1 引言
近年来，由于国家或地区间的利益冲突所导致的传统化学安全威胁依然存在。同时，以次生化学危害、化学恐怖活动和工业化学事故为主要代表的非传统化学威胁正日益加剧[1]。未来发生化学危害事件后，需快速预测分析化学物质动态分布态势，为决策人员制定应对方案、最大限度降低危害影响提供依据。
现有的化学态势感知系统是建立在二维基础上，缺乏空间态势探测感知及呈现能力，因此，亟需探索建立基于三维感知的化学威胁态势系统，实现化学污染物的三维感知和三维态势显示，以满足化学危害事件精准决策的需要。
2 化学危害事件与三维态势感知
态势即事物发展的状态与趋势，本质上是相关事件在时间和空间上一系列事实的集合，这些事实由目标间的相互关系所组成[2-3]。态势感知是通过探测和侦察手段获取相关区域的当前状态，在传感器级数据融合的基础上，结合多源信息进行综合处理，进行态势元素聚类，形成当前态势，并在态势图上呈现[4]。
污染事件中，化学信息来源广泛、信息量大，面对大量化学信息，由于区域数据的复杂性和不确定性，使决策人员很难快速地获取有效信息。因此，需要及时全面收集污染区域化学信息并进行融合与处理，在态势图中呈现，使决策人员能够快速、直观和全面地掌握污染区域化学情况。
化学危害事件态势感知即是对化学威胁进行的探测与侦察，通过对获取的数据进行分析融合，得到实时的化学污染状态及扩散趋势。化学危害事件态势感知的最终目的是为了对化学威胁态势结果进行有效分析利用，得到相应的防范决策策略，为有效效防护提供重要依据。
在态势感知方面，美国基于已建立的联合报警与报告网络(JWARN)[5-6]，配合联合效应模型(JEM)[7]和联合作战效果集成系统(JOEF)[8]等软件资源，构建了联合项目管理信息系统(JPMIS)[9]，形成了化学战场信息化建设体系，完成了化学信息从感知获取、分发传递到处理上报、决策再反馈的全过程(图1)。
我国在化学危害事件态势感知方面的研究起步较晚，存在数据来源单一、多源融合能力弱、空间感知能力不足、危害评估能力弱、支撑模型少等问题。
由于化学污染物具备空间三维特性，基于三维空间数据的态势融合方法能够充分考虑空间维度，更好地还原真实场景，融合结果更符合实际扩散趋势。通过污染物梯度分布的三维态势剖面分析，能够有效确定实际撤离或需要防护的范围，从而提高了指挥决策能力，实现了精准防护要求，降低了防护成本。
化学危害事件三维态势感知是指基于三维空间的对化学污染事件的当前状态及发展趋势的探测、预报和三维动态呈现。将多传感器数据融合分析技术应用于区域化学全域感知，特别是利用好地面、空中多域传感器进行立体融合，并结合三维态势显示，可极大提升对化学威胁的立体、多源、多域情报感知能力。
图1 美国联合项目管理信息系统结构框图
Fig.1 Structure of American joint project managementinformation system
3 化学危害事件三维态势感知系统构成
3.1 化学危害事件感知及处置流程
根据现有技术水平，对化学危害事件处置流程进行设计。如图2所示。
图2 化学危害事件处置流程框图
Fig.2 Disposal flow chart of chemical hazards
1) 某区域受到化学恐怖袭击或者化学物质泄露，利用通用平台报警系统初步获取化学危害物质信息，完成对危害程度的初步估算，结合气象信息和地理环境数据预测大致影响范围，完成对危害区域的侦察部署决策；
2) 派遣侦察车、无人机以到达指定区域，结合固定侦测站等探测设备进行化学物质的现场侦察，收集更为详细的化学物质浓度等相关数据；
3) 获取传感器发回的数据后，进行数据预处理工作，剔除冗余、错误数据，定位威胁区域中心点数量；
4) 利用已获得的化学物质浓度分布及时变浓度信息，利用源相反演技术确定化学危害事件参数，为后续危害扩散预测及威胁态势融合提供重要的背景场数据；
5) 利用源相预测数据作为背景场数据，与现场探测数据进行融合处理，得到化学危害物质浓度信息更准确的分析场数据，融合结果能够捕捉微小变化，相较背景场具有更好的解析观测能力，分析场在保留预测数据资料优势的同时，根据现场探测信息对背景场进行有效修正[10]；
6)最后，利用三维可视化技术，对分析场数据进行污染态势的三维可视化处理，完成对危害区域的呈现、预测和区域报警及威胁分析，为最终的化学危害事件处置决策提供重要依据。
3.2 化学危害事件三维态势感知系统架构及模块功能
针对化学威胁实际，结合化学危害事件处置流程，设计化学危害事件三维态势感知系统体系架构，如图3所示。系统包括探测器接口模块、数据预处理模块、源相反演模块、数据融合模块和污染物三维显示模块等5个模块，通过流程化处理，实现从信息采集到态势展示，最后协助决策人员完成防范与应对策略的制定。化学危害事件三维态势感知体系运行详细流程如图4所示。
