基于 “感知 - 邊緣 - 云端” 架構(gòu)的超大城市內(nèi)澇監(jiān)測預(yù)警技術(shù)研究與濱海城市應(yīng)用

摘要:針對濱海城市內(nèi)澇監(jiān)測盲區(qū)、預(yù)警滯后、處置協(xié)同差等問題,本研究構(gòu)建 “前端智能感知 - 邊緣域協(xié)同計算 - 云端智能決策” 三級物聯(lián)網(wǎng)架構(gòu),形成全流程閉環(huán)體系。感知層集成毫米波雷達、視覺識別與雙模通信,邊緣層通過優(yōu)先級調(diào)度實現(xiàn)毫秒級數(shù)據(jù)處理,云端融合時序數(shù)據(jù)庫與 AI 知識圖譜。某濱海城市應(yīng)用驗證表明,系統(tǒng)監(jiān)測誤差≤0.1CM,內(nèi)澇處置響應(yīng)時間從 45min 縮短至 13min,為城市內(nèi)澇精細化治理提供 “物聯(lián)網(wǎng) + AI” 技術(shù)路徑。

關(guān)鍵詞:城市內(nèi)澇;智慧排水;物聯(lián)網(wǎng)架構(gòu);邊緣計算;多源感知融合

作者:廈門萬賓科技有限公司 鄭益斌

一、前言

全球氣候變化與城市化快速發(fā)展,城市內(nèi)澇災(zāi)害日趨嚴重[1],嚴重威脅城市生命線安全和居民生命財產(chǎn)。東南沿海城市頻受臺風(fēng)暴雨侵襲,突發(fā)性強、破壞力大的內(nèi)澇災(zāi)害,已成為制約其安全韌性的主要風(fēng)險源。近年來發(fā)生的特大暴雨災(zāi)害表明,極端天氣日趨常態(tài)化,傳統(tǒng)市政排水標準與城市韌性滯后于現(xiàn)實需求,凸顯實時監(jiān)測與快速預(yù)警的緊迫性[2]。

當(dāng)前多數(shù)城市內(nèi)澇監(jiān)測預(yù)警仍以人工巡查和固定監(jiān)控為主,存在覆蓋范圍有限、信息獲取不及時、誤報漏報率高等問題[3-4]。監(jiān)測、預(yù)警、處置環(huán)節(jié)缺乏數(shù)字化閉環(huán)銜接,信息孤島嚴重,處置流程易出現(xiàn)斷點。

針對上述瓶頸,本研究提出基于 “感知 - 邊緣 - 云端” 三層架構(gòu)的城市內(nèi)澇監(jiān)測預(yù)警體系。在前端感知層,廣泛部署智能感知終端,構(gòu)建覆蓋易澇點的立體監(jiān)測網(wǎng),實時采集雨量、水位、流量等多維數(shù)據(jù),實現(xiàn)對城市積水的感知。在邊緣計算層,引入邊緣計算網(wǎng)關(guān)和基站,利用優(yōu)先級調(diào)度算法對前端海量數(shù)據(jù)進行本地快速預(yù)處理與分析,實現(xiàn)秒級內(nèi)澇風(fēng)險研判和預(yù)警觸發(fā),縮短響應(yīng)延時。在云端決策層,搭建云平臺,融合時序數(shù)據(jù)庫和 AI 引擎,對多源監(jiān)測數(shù)據(jù)進行深度挖掘和趨勢預(yù)測,借助 AI 知識圖譜關(guān)聯(lián)歷史案例,實現(xiàn)內(nèi)澇成因智能診斷和決策支持。同時,通過與移動端應(yīng)用的聯(lián)動,建立 “預(yù)警 - 派單 - 處置 - 核驗” 的閉環(huán)工作流程,確保預(yù)警信息第一時間送達搶險一線并指導(dǎo)處置行動,處置結(jié)果及時反饋回系統(tǒng),形成內(nèi)澇風(fēng)險感知與應(yīng)急處置的數(shù)字化閉環(huán)。

