• ISSN 1673-5722
  • CN 11-5429/P

震后基于无人机快速三维定位被困人员模型研究

杜浩国 孙志 杜浩标 张方浩 汤筱麒 卢永坤 曹彦波 邓树荣 吕佳丽 和仕芳

刘智, 姜慧, 陈焜浩. 准实时地震灾情综合评估系统的研发[J]. 震灾防御技术, 2017, 12(4): 834-844. doi: 10.11899/zzfy20170412
引用本文: 杜浩国,孙志,杜浩标,张方浩,汤筱麒,卢永坤,曹彦波,邓树荣,吕佳丽,和仕芳,2021. 震后基于无人机快速三维定位被困人员模型研究. 震灾防御技术,16(2):404−413. doi:10.11899/zzfy20210220. doi: 10.11899/zzfy20210220
Liu Zhi, Jiang Hui, Chen Kunhao. Research on Quasi Real-time Comprehensive Estimation System for Earthquake Disaster[J]. Technology for Earthquake Disaster Prevention, 2017, 12(4): 834-844. doi: 10.11899/zzfy20170412
Citation: Du Haoguo, Sun Zhi, Du Haobiao, Zhang Fanghao, Tang Xiaoqi, Lu Yongkun, Cao Yanbo, Deng Shurong, Lv Jiali, He Shifang. Research on the Model of UAV Fast 3D Positioning of Trapped People after Earthquake[J]. Technology for Earthquake Disaster Prevention, 2021, 16(2): 404-413. doi: 10.11899/zzfy20210220

震后基于无人机快速三维定位被困人员模型研究

doi: 10.11899/zzfy20210220
基金项目: 云南省地震局青年基金项目(2021K01);云南省地震局“传帮带”项目(CQ3-2021001)
详细信息
    作者简介:

    杜浩国,男,生于1991年。工程师。主要从事地震应急救援、无人机灾情获取和地震灾害损失评估方面的研究。E-mail:1364125834@qq.com

Research on the Model of UAV Fast 3D Positioning of Trapped People after Earthquake

  • 摘要: 针对震后被倒塌建筑物或滑坡埋压的被困人员进行快速定位问题,在阅读大量相关文献的基础上,以无人机遥感、地理信息空间和三维质心定位技术为基础,采用无线信号RSSI测距模型,配合影像范围内基准影像数据辅助定位,构建震后基于无人机快速三维定位被困人员模型。以红河县城区作为研究区,对城区内特定人员进行三维定位,结果表明该模型定位精度高,对震后废墟被困人员营救具有重要意义。
  • 中国是地震灾害多发国家,50%的国土位于Ⅶ度以上的地震高烈度区,地震活动主要分布在东南沿海、西南、西北、华北地区以及台湾地区的23条地震带上,覆盖了23个省会城市以及2/3的百万人口以上的城市。20世纪中期至今,中国大陆发生了445次6.0—7.9级地震、9次8.0级以上地震,死亡约59万人(陈振拓等,2012),其中包括唐山地震、汶川地震、玉树地震等几次灾难性地震,给我国的社会和经济发展造成了不可估量的损失和影响。

    大震发生后快速获取综合灾情信息、评估地震灾情,直接关系到震后应急救援部署,是抗震救灾的关键环节。作为防震减灾工作的基层组织,县市地震工作主管部门在县域范围遭遇地震时,迫切需要了解县域范围内地震灾情程度和影响分布,为政府部门决策支持提供科学依据,回答媒体和社会公众关切的问题。由于县市地震工作主管部门缺乏防震减灾基础数据和有力的科技支撑,且县域面积大,居民点分布不均,地震突然发生时,多源空间信息整合难(陈文凯等,2010),无法做到灾情快速评估,严重影响了地震灾情上报与救灾工作。