图3 化学危害事件三维态势感知系统体系架构框图
Fig.3 Structure of the three-dimensional situation awareness system for chemical hazards
图4 化学危害事件三维态势感知系统运行流程框图
Fig.4 Operation process of three-dimensional situation awareness system for chemical hazards
1) 探测器接口模块。探测器接口模块包括通用平台报警部分和现场探测部分，通用平台报警模块即安装在各类设备设施或建筑中的通用报警设备，负责对化学危害物质泄漏等事件的常态化监测，在发生化学危害事件后，通用报警平台首先发现化学污染，并及时向上级汇报相关污染信息，指挥中心收到信息后，由现场测量设备前往危害区域进行更一步的探测工作。现场探测部分由空中、地面机动式和固定式探测器组成，在多部门联合协同中还可以增加其他部门间的各类传感器作为补充，实现多种资源的综合利用。
探测器接口采用通用接口模组形式，实现模块化、通用化，做到传感器的即插即用以及部门间的协同使用。接口类型包括有线型接口和无线型接口，适应各种传感器的需要，丰富探测手段。
在以往探测系统中，仅包含地面侦测设备，获取的数据为地面数据，可近似认为在二维平面空间中获取数据。而本系统设计中，侦测过程中加入了无人机作为空中侦测设备，实现了对立体空间污染物浓度的探测，提高了探测的广度和精度。
2) 数据预处理模块。采集到的化学污染物原始数据具有稀疏性，并且由于某些主观或客观原因造成数据的误报及离群点的出现，即与其他样本数据存在明显不一样特征的点。数据预处理模块负责对传感器采集的数据进行相关性分析，去除离散点、误报数据及相关性小的数据，从而使得融合结果更加准确可靠。数据预处理模块对原始数据的处理中主要用到离群点检测算法[11]和聚类算法[12]，通过离群点检测算法剔除异常数据，聚类算法实现对袭击源数量的确定。针对各类探测器数据形式各异的问题，需要通过数据标准化来实现，可以尝试以本体[13]的方法解决各类探测器数据的标准化问题。
3) 源相反演模块。化学污染源的定位是化学事故应急处置的基础与关键，源相反演模块能够利用已经获取的空间探测数据信息，反演出化学污染源，进而为化学污染物的扩散提供基础数据信息，利用基础数据信息通过高斯烟团模型可以实现对污染范围的动态预测，该预测数据可以为进一步的数据融合提供重要的背景场信息。源相反演模块是基于最优化理论方法，通过建立预测数据与实测数据间的最佳匹配，求解目标函数得到。
4) 数据融合模块。数据融合模块对获取的地面、空中三维数据进行融合迭代处理，得到更为准确的态势融合结果。首先在初始气象、地理、物质特性条件基础上，依据遥测初报数据，初始化下风向危害预测；当污染监测数据获得后，再逐次进行预测修正；不断更新迭代监测数据，与预测数据进行融合，得到校准信息，同时调制出最新的污染范围，以便掌控污染范围；借助最新掌握的污染态势，可作为拟定防护决策的参考依据。态势融合模型示意图如图5。融合算法主要有贝叶斯模型平均方法[14]、三维变分同化算法[10]等。
图5 态势融合模型示意图
Fig.5 Situation fusion model
5) 污染态势三维显示模块。污染态势三维显示模块负责对融合结果进行三维态势显示，通过三维图像能够准确掌握化学污染物的实时运动状态以及气象条件作用，能够清晰直观的掌握污染物飘散的空间区域，相比二维态势显示具有更高的实际应用价值。在源相反演系统基础上生成的化学污染物扩散模型能够生成污染物扩散趋势图(图6)，结合三维显示实现对未来态势的预测。
图6 三维显示效果图
Fig.6 Three-dimensional display drawing
4 化学危害事件三维态势感知系统模型设计
化学危害事件发生后，相应区域将产生化学污染物烟团，烟团在风力等大气作用下发生扩散，形成较大的危害区域，本研究目的则是在化学污染物浓度探测基础上，建立扩散区域的仿真模型。在探测器数量不受限的情况，尽量布设较多探测器，通过获取探测器数据并显示，则能够得到对化学污染物当前扩散状态的精确呈现，通过不断刷新探测器数据，能够获得化学污染物扩散的动态过程。但在实际的应用中，化学污染物探测器的数量是有限的，无法大量布设探测装置，因此，需要通过仿真建模手段模拟化学污染物的扩散状态。
在明确化学污染物释放源位置及释放源强的情况下，根据大气扩散基本理论，利用高斯烟团扩散模型即可模拟烟团的扩散模式，但由于化学危害事件的随机性，化学危害事件发生地点、源强等信息无法提前预知，需要首先通过源相反演技术实现对化学污染物释放源的确定，即获取源强和坐标信息，之后，再利用高斯烟团扩散模拟化学污染物的扩散过程。