二、技術(shù)體系架構(gòu)設(shè)計

為滿足城市內(nèi)澇監(jiān)測預(yù)警對“實時性、精準性、協(xié)同性”的需求,本研究構(gòu)建了“前端智能感知 - 邊緣域協(xié)同計算 - 云端智能決策”三級架構(gòu),覆蓋監(jiān)測、診斷、決策、處置、反饋全流程,強化前端終端功能與云端反饋閉環(huán),并預(yù)留與互聯(lián)網(wǎng)地圖的對接接口,有效彌補了傳統(tǒng)監(jiān)測體系在精準感知和反饋閉環(huán)方面的不足。

(一)智能感知層:多維數(shù)據(jù)的立體化采集與高可用設(shè)計

針對傳統(tǒng)監(jiān)測盲區(qū)多、維護難、通信弱等問題,本研究升級智能感知終端,安裝地埋式、路側(cè)式和高空式多類型監(jiān)測設(shè)備,構(gòu)建立體化、全覆蓋的監(jiān)測網(wǎng)。

1. 立體化監(jiān)測網(wǎng)絡(luò)建設(shè)

針對不同積水場景部署差異化終端,道路低洼路段及下穿通道采用地埋式與路側(cè)式,融合水位 (0~5m)、漏電、傾角等多維感知,實現(xiàn)接觸式積水監(jiān)測。在路燈桿等高空式,部署雷達水位觀測儀,利用毫米波雷達實現(xiàn) 0~10m 非接觸式毫米級 (±0.1cm) 水位監(jiān)測。針對排水管網(wǎng),關(guān)鍵節(jié)點部署雷達超聲流量儀與雷達水位監(jiān)測儀,結(jié)合研發(fā)的城市排水管網(wǎng)增強掃描技術(shù),提前識別管網(wǎng)排水能力,見表 1。

2.設(shè)備高可用性與可視化

針對運維技術(shù)瓶頸,智能終端采用快換電池設(shè)計,單次更換時間 5s,單塊電池續(xù)航 5 年,大幅降低巡檢頻次與維護成本。同時,終端集成夜視攝像,實現(xiàn) “雷達水位數(shù)據(jù) + 高清視覺” 的雙重印證,提高監(jiān)測可靠性,見圖1。

3.極端環(huán)境下的通信保障

考慮到極端災(zāi)害可能導(dǎo)致公網(wǎng)癱瘓,智能終端均搭載 “4G/5G + 北斗 / 低軌衛(wèi)星” 雙模通信模塊。遭遇極端災(zāi)害時,監(jiān)測預(yù)警信息通過衛(wèi)星穩(wěn)定回傳,保障極端環(huán)境通信。

圖1 雷達水位觀測儀(EN200-D-FV)現(xiàn)場實例

表 1 前端智能感知終端配置表

▲ 智能監(jiān)測儀器安裝示意圖

▲ 城市生命線智慧排水監(jiān)測系統(tǒng)架構(gòu)圖

(二)邊緣計算層:基于算力下沉的實時響應(yīng)與動態(tài)閾值算法

邊緣層是連接感知與云端的 “中樞神經(jīng)”,由邊緣計算網(wǎng)關(guān)構(gòu)成,基站內(nèi)置高算力 AI 芯片,承擔(dān)數(shù)據(jù)清洗、協(xié)議轉(zhuǎn)換及本地即時預(yù)警功能。

1.結(jié)構(gòu)與任務(wù)調(diào)度

邊緣基站內(nèi)置優(yōu)先級調(diào)度算法,對上傳的海量增量數(shù)據(jù)實時濾波,濾除瞬時噪聲干擾,提取積水深度變化率、波動圖像特征等有效信息,預(yù)處理延遲控制在 50ms。當(dāng)水深超閾值時,基站 10s 內(nèi)直接觸發(fā)分級預(yù)警,報警信息同步報告應(yīng)急響應(yīng)人員,實現(xiàn)即時響應(yīng),大幅減輕云端計算負荷。