    目前国内地震灾情获取主要依靠震后灾情快速评估,灾区灾情人工调查和遥感影像技术更新灾情等。震后灾情快速评估,主要是通过汇集地震监测台网各台站的波形记录并计算地震动参数形成震动图,结合房屋分布粗估灾情。该方法在国外多地震、经济和科技较发达的国家得到了较为广泛的应用(王玉石等,2008陈鲲等,2011王晓青等,2003徐水森,2012),如美国的ElarmS系统(Allen等,2009)、日本的SIGNAL地震监测与震害快速评估系统(李山有等,2002张晁军等,2010),均是基于足够密度的加速度计或速度计组成的地震监测台网数据,生成的地震烈度影响场,向公众发布地震烈度分布信息。我国幅员辽阔,所建地震台站稀疏,再加上大震记录限幅等因素(陈鲲等,2010谭巧等,2010),获得的震动图相当粗略。由于震后灾情快速评估存在很大随机性和不确定性,必须配合震后灾情人工调查和遥感影像技术作进一步判断。尽管人工调查方法不断改进、手段不断进步,但建筑物破坏、人员伤亡等灾情分布范围广,地震后天气和道路条件都会恶化,人工调查工作量大、难度高、时效性差。遥感技术作为一种新的高效技术手段,具有获取信息快、信息量大、周期短、能多方位和全天候地动态监测等优势(王晓青等,2008),但也面临易受天气干扰、海量图形处理困难等问题(柳稼航等,2004泽仁志玛等,2006)。总体而言,目前的地震灾情快速评估方法和技术,难以满足应急救援对灾情快速评估的要求。

    为了有效地解决上述难题,本研究利用成熟理论和最新技术成果,开发了准实时地震灾情综合评估系统。该系统集成了MEMS(Micro-Electro-Mechanical System)强震数据、实时地震灾情数据等多源地震灾情数据,通过叠加分析等数学运算模型,得到准实时的动态灾情评估数据,具备“自动触发、快速评估、实时更新、综合产出”的功能特点和优势,高效整合了基础承灾体数据和震情信息,有效地解决了以往地震灾害发生后灾情获取困难、灾情评估滞后的难题,实现了地震灾情的快速评估,同时基于短距离通信模块,即使在公共通信瘫痪的情况下,也能传输震情信息,实现了灾情的实时更新。系统选取四川省丹棱县开展集成示范,一旦县域受到危害性地震影响,当地市县地震工作主管部门能快速获得较准确的地震灾情分布,为地震应急救援决策提供科学依据,争取宝贵时间。

    准实时地震灾情综合评估系统是一个致力于解决市县地震工作部门地震应急工作的综合服务平台(图 1)。为了满足震时灾情快速综合评估的需要,根据震时不同时间节点的需求,该系统主要包括如下四大模块:

    图 1  准实时灾情综合评估系统功能框图
    Figure 1.  Funcitonal diagram of quasi real-time comprehensive evaluation system

    (1)生成地震动影响场。产出包括加速度峰值曲线图和地震烈度散点图,主要为市县地震应急处置提供第一手震情资料,也为灾情评估提供基本输入。

    (2)地震灾情快速评估。产出以乡镇为单位的县域的建筑物破坏评估结果。

    (3)灾情动态修正。实时更新建筑物破坏、人员伤亡、道路阻塞情况,同时基于采集灾情数据对地震灾情快速评估结果进行动态修正。

    (4)灾情综合评估。基于人员伤亡、建筑物破坏及对应灾区的烈度分布3项指标评估对应灾区等级,得到以乡镇为单位的地震灾害程度分布情况。

    模型和算法是系统的核心,直接关系到系统产出效率和准确性。准实时灾情综合评估系统主要模型包括MEMS灾情评估模型、灾情动态修正模型和灾情综合评估模型。

    MEMS灾情评估模型通过调用后台数据库45台MEMS强震仪峰值加速度数据,融合场地及地形修正算法、插值算法、仪器烈度和峰值加速度转化公式及建筑物易损性分析,得到加速度峰值散点图、仪器烈度散点图、加速度峰值曲线及建筑物震害预测图。具体流程如图 2

    图 2  灾情评估模块
    Figure 2.  Disaster evaluation model
    2.1.1   考虑场地效应和地形效应的地震加速度峰值修正算法

    该系统以四川省丹棱县作为示范区,该县北面多为山地地形,南部地势平坦,地形效应明显,若采用线性插值算法求解网格节点加速度峰值,会产生较大误差。同时,考虑到不同场地对地震峰值加速度的影响,在计算丹棱县网格点峰值加速度值时,必须考虑场地和地形双重效应。

    首先对45台强震仪记录的原始加速度峰值Ai进行场地及地形修正,得到统一于基岩面的仪器加速度峰值A'i

    $$ {A'_i} = \frac{{{A_i}}}{{{f_{{\rm{asi}}}} \cdot {f_{{\rm{ati}}}}}} $$ (1)

    再根据A'i值进行线性插值,得到插值点处的峰值加速度值B'j,插值得到的计算网格节点的峰值加速度值Bj

    $$ {B_j} = B{'_j} \times {f_{{\rm{asj}}}} \times {f_{{\rm{atj}}}} $$ (2)