但由于有限数量的探测器获取的数据量较小，在源相反演及高斯扩散模拟过程中存在误差，模拟的结果与实际扩散过程存在一定偏差，此时，则需要通过模拟扩散模型与探测器获取的现场探测数据进行融合，降低模拟误差，使模拟仿真结果尽量接近真实扩散态势。
综上，在化学危害事件三维态势感知系统中，需要重点研究三类模型，即化学事件源相的有效识别、化学污染物的扩散模拟、化学污染物信息的实时融合分析，如图7所示。
图7 化学危害事件三维态势感知模型运行流程
Fig.7 Operation process of three-dimensional situation awareness model for chemical hazards
1) 源相反演定位模型。国内外学者对源相反演技术进行了较为深入的探索和努力，提出了各种反演方法并取得了一定成果，源相反演定位的研究成果主要分为两大类：基于概率统计理论法以及基于最优化理论方法[15]。结合研究中使用的多传感器探测的实际情况，本文利用基于多监测点的最优化理论方法建模。当化学危害事件发生时，在遥测探测器初步定位的基础上，在事件发生点下风向布置多监测器监测网络，保证监测足够的有效浓度数据，结合气象信息和空间地理环境信息，寻求化学污染物扩散的模拟数值浓度与监测网络实际探测的浓度的一个最佳匹配，从而，将化学危害源位置定位和源强确定转化为一个多参数的目标无约束优化问题。
对待求参数θ=(Q0,x0,y0,z0)，以污染物扩散的模拟浓度数据与探测数据的误差作为目标函数，即
J(θ)=‖Ccal(X,t)|θ-Cobs(X,t)‖
(1)
则该优化问题可以表达为
(2)
其中：Θ为所有可行解构成的解空间；θ为任一可行解；J(θ)为目标函数；Q0为待求的事故源强度；X0=(x0,y0,z0)为待求的污染物源位置；X为监测位置(x,y,z)；Ccal(X,t)|θ为当源参数取值为θ得到的时刻t在位置(x,y,z)处的计算浓度；Cobs(X,t)为时刻t在位置(x,y,z)处的探测浓度。
则危害源位置定位模型为
(3)
式中: T为监测次数，N为监测点个数。对探测器监测网中的N个监测点得到的数据进行建模，对不同监测点不同时间的监测数据和模型计算数据进行比较，寻找最佳匹配。因此，化学危害源位置的定位问题转化为了在解空间Θ中找到一个使目标函数J(θopt)最小的解向量θopt。
2) 化学污染物烟团扩散模型。扩散模型研究种类繁多，但因提出时间早、实验数据多、计算较为方便且相对成熟，高斯模型及其改进模型得到了较为广泛的应用，特别是对有毒化学气体物质泄漏的源相定位研究中，大多采用高斯模型[15-21]。因此，本研究采用最常用的高斯Pasquill-Gifford模型[22]，即
(4)
其中，C(x,y,z,t)为t时刻(x,y,z)点的浓度；Q为源强；u为风速；σx、σy、σz分别为距离原点x处烟团中污染物在下风方向、侧风方向及垂直方向的扩散系数，也即高斯分布的在x、y、z方向的标准差。利用高斯扩散模型估算化学污染物扩散影响范围的结构流程如图8所示。
图8 估算化学污染物扩散影响范围的总体结构流程框图
Fig.8 Structure of the estimated range of chemical pollutant diffusion
探测器监测网络一般采用网格化布设，探测器布设数量越多，测量精度越高，但相应的计算成本也将显著上升。在满足精度要求的情况下，部分学者[15]利用模式搜索算法[23]对探测器布设模式进行了研究，在以下假设条件下，得出4×4网格设计既能满足精度要求，又兼顾了计算时间成本，如图9所示。因此，结合化学危害事件实际发生环境，监测网络的网格设置可通过模式搜索算法计算得出。
假设条件：化学污染物源强为Q=5×106 g；大气稳定度为F级；平均风速为2 m/s。在1 km2范围内，分别以2×2、4×4、8×8、10×10、20×20的网格设置探测器的位置，利用式(4)生成各探测器点上的测量浓度。
图9 探测器监测网格布设示意图(4×4)
Fig.9 Layout of the monitoring grid of detectors(4×4)
3) 数据融合模型。本研究中的数据融合借助数据同化技术实现，数据同化技术能够将探测器获取的污染物观测数据与模型模拟数据进行融合，数据同化是一种基于最优化理论演变而来的分析技术，在满足状态量时间演进及在物理性质一致性约束条件下，充分考虑探测数据的背景场误差、时空分布和多源观测场的基础上，将不同探测数据逐步融合到数值模式的分析技术[10,24]。考虑本研究中探测数据的空间分布特性以及时间计算复杂度问题，本文使用三维变分同化算法作为数据融合模型。
变分同化是对代价函数求极小化解，三维变分同化代价函数如下：
(5)