2.多因子動態(tài)閾值調(diào)整

為解決固定閾值難以適應(yīng)復(fù)雜內(nèi)澇場景的問題,邊緣側(cè)引入多因子動態(tài)閾值調(diào)整算法。算法以基礎(chǔ)閾值 T0為基準,引入綜合區(qū)域風(fēng)險權(quán)重(Wcom)、進化征修正系數(shù)(Krain)及管網(wǎng)健康度修正系數(shù)(Hpipe)實時校正,計算公式見公式(1):

T=T0× Wcom× Krain× Hpipe    (1)

公式中,Wcom為單一賦值,綜合人口密度、交通重要性及地形坡度加權(quán)計算,即:

Wcom=0.4Wp+0.3Wt+0.3Ws

Wp代表人口密度,高密度(如核心商圈)1.2、中密度(住宅區(qū))1.0、低密度(公園)0.8。

Wt代表交通重要性,主干道或下穿通道取 1.2,次干道取 1.0,支路取 0.8。

Ws代表地形坡度,坡度 <2° 或低洼區(qū)取 1.1,2°~5° 取 1.0、坡度> 5° 取 0.9。

Krain為突破單一降雨強度維度,融合實時雨強與持續(xù)時長,體現(xiàn)流行對積水的積累效應(yīng)與滯后影響,見公式 (2):

Krain=KR×(1?0.05×min(t,4))   (2)

KR為雨強系數(shù),其取值根據(jù)降雨強度 (mm/h) 確定如下:

① 雨強 < 20 時,KR=1.1;

② 20 ≤ 雨強 ≤ 50 時,KR=1.0;

③ 50 ≤ 雨強 ≤ 100 時,KR=0.9;

④ 雨強 > 100 時,KR=0.8。

t 代表降雨持續(xù)時長 (單位:h),取 0~4h (4h 累積效應(yīng)趨于穩(wěn)定),體現(xiàn)降雨對積水的疊加影響。

Hpipe代表基于管網(wǎng)實測流量與設(shè)計流量的偏差率 (η) 動態(tài)調(diào)整,直接關(guān)聯(lián)排水能力,避免 “管網(wǎng)堵塞時閾值過高導(dǎo)致漏報”。

① η ≥ 80%(管網(wǎng)通暢):Hpipe=1.0 ;

② 50% ≤ η< 80%(輕度堵塞):Hpipe=0.9 ;

③ η< 50%(重度堵塞):Hpipe=0.8。

(三)云端決策層:數(shù)據(jù)驅(qū)動的業(yè)務(wù)閉環(huán)與服務(wù)生態(tài)延伸

云端平臺 (如圖 2 所示) 基于 Spring Cloud 微服務(wù)架構(gòu),依托 TDengine 高性能時序數(shù)據(jù)庫,采用時序數(shù)據(jù)分片存儲策略,支撐數(shù)據(jù)高效讀寫查詢。

1.“預(yù)警 - 消除 - 反饋” 全流程閉環(huán)

重構(gòu)內(nèi)澇應(yīng)急處置流程。觸發(fā)預(yù)警后,系統(tǒng)自動派發(fā)工單至移動端,處置人員到場后通過移動端小程序上傳實時照片或視頻。處置完成,經(jīng)第三方或系統(tǒng)核驗結(jié)案存檔。

2.多源數(shù)據(jù)融合與服務(wù)延伸

云平臺集成 GIS 管網(wǎng)、歷史內(nèi)澇記錄及氣象局實時數(shù)據(jù)。系統(tǒng)預(yù)留標準化 API 接口,已完成與主流手機地圖技術(shù)對接。脫敏后的內(nèi)澇風(fēng)險數(shù)據(jù) (含風(fēng)險等級圖標及顏色提示) 同步下發(fā)至地圖客戶端,為公眾提供實時積水點查詢與避險導(dǎo)航服務(wù),拓展監(jiān)測數(shù)據(jù)的社會價值。