    其中,fasifasj分别为仪器记录点和插值点的峰值加速度场地修正系数,场地效应可以根据MEMS强震仪实时传输的加速度峰值。fatifatj分别为仪器记录点和插值点峰值加速度地形修正系数,通过地形影响分析得到。示范区丹棱县地形修正系数如图 3

    图 3  峰值加速度地形修正系数
    Figure 3.  Topographic correction factor for peak acceleration
    2.1.2   仪器烈度分布图生成算法

    仪器烈度是震时最快且最能直观反映地震灾情程度的评价指标,对震时应急具有一定的指导意义。系统采用的仪器烈度生成算法沿用美国ShakeMap系统的计算公式,采用峰值加速度PGA和峰值速度PGV双重指标进行计算。

    其中,当Ⅴ≤Imm≤Ⅷ时,

    $$ {I_{{\rm{mm}}}} = {\rm{3}}{\rm{.66lg(PGA)}} - 1.66 $$ (3)

    对低烈度加速度峰值,即当Imm < Ⅴ时,

    $$ {I_{{\rm{mm}}}} = {\rm{2}}{\rm{.20lg(PGA)}} + 1.00 $$ (4)

    对高烈度加速度峰值,即当Imm > Ⅷ时,

    $$ {I_{{\rm{mm}}}} = {\rm{3}}{\rm{.47lg(PGV)}} + 2.35 $$ (5)

    首先采用(3)、(4)式计算Imm值,当计算结果大于Ⅶ度,则采用(5)式计算烈度值。

    灾情动态修正是基于实时采集的灾情信息修正已有的灾情评估结果。其修正模型实际上是评估数据和采集数据的交并运算。即以初始灾情预测数据集合Ai为基础集;灾情采集数据集合Bi为实时更新的灾情数据,对AiBi集合进行交并运算,修正Ai集合,得到新的灾情集合A'i

    图 4  灾情动态修正模型
    Figure 4.  Dynamic disaster correction model

    灾情综合评估模型以人员伤亡、房屋建筑破坏和烈度影响作为评估指标,评估得到震后不同时间节点的县域灾区等级和综合指标。灾区等级划分主要依据地震灾害的轻重程度,分为一般灾区、较重灾区、严重灾区和极重灾区4个等级(表 1)。

    表 1  灾区等级评定表
    Table 1.  Classification of disaster area
    灾区等级 人员伤亡 房屋建筑破坏/震害指数 对应地震烈度区域
    一般灾区 个别或无人员伤亡 破坏轻微(< 0.1)
    较重灾区 伤亡轻微 破坏较重(0.11—0.3)
    严重灾区 伤亡较重 破坏严重(0.31—0.5)
    极重灾区 伤亡惨重 破坏极其严重(> 0.5) ≥Ⅸ
      注:人员伤亡等级的量化指标:个别或无人员伤亡指死亡人数1—2人;伤亡轻微指死亡人数3—10人;伤亡较重指死亡人数10—50人;伤亡惨重指死亡人数 > 50人。
    下载: 导出CSV 
    | 显示表格

    对于特定区域灾情程度可用综合灾害指数(DAI)评定:

    $$ {D_{{\rm{AI}}}}(i) = \frac{{{k_1} \times {D_{\rm{P}}}(i) + {k_2} \times {D_{{\rm{HI}}}}(i) + {k_3} \times {D_{{\rm{PI}}}}(i)}}{{{k_1} + {k_2} + {k_3}}} $$ (7)

    式中,DPi)为死亡和失踪人数影响系数;DPIi)为烈度影响系数;DHIi)为房屋震害系数;k1k2k3分别为DPi)、DHIi)、DPIi)权重系数,根据经验,k1k2k3一般取值为0.4、0.3、0.3。

    准实时灾情综合评估系统采用B/S架构,分为前端灾情综合评估系统和后台数据管理系统两部分。系统前端显示界面采用Flex开源框架设计和构建,并应用SpringMVC、MyBatis等JavaEE框架对系统模型层和持久层进行开发,实现了数据调用和灾情分析等算法功能,为用户提供高效、便捷的灾情分析和展示服务。

    准实时灾情动态评估系统对应四大功能模块共设计了5套数据表,用于记录基础数据、震时灾情数据和灾情评估结果数据。表单设计的详细信息如表 2所示。

    表 2  数据表单设计
    Table 2.  Data sheet design
    序号 表单名称 表单内容
    1 MEMSdata表 MEMS仪器传入的实时PGA数据
    2 BldVulnerability表 不同建筑类型的易损性曲线数据
    3 MonomerCollection表 单体建筑物灾情采集数据
    4 TownshipCollection表 群体建筑物灾情采集表
    5 RoadCollection表 道路破坏节点数据
    下载: 导出CSV 
    | 显示表格