其中: x为分析变量，xb为背景场，Yo为观测数据，H为观测算子，B为背景误差协方差矩阵，R为观测误差协方差矩阵，求代价函数的极小化解就是求代价函数J的最小值。
使用迭代下降法可以求解该极小化问题：指定一个初始点x0，沿目标函数J(x)在x0下降速度最快的方向上找到下一个点x1，使得目标函数J(x)在该方向极小，不断迭代计算，直到满足收敛条件：‖xk+1-xk‖≤ε，迭代计算结束，此时，xk+1就是最优解。
5 主要问题与解决思路
1) 多源化学数据处理。化学危害事件污染区域的数据采集工作由空中无人探测器、地面侦察车、固定探测器及多部门传感器等多种类型设备负责，不同传感器数据采集相互独立，采样周期各异，样本上报时间不同，如何协调、处理这些设备的数据是一个需要深入研究的问题。此外，传感器是电子元器件，受到某些因素影响，会出现错误数据，要对数据进行相关性分析，尽量消除错误数据，保证融合结合更加准确可靠。另外，化学泄漏事件或化学恐怖袭击区域可能是单点或多点，污染浓度以中心向周围梯度下降，针对不同区域采取的防护措施也不尽相同，因此，在预处理过程中要具备检测化学危害事件中心点数量的能力。
2) 数据组织管理。各类传感器的数据格式各异，无法直接使用，需要结合研究实际，考虑三维空间特性、化学污染物特点(比如种类、威胁等级等)，设计满足本研究所需的数据管理格式，把来自多个传感器的数据和信息进行联合、相关和组合，以满足三维数据融合的需要。同时，在数据管理上，也需要根据数据量大小、数据组织特点等选择合适的数据管理方式。
3) 三维空间态势融合。化学危害事件污染区域是一个空间大范围区域，并且伴随大气活动，污染范围是一个动态变化过程，但通过各类传感器采集到的空间污染数据均为单点数据，且站网疏密变化，在不同地形条件、不同气候背景、不同天气系统条件下如何合理制定多源融合格点分析，从而得到最优分析尺度上的多源融合结果，将成为融合分析中的难点[25]。
4) 算法效率与计算精度的优化选择。国内外学者在源相反演和数据融合技术上进行了较为广泛的研究，提供了诸多的算法模型，每种算法均有其优缺点，而各类算法在算法效率与计算精度上基本都存在负相关问题，因此如何建立合适的评价机制，做出在具体应用中的合理优化选择是一个重要研究难点。
6 结论
提出一种基于三维传感器条件下的化学危害事件三维态势感知系统架构。从化学危害事件处置流程入手，针对各个环节设计了相应的分析处理单元，提出了在多维数据采集基础上，实现化学危害源的定位、威胁区域预测和污染范围三维态势融合的方法，为化学危害事件态势感知的研究提供了重要基础，该系统能够为化学污染事件下的精准防护与指挥决策提供重要支撑。
研究中在模型选择上进行了理想化假设，采用了部分经验公式。在后续的研究中，应针对实际环境进一步研究，充分考虑地形地貌和大气环境条件，将相关参数有效融合，实现对化学危害事件三维态势更精确的呈现。
[1] 王奋伟,梁赤勇,王男.核生化灾害模拟与仿真技术与装备研究综述[C]//第一届中国指挥控制大会论文集.北京:2013.
Wang F W,Liang C Y,Wang N.Review on simulation technology and equipment research of nuclear,biological and chemical disaster[C]//Proceedings of the First China Command and Control Conference.Beijing,China:2013.
[2] LAMBERT D A.Situations for situation awareness[C]//Proceedings of the Fusion 2001 International Conference on Information Fusion,Montreal：Canada,F,2001.
[3] 韩崇昭,朱洪艳,段战胜.多源信息融合[M].北京：清华大学出版社,2006.
Han C Z,Zhu H Y,Duan Z S.Multi-source information fusion[M].Beijing:Tsinghua University Press,2006.
[4] 严义君.侦察情报态势融合系统的研究与设计[D].南京：东南大学,2006.
Yan Y J.Research and design of reconnaissance intelligence situation fusion system[D].Nanjing:Southeast University,2006.
[5] 王珊珊,张彩庆.美军核化生联合项目管理信息系统的发展[J].中国电力教育,2007(S4):129-31.
Wang S S,Zhang C Q,