通過 “感知 - 邊緣 - 云端” 三級架構(gòu)的協(xié)同設(shè)計,各層級優(yōu)勢實現(xiàn)有機融合,整體提升了內(nèi)澇監(jiān)測預(yù)警與應(yīng)急處置的效率。前端高精度、多維度的數(shù)據(jù)采集及現(xiàn)場圖像為風(fēng)險識別提供了翔實依據(jù),邊緣端的智能過濾和快速預(yù)警確保險情及時發(fā)現(xiàn)與上報,云端的綜合決策和閉環(huán)調(diào)度則將感知信息轉(zhuǎn)化為迅速、高效的處置行動。

圖 2 云端智能決策平臺(AIOTU 城市物聯(lián)感知平臺)

三、關(guān)鍵技術(shù)研究

(一)監(jiān)測環(huán)節(jié):多維感知與數(shù)據(jù)質(zhì)控

依托智能終端,實現(xiàn) “深度 + 可視化 + 流量” 三維度積水信息感知,構(gòu)建多源融合立體監(jiān)測網(wǎng)。集成毫米波雷達水位傳感器、夜視攝像機及流量監(jiān)測模塊,獲取毫米級精度的積水深度數(shù)據(jù),提供現(xiàn)場圖像佐證與管道流量信息,彌補傳統(tǒng)監(jiān)測在精度和可視化方面的不足。本研究建立終端、邊緣、云端三層數(shù)據(jù)質(zhì)控機制,終端自檢校準并監(jiān)測電量。邊緣基站實時篩查異常數(shù)據(jù) (統(tǒng)計規(guī)則剔除異常結(jié)合攝像驗證)。云端依據(jù)歷史監(jiān)測數(shù)據(jù)設(shè)置閾值范圍,推送告警請求人工復(fù)核,保障數(shù)據(jù)準確可靠。

(二)診斷環(huán)節(jié):AI 知識圖譜驅(qū)動的成因推理

診斷環(huán)節(jié)依托海量多模態(tài)數(shù)據(jù) (監(jiān)測數(shù)據(jù)、預(yù)警記錄、處置反饋等),構(gòu)建城市內(nèi)澇成因 AI 知識圖譜,支撐智能診斷決策。知識圖譜采用實體 - 關(guān)系 - 屬性三層結(jié)構(gòu),將復(fù)雜內(nèi)澇成因知識體系結(jié)構(gòu)化、模型化。

實體層:定義內(nèi)澇相關(guān)關(guān)鍵實體,包括內(nèi)澇類型 (點狀、線狀、面狀)、致因要素 (降雨強度、管網(wǎng)堵塞、地形低洼等) 及地理實體 (易澇點、管網(wǎng)節(jié)點、泵站等),涵蓋影響城市內(nèi)澇的主要因素。

關(guān)系層:基于歷年內(nèi)澇事件復(fù)盤分析,提煉實體因果關(guān)聯(lián)關(guān)系,形成因果規(guī)則庫,總結(jié)得到 “短時超強降雨引發(fā)點狀內(nèi)澇”“管網(wǎng)堵塞導(dǎo)致線狀內(nèi)澇” 等因果規(guī)則,確保知識圖譜關(guān)聯(lián)邏輯符合本地實際。

屬性層:為知識圖譜中的各實體附加屬性特征及判定準則。例如,“管網(wǎng)堵塞” 判據(jù):管徑 200~300mm 時,管道流量低于設(shè)計流量 55% 即可判定為堵塞。

智能診斷推理中,系統(tǒng)融合規(guī)則推理與可視化驗證,提升復(fù)雜場景下成因診斷的準確性與可信度。先通過知識圖譜與經(jīng)驗規(guī)則推理,基于市政內(nèi)澇專家經(jīng)驗初步匹配可能的積水原因。再通過可視化驗證機制調(diào)用前端監(jiān)測終端現(xiàn)場圖像和傳感數(shù)據(jù),佐證推理結(jié)果。例如,當(dāng)規(guī)則推理初步診斷某處積水可能因排水管網(wǎng)堵塞所致時,系統(tǒng)自動調(diào)取對應(yīng)檢查井?dāng)z像畫面,查看淤泥沉積等堵塞跡象,驗證推斷,有效避免單一推理可能出現(xiàn)的偏差,提升診斷結(jié)論可靠性。