    以单体建筑物灾情采集数据表为例,其数据和字段说明如表 3

    表 3  Monomer Collection数据表
    Table 3.  Monomer Collection data sheet
    字段名称 数据类型 字段说明
    keyID int 单体建筑物标识码、主键
    X float 建筑物所在经度
    Y float 建筑物所在纬度
    structure Nchar(50) 建筑物结构
    remarks Nchar(255) 备注
    damage Nchar(50) 建筑物破坏情况
    pic Nchar(255) 采集的建筑物照片
    下载: 导出CSV 
    | 显示表格

    本系统应用MyBatis框架作为持久层对数据库进行访问。MyBatis是一个基于Java的持久层框架,支持定制化SQL查询,存储过程和高级映射,优化了数据库的访问、编辑和操作等功能。经后台数据运算,将结果以发布服务的方式给Flex调用,实现了灾情信息在前端平台的实时发布和展示。

    根据整体结构层次,准实时灾情综合评估系统用户交互的界面主要由1个登录界面和5个功能模块组成。功能模块包括MEMS灾情评估、灾情动态采集、灾情动态修正、灾情综合评估、系统介绍。每一功能模块分为若干子模块,并根据震时应急需求提供不同的灾情信息图件(图 5)。

    图 5  准实时地震灾情动态综合评估系统界面
    Figure 5.  Interface of quasi real-time comprehensive evaluation system
    3.3.1   用户登录界面设计

    登陆界面采用简洁的用户名-密码登陆模式,结合世界地图和突出显示的丹棱县地域标识作为背景,具有较好的视觉体验和安全便捷的用户管理层(图 6)。

    图 6  准实时地震灾情动态综合评估系统登陆界面
    Figure 6.  Login interface of quasi real-time comprehensive evaluation system
    3.3.2   MEMS灾情评估模块

    MEMS灾情评估模块基于灾情评估模型,在震后10分钟内快速得到地震动影响场,评估灾区基本灾情。MEMS灾情评估模块产出的灾情信息图件包括峰值加速度散点图、仪器烈度散点图(图 7)、峰值加速度等值线图(图 8)和建筑物震害预测图(图 9)。

    图 7  仪器烈度图
    Figure 7.  Instrument intensity map
    图 8  峰值加速度等值线图
    Figure 8.  Contour map of peak acceleration
    图 9  建筑物震害预测图
    Figure 9.  Prediction map of seismic damage of structures

    该模块主要产出的灾情信息包括:45个MEMS强震仪峰值加速度值、仪器烈度值、以乡镇为单位对应不同破坏等级的不同类型建筑物数量及比例。

    3.3.3   灾情动态采集模块

    灾情动态采集模块主要实现震时灾情数据的实时更新和展示(图 10)。通过链接后台灾情数据库,一旦灾情采集APP有灾情数据传入,系统将自动更新灾情数据表,同时系统前端将根据灾情数据表每2分钟自动刷新建筑物灾情动态采集图、道路灾情动态采集图、人员伤亡动态采集图,并以突出显示的方式提醒用户。

    图 10  灾情动态采集图
    Figure 10.  Acquisition map of dynamic seismic disaster

    该模块主要产出的灾情信息包括:对应不同破坏等级的不同类型建筑物数量及比例、道路破坏点坐标、人员受伤及死亡数量。

    3.3.4   灾情动态叠加模块

    灾情动态修正模块是基于灾情动态修正模型和算法,通过震时灾情采集数据对评估结果进行动态修正与更新。主要产出有建筑物灾情动态叠加图、道路灾情动态叠加图(图 11)。

    图 11  灾情动态修正图及产出结果对比图
    Figure 11.  Map of dynamic seismic disaster after correction

    该模块主要产出的灾情信息包括:基于评估与采集结果的建筑物破坏数量对比、道路破坏分布。

    3.3.5   灾情综合评估模块

    灾情综合评估模块主要实现震时不同行政区灾害等级的综合评估。主要产出灾区灾情综合评估图,并给出对应行政区的综合灾害指数(图 12)。

    图 12  灾情综合评估图
    Figure 12.  Comprehensive map of seismic disaster estimation

    系统通过后台数据库实现了地震动参数及灾情数据的录入、查询筛选、编辑、导出、保存等功能,并结合五大功能模块生成灾情信息图集和表单,为城镇地震防灾与应急处置一体化服务系统提供技术支持。

