建筑，A组模型仅能反映顶部信息，内部坍塌结构和侧立面严重缺失；对于桥梁，其关键的桥墩和桥底结构完全无法成像，且A组无法探测任何非可见光信息（热源检出率0%），且在植被覆盖区无法获取地表地形。B组凭借倾斜—近景协同航线，对倒塌建筑和桥梁的模型完整度分别提升至92.1%和88.7%，实现了“无死角”精细重建。同时，利用热红外—LiDAR融合，B组成功检出了4处隐蔽热源，并通过LiDAR获取了高精度的植被下地形。
表3 A、B两组实验信息完整性对比Table 3 Comparison of experimental information completeness between Group A and Group B
4.3 准确性评估
准确性评估包含两个层面：一是地理信息产品的几何精度；二是提取的专题信息的分类准确性。几何精度使用布设的20个检查点计算均方根误差。专题信息准确性则通过与“真值”数据对比，计算精确率（Precision）、召回率（Recall）和F1分数（F1-Score）。
在几何精度方面两组方法均达到了厘米级的测绘精度，B组（融合方法）由于采用了多角度的倾斜与近景数据，其模型结构更优，高程精度（4.66 cm）略优于A组（5.03 cm）。然而，在专题信息提取的准确性上，差距极为显著。A组的人工判读方式受判读员经验、疲劳度等主观因素影响，且难以处理时空对比，其F1分数仅为78.3%（房屋）和71.4%（道路）。B组采用的自动提取方法，通过灾前灾后数据的差分对比，极大排除了阴影、遮挡等干扰，实现了高精度的自动化分类。其F1分数分别达到了93.1%和90.2%，远高于人工判读，且速度快、标准统一。
表4 A、B两组实验产品几何精度与信息提取准确性对比Table 4 Comparison of geometric accuracy and information extraction accuracy of experimental products between Group A and Group B
5 结论
地震灾害应急响应对地理信息的时效性、完整性与准确性提出了近乎苛刻的要求，传统无人机测绘作业范式在数据处理滞后、多维信息感知缺失等方面已显现瓶颈。本文面向此挑战，构建了融合自适应航线规划、边缘计算、多源传感器与智能解译的应急地理信息采集新方法。模拟实验的量化对比结果证实，本文所提方法在时效性（提升超90%）、完整性（模型完整度提升40%以上）和准确性（F1分数提升超14%）上均显著优于传统作业模式。本研究成果验证了多技术深度融合是提升无人机应急测绘效能的有效途径，为构建空—地一体化的智能应急响应体系提供了可靠的技术支撑与决策依据。
图1 无人机应急测绘技术体系Fig.1 UAV emergency mapping technology system 表1 控制组（A组）与实验组（B组）实验方案对比Table 1 Comparison of experimental protocols between the control group（Group A）and the experimental group（Group B） 表2 A、B两组实验时效性对比（单位：min） Table 2 Comparison of timeliness between Group A and Group B （unit: min) 表3 A、B两组实验信息完整性对比Table 3 Comparison of experimental information completeness between Group A and Group B 表4 A、B两组实验产品几何精度与信息提取准确性对比Table 4 Comparison of geometric accuracy and information extraction accuracy of experimental products between Group A and Group B