(三)處置與反饋環(huán)節(jié):分級響應(yīng)與閉環(huán)核驗

分級響應(yīng):依據(jù)積水深度 (D) 與時長 (H) 設(shè)定四級風(fēng)險閾值及對應(yīng)處置標準,詳見表 2。

閉環(huán)核驗:處置人員通過移動端回傳現(xiàn)場照片、視頻等證據(jù)。積水消退后,系統(tǒng)自動記錄退水時間并抓拍現(xiàn)場畫面。指揮中心結(jié)合監(jiān)測數(shù)據(jù)與現(xiàn)場畫面雙重核驗,確保處置措施落實,實現(xiàn) “處置有反饋、效果有核驗”。

表 2 該濱海城市內(nèi)澇風(fēng)險監(jiān)測預(yù)警分級處置標準

四、工程應(yīng)用實踐與成效分析

本研究在東南沿海某典型城市全域部署基于物聯(lián)網(wǎng)和人工智能技術(shù)的城市內(nèi)澇監(jiān)測預(yù)警系統(tǒng),完成前端終端布設(shè)、邊緣網(wǎng)關(guān)組網(wǎng)和云端平臺調(diào)試,并進行為期 3 年的規(guī)?；瘧?yīng)用示范。

(一)全域部署規(guī)模與系統(tǒng)架構(gòu)基礎(chǔ)

1.前端立體監(jiān)測網(wǎng)絡(luò)建設(shè)

針對城市低洼路段、下穿通道及地下管網(wǎng)等關(guān)鍵風(fēng)險點,部署與共享接入各類智能監(jiān)測終端 986 套、地埋式積水監(jiān)測儀 53 套、路側(cè)式水位監(jiān)測一體機 15 套,用于地表接觸式監(jiān)測。布設(shè)雷達水位監(jiān)測儀 586 套、毫米波雷達一體機 15 套,用于非接觸式監(jiān)測。布設(shè)雷達超聲流量儀 120 套,構(gòu)建 “地表 - 管網(wǎng)” 三維立體監(jiān)測網(wǎng)絡(luò)。

2.邊緣計算與云端匯聚

在網(wǎng)絡(luò)傳輸層,全市 6 個行政區(qū)網(wǎng)格化部署 LoRa 邊緣計算網(wǎng)關(guān) 122 套,實現(xiàn)終端數(shù)據(jù)全覆蓋接入與本地清洗,實測基站運行穩(wěn)定性達 99.8%。在應(yīng)用數(shù)據(jù)層,云端平臺部署于政務(wù)云,接入全市 12 類 3280 臺采集設(shè)備,日均采集數(shù)據(jù) 29.5 萬條,峰值處理能力 41.8 萬條 / 日,數(shù)據(jù)準確率 99.7%,存儲可用性 99.99%,為城市內(nèi)澇治理提供可靠數(shù)據(jù)支撐。

(二)應(yīng)用實現(xiàn)評估

經(jīng)過連續(xù)三個汛期的實戰(zhàn)運行,該系統(tǒng)在災(zāi)害識別時效、應(yīng)急響應(yīng)流程優(yōu)化及社會服務(wù)能力等方面取得了顯著成效。

1.災(zāi)害識別與響應(yīng)效率的雙重躍升

相較以人工巡查為主的傳統(tǒng)監(jiān)測體系,本系統(tǒng)內(nèi)澇災(zāi)害識別時間由延遲 30min 以上壓縮至 10s 內(nèi),識別效率提升約 99%;處置響應(yīng)時間由 45min 縮短至 13min,效率提升約 71%。