    本研究基于JavaEE框架,应用Flex开源设计语言开发了准实时灾情综合评估系统,利用承灾体基础数据及易损性曲线、MEMS强震观测数据和实时地震灾情调查数据,通过易损性分析、动态修正、叠加分析等方法,实现了地震灾情的快速评估和动态修正,在一定程度改善了地震影响场估计不准、地震灾情评估速度慢、可靠性差等问题。该系统产出的准实时综合灾情评估图,兼顾震后灾情信息的紧迫性和准确性。首先,通过MEMS强震仪实测地震动分布和市县实际房屋现状及脆弱性曲线快速分析得到灾情预测图,为地震应急指挥和紧急处置争取宝贵时间。其次,结合现场采集的实际灾情数据,动态修正灾情预测图,不断更新灾情动态评估结果,逐步获得较准确的地震灾情分布图,为地震应急救援提供科学依据。但考虑到实际地震的复杂性,该系统在应用过程中一定会出现很多因考虑不周而导致的问题,在未来的地震灾情评估事件中我们将对其进行进一步的完善。

    致谢: 衷心感谢“城镇地震防灾与应急处置一体化服务系统及其应用示范”项目其他课题组成员对本研究的大力支持和帮助!
  • 图  1  震后基于无人机快速三维定位被困人员模型流程图

    Figure  1.  The flow chart of the model of the trapped people based on the uav fast 3D positioning after the earthquake

    图  2  理想状态下RSSI与距离对应关系

    Figure  2.  The correspondence between RSSI and distance value under ideal state

    图  3  理想状态下无人机三维圆周定位模型

    Figure  3.  The ideal positioning 3D model of UAV circumferential

    图  4  质心定位模型

    Figure  4.  The positioning model of center of mass

    图  5  基础模型

    Figure  5.  The fundamental model (a)、The vector diagram of house frame based on geographic information space technology (b)、The 3D vector topography of Honghe county (c)、The model of fast location of trapped people after earthquake (d)

    图  6  无人机搜寻路径

    Figure  6.  The search path of UAV

    图  7  本研究RSSI与距离对应关系

    Figure  7.  The correspondence between RSSI and distance value in this study

    图  8  三维定位可视化模型结果

    Figure  8.  The model results of 3D localization visualization

    表  1  模型结果

    Table  1.   The results of model algorithm

    序号MAC地址物理层协议RSSI信号质量平均信号质量频率通道信息数最大速度/
    Mbps
    带宽/
    MHz
    第一次
    检测
    最后一次
    检测
    是否连接经度/°纬度/°海拔/m
    1 68-A0-3E-D8-39-68 802.11g/n/ac −70.6357 65 63 2.462 11 16 390 20 09:23:09 09:23:15 102.418763 23.373135 989.23
    2 98-E7-F5-88-9A-53 802.11g/n −79.6666 58 57 2.462 11 13 450 20 09:26:14 09:26:30 102.421803 23.375657 978.75
    3 B8-94-36-1C-17-B6 802.11g/n −83.6453 51 49 2.437 6 13 144 20 09:29:40 09:30:01 102.424242 23.373963 971.17
    4 B8-94-36-49-97-38 802.11g/n −88.2236 49 47 2.462 11 13 144 20 09:33:08 09:33:21 102.403974 23.372365 966.57
    5 E6-8F-F4-93-F0-80 802.11g/n −88.8517 49 48 2.462 11 16 144 20 09:36:25 09:36:31 102.405390 23.373218 952.45
    6 96-E5-DE-7C-56-C6 802.11g/n −86.8687 47 45 2.462 11 15 144 20 09:39:35 09:39:45 102.406310 23.371309 959.84
    7 88-11-96-3A-C3-8A 802.11g/n −82.6973 39 38 2.437 6 12 72 20 09:42:43 09:42:59 102.408521 23.370730 957.34
    8 AE-26-9B-CA-D1-96 802.11g/n −83.1799 41 40 2.437 6 17 144 20 09:45:21 09:45:35 102.409911 23.372194 963.18
    9 78-44-FD-C4-AC-C7 802.11g/n −78.0151 60 58 2.462 11 19 300 40 09:48:31 09:48:45 102.412029 23.372019 973.19
    10 14-3C-C3-6E-35-CE 802.11g/n/ac −70.6356 65 64 2.462 11 16 390 20 09:51:16 09:51:42 102.414051 23.370901 972.57
    11 80-8A-8B-FD-6A-9F 802.11g/n/ac −70.0237 63 62 2.417 2 16 780 20 09:54:20 09:54:33 102.417008 23.372129 981.41
    12 82-89-17-C4-A2-47 802.11g/n −79.3526 57 56 2.437 6 12 300 40 09:57:27 09:57:46 102.418084 23.372371 989.17
    13 C6-8B-BD-37-4C-7B 802.11g/n −81.1323 40 38 2.437 6 16 144 20 10:00:02 10:00:10 102.418932 23.371930 989.87
    14 20-54-FA-58-35-DA 802.11g/n −85.5554 48 46 2.412 1 15 72 20 10:03:09 10:03:15 102.417509 23.371243 979.23
    15 88-F8-72-98-3F-A1 802.11g/n/ac −90.0235 34 33 2.437 6 15 390 20 10:06:45 10:06:58 102.416266 23.371261 976.01
    16 60-83-34-92-AC-F5 802.11g/n −88.2236 38 37 2.437 6 16 300 40 10:09:19 10:09:28 102.411133 23.370793 966.73
    17 88-11-96-3A-C3-8A 802.11g/n −84.9493 40 39 2.437 6 12 72 20 10:12:27 10:12:35 102.409092 23.369330 953.21
    18 EC-8C-9A-BD-D1-4C 802.11g/n −88.8516 49 47 2.412 1 16 300 40 10:17:15 10:17:37 102.412496 23.368698 959.53
    19 24-31-54-3B-C3-D1 802.11g/n −85.3565 40 39 2.437 6 13 300 40 10:19:09 10:19:27 102.423898 23.368756 968.45
    20 60-83-34-AE-51-DC 802.11g/n −84.5289 40 39 2.412 1 17 300 40 10:57:03 10:57:33 102.413991 23.367852 957.33
    21 80-8A-8B-FD-6A-9B 802.11g/n/ac −86.8683 38 37 2.412 1 16 780 20 11:00:07 11:00:35 102.416923 23.367627 967.76
    22 20-DA-22-3B-0E-60 802.11g/n/ac −89.1547 36 35 2.437 6 16 390 20 11:03:30 11:03:44 102.419275 23.366158 969.59
    23 D6-CB-D1-9D-A7-A6 802.11g/n −88.8617 36 34 2.462 11 16 144 20 11:06:59 11:07:11 102.422893 23.366153 963.65
    24 46-BD-E9-8A-A8-4C 802.11g/n −91.3542 35 32 2.437 6 14 144 20 11:10:05 11:10:23 102.419093 23.365337 956.22
    25 F2-79-60-E9-B0-E9 802.11g/n −70.6357 64 63 2.437 6 17 144 20 11:13:53 11:14:11 102.424897 23.365382 957.51
    26 FC-AB-90-24-E0-D3 802.11g/n/ac −79.6666 53 51 2.462 11 16 390 20 11:16:33 11:17:23 102.426891 23.365028 948.37
    下载: 导出CSV

    表  2  模型定位被困人员位置与实际位置对比结果

    Table  2.   Comparison results of position of trapped people located by model and real position