2.典型案例

2024 年臺風(fēng) “海葵” 期間,本系統(tǒng)通過高位雷達與波動分析精準監(jiān)測到核心商圈廣場出現(xiàn)微量積水 (精度 ±0.1cm),未漫過人行道。平臺自動派單至移動端,搶險人員 13min 內(nèi)趕赴現(xiàn)場完成排水作業(yè),事件過程僅持續(xù) 4min。2025 年 7 月 28 日磁安路暴雨積水事件中,系統(tǒng)在水深達 10.3cm (超閾值 0.3cm) 時即刻觸發(fā)預(yù)警。市政團隊利用移動端協(xié)同,3min 即控制住水位,從積水出現(xiàn)到完全消退僅耗時 25min,充分驗證系統(tǒng)敏捷響應(yīng)能力。

(三)技術(shù)挑戰(zhàn)與對策優(yōu)化

系統(tǒng)運行中,針對濱海城市高鹽霧環(huán)境、數(shù)據(jù)安全等問題,采取相應(yīng)優(yōu)化措施。例如,防鹽霧鍍膜技術(shù)與電池接口抗氧化處理降低設(shè)備故障率,應(yīng)用國產(chǎn)化加密芯片保障數(shù)據(jù)開放的安全。

五、結(jié)語

本研究構(gòu)建基于 “感知 - 邊緣 - 云端” 三層架構(gòu)的城市內(nèi)澇監(jiān)測預(yù)警體系,集成多源感知、邊緣智能及 AI 知識圖譜診斷技術(shù),形成監(jiān)測 - 預(yù)警 - 處置 - 反饋閉環(huán)流程。工程實踐表明,該體系顯著提升城市內(nèi)澇監(jiān)測精度與響應(yīng)效率,實現(xiàn)從傳統(tǒng) “被動響應(yīng)” 向 “主動感知、智能研判、閉環(huán)處置” 轉(zhuǎn)型。應(yīng)用數(shù)據(jù)顯示,系統(tǒng)將災(zāi)害識別時間由 30min 縮短至 10s 內(nèi),內(nèi)澇處置響應(yīng)時間由 45min 縮短至 13min,核心指標顯著改善,展現(xiàn)物聯(lián)網(wǎng) + AI 融合技術(shù)在城市內(nèi)澇治理中的現(xiàn)實應(yīng)用價值。

綜上,城市內(nèi)澇監(jiān)測預(yù)警系統(tǒng)作為提升城市防澇韌性的關(guān)鍵技術(shù)路徑,已在典型濱海城市實現(xiàn)從 “技術(shù)樣機” 到 “工程系統(tǒng)” 的躍升。未來,隨著人工智能、遙感衛(wèi)星、數(shù)字孿生等技術(shù)持續(xù)演進,該體系有望在更廣地域、更復(fù)雜場景中推廣應(yīng)用,助力構(gòu)建氣候適應(yīng)型、安全韌性的未來城市基礎(chǔ)設(shè)施治理新范式。

參考文獻

[1] 王蘇月,鐘敏,羅倩,等。內(nèi)澇氣象風(fēng)險監(jiān)測預(yù)警系統(tǒng)構(gòu)建與應(yīng)用 [J]. 傳感器技術(shù)與應(yīng)用,2025,13 (1):16-25.

[2] 許佳,丁超,張昕禹,等。基于復(fù)雜網(wǎng)絡(luò)的城市內(nèi)澇災(zāi)害應(yīng)急管理研究綜述 [J]. 自然災(zāi)害學(xué)報,2024,33 (3):1-16.

[3] 吳剛,侯士通,張建,等。城市生命線工程安全多層次監(jiān)測體系與預(yù)警技術(shù)研究 [J]. 土木工程學(xué)報,2023,56 (11):1-15.

[4] 黃華兵,王先偉,柳林。城市暴雨內(nèi)澇綜述:特征、機理、數(shù)據(jù)與方法 [J]. 地理科學(xué)進展,2021,40 (6):1048-1059.

作者單位:廈門萬賓科技有限公司 鄭益斌