    序号 无人机定位模型结果 实际坐标位置误差率P[i,j]/%
    经度X[i]纬度Y[i]海拔Z[i]R[i]经度X[j]纬度Y[j]海拔Z[j]R[j]
    1 102.418763 23.373135 989.23 994.7923901 102.418441 23.373315 989.18 994.7426407 0.500 00
    2 102.421803 23.375657 978.75 984.3719874 102.421325 23.375567 977.94 983.5665654 8.180 00
    3 102.424242 23.373963 971.17 976.8358288 102.424489 23.373317 972.15 977.8101607 9.960 00
    4 102.403974 23.372365 966.57 972.2604621 102.403999 23.372234 967.16 972.8470105 6.020 00
    5 102.405390 23.373218 952.45 958.2244903 102.405418 23.373256 953.00 958.7711816 5.700 00
    6 102.406310 23.371309 959.84 965.5703475 102.407621 23.371267 959.84 965.5704855 0.001 00
    7 102.408521 23.370730 957.34 963.0854437 102.408168 23.370213 956.98 962.727542 3.710 00
    8 102.409911 23.372194 963.18 968.8909958 102.409925 23.372314 964.21 969.9149354 10.550 00
    9 102.412029 23.372019 973.19 978.8428122 102.412834 23.372526 973.54 979.190888 0 3.550 00
    10 102.414051 23.370901 972.57 978.226580 0 102.414712 23.370974 973.03 978.6839922 4.670 00
    11 102.417008 23.372129 981.41 987.0162552 102.417332 23.372826 980.89 986.4992605 5.240 00
    12 102.418084 23.372371 989.17 994.7326377 102.418471 23.372490 988.99 994.5536871 1.790 00
    13 102.418932 23.371930 989.87 995.4288029 102.418597 23.371661 989.14 994.7028416 7.290 00
    14 102.417509 23.371243 979.23 984.848696 0 102.417615 23.371329 979.78 985.395573 0 5.540 00
    15 102.416266 23.371261 976.01 981.6469974 102.416398 23.371891 976.31 981.945304 0 3.030 00
    16 102.411133 23.370793 966.73 972.420242 0 102.411361 23.370335 966.55 972.2413085 1.840 00
    17 102.409092 23.369330 953.21 958.9802145 102.409441 23.369287 954.33 960.0935194 11.590 00
    18 102.412496 23.368698 959.53 965.2627809 102.412183 23.368859 958.97 964.7060794 5.770 00
    19 102.423898 23.368756 968.45 974.1314881 102.423374 23.368153 968.45 974.1314186 0.00071
    20 102.413991 23.367852 957.33 963.0760152 102.413509 23.367290 957.78 963.5232667 4.640 00
    21 102.416923 23.367627 967.76 973.4447543 102.416226 23.367312 967.23 972.9177702 5.410 00
    22 102.419275 23.366158 969.59 975.2642992 102.419777 23.366435 969.88 975.5526718 2.950 00
    23 102.422893 23.366153 963.65 969.3594527 102.422337 23.366123 964.12 969.8266264 4.810 00
    24 102.419093 23.365337 956.22 961.9731275 102.419999 23.365376 955.77 961.5259174 4.650 00
    25 102.424897 23.365382 957.51 963.2560411 102.424413 23.365891 957.12 962.8683293 4.020 00
    26 102.426891 23.365028 948.37 954.1712894 102.426731 23.365581 949.13 954.9266686 7.910 00
    27 102.418431 23.372410 958.96 930640.0862 100.000 00
    28 102.418521 23.371634 979.18 969829.2591 100.000 00
    29 102.417634 23.371334 969.73 951411.8639 100.000 00
    30 102.416367 23.371877 976.32 964 236.0993 100.000 00
    平均误差率/% 4.970 00
    下载: 导出CSV
  • [1] 曹辉, 王绪本, 简兴祥等, 2007. 声波/振动生命搜索与定位系统的定位方法研究. 成都理工大学学报(自然科学版), 34(3): 336—339.

    Cao H., Wang X. B., Jian X. X., et al., 2007. Research on the position technology of the acoustic/seismic life detection and position system. Journal of Chengdu University of Technology (Science & Technology Edition), 34(3): 336—339. (in Chinese)
    [2] 邓飞, 窦爱霞, 袁小祥, 2017. 轻小型无人机在房屋建筑结构类型调查中的应用. 震灾防御技术, 12(4): 786—796. doi: 10.11899/zzfy20170407

    Deng F., Dou A. X., Yuan X. X., 2017. Application of light-small unmanned aerial vehicle in investigating structural types of buildings. Technology for Earthquake Disaster Prevention, 12(4): 786—796. (in Chinese) doi: 10.11899/zzfy20170407
    [3] 杜浩国, 张方浩, 邓树荣等, 2018. 震后极灾区无人机最优航拍区域选择. 地震研究, 41(2): 209—215. doi: 10.3969/j.issn.1000-0666.2018.02.008

    Du H. G., Zhang F. H., Deng S. R., et al., 2018. Selection of UAV optimal aerial areas in the extremely-affected region after an earthquake event. Journal of Seismological Research, 41(2): 209—215. (in Chinese) doi: 10.3969/j.issn.1000-0666.2018.02.008
    [4] 杜浩国, 陈亮, 林旭川等, 2019. 云南红河县城区房屋地震灾害三维仿真模拟方法. 地震研究, 42(2): 218—229. doi: 10.3969/j.issn.1000-0666.2019.02.010

    Du H. G., Chen L., Lin X. C., et al., 2019. 3D simulation method of housing earthquake disaster in Honghe Country, Yunnan. Journal of Seismological Research, 42(2): 218—229. (in Chinese) doi: 10.3969/j.issn.1000-0666.2019.02.010
    [5] 杜浩国, 林旭川, 张方浩等, 2021. 基于蚁群优化算法的应急避难场所选址模型研究. 自然灾害学报, 30(2): 89—101.

    Du H. G., Lin X. C., Zhang F. H., et al., 2021. Study on emergency shelter location model based on ant colony optimization algorithm. Journal of Natural Disasters, 30(2): 89—101. (in Chinese)
    [6] 胡宇航, 张峰, 2018. 基于视觉图像的震区人员搜救方法研究. 地震工程学报, 40(6): 1356—1361. doi: 10.3969/j.issn.1000-0844.2018.06.1356

    Hu Y. H., Zhang F., 2018. Research on personnel search-and-rescue method in earthquake area based on visual imagery. China Earthquake Engineering Journal, 40(6): 1356—1361. (in Chinese) doi: 10.3969/j.issn.1000-0844.2018.06.1356
    [7] 李金香, 温和平, 张治广等, 2018. 三维影像技术在承灾体基础数据调查中的应用——以吐鲁番市主城区为例. 震灾防御技术, 13(2): 424—438. doi: 10.11899/zzfy20180217

    Li J. X., Wen H. P., Zhang Z. G., et al., 2018. Application of 3D imaging technique in basic data investigation of disaster bearing body—a case of Turpan City, Xinjiang Uygur Autonomous Region. Technology for Earthquake Disaster Prevention, 13(2): 424—438. (in Chinese) doi: 10.11899/zzfy20180217
    [8] 李永强, 龚强, 王景来, 2006. 基于GIS的数字等震线模型. 地震研究, 29(4): 401—406. doi: 10.3969/j.issn.1000-0666.2006.04.015

    Li Y. Q., Gong Q., Wang J. L., 2006. Digital Isoseisms model based on GIS. Journal of Seismological Research, 29(4): 401—406. (in Chinese) doi: 10.3969/j.issn.1000-0666.2006.04.015
    [9] 潘雪琛, 姜挺, 余岸竹等, 2019. 基准影像数据辅助遥感影像几何定位. 遥感学报, 23(4): 673—684.

    Pan X. C., Jiang T., Yu A. Z., et al., 2019. Geo-positioning of remote sensing images with reference image. Journal of Remote Sensing, 23(4): 673—684. (in Chinese)
    [10] 孙公德, 郭勇, 沈建等, 2017. 分布式超宽带雷达地震被困人员协同探测技术. 震灾防御技术, 12(4): 966—977. doi: 10.11899/zzfy20170424

    Sun G. D., Guo Y., Shen J., et al., 2017. Collaborative detection technology for detecting trapped personnel by distributed UWB radar earthquake. Technology for Earthquake Disaster Prevention, 12(4): 966—977. (in Chinese) doi: 10.11899/zzfy20170424
    [11] 孙黎明, 2012. 基于红外成像的生命探测仪设计与研究. 秦皇岛: 燕山大学.

    Sun L. M., 2012. Design and research of life detection based on infrared imaging. Qinhuangdao: Yanshan University. (in Chinese)
    [12] 谢益溪, 2008. 无线电波传播—原理与应用. 北京: 人民邮电出版社.
    [13] 许建华, 李伟华, 杜晓霞等, 2016. 人员伤亡规模不同的特别重大地震灾害专业救援对比分析. 震灾防御技术, 11(4): 781—790. doi: 10.11899/zzfy20160408

    Xu J. H., Li W. H., Du X. X., et al., 2016. Comparative analysis of professional rescues for catastrophic earthquakes with different death levels. Technology for Earthquake Disaster Prevention, 11(4): 781—790. (in Chinese) doi: 10.11899/zzfy20160408
    [14] 徐秀杰, 贾荣光, 杨玉永等, 2018. 系留式无人机中继通信系统在地震应急现场的应用试验研究. 震灾防御技术, 13(3): 718—726. doi: 10.11899/zzfy20180323

    Xu X. J., Jia R. G., Yang Y. Y., et al., 2018. Technical application of the tethered UAV relay system in earthquake emergency site. Technology for Earthquake Disaster Prevention, 13(3): 718—726. (in Chinese) doi: 10.11899/zzfy20180323
    [15] Wu C. S., Yang Z., Liu Y. H., et al., 2013. WILL: wireless indoor localization without site survey. IEEE Transactions on Parallel and Distributed Systems, 24(4): 839—848. doi: 10.1109/TPDS.2012.179
  • 加载中
图(8) / 表(2)
计量
  • 文章访问数:  189
  • HTML全文浏览量:  87
  • PDF下载量:  5
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-09-23
  • 刊出日期:  2021-06-30

目录

/

返回文章
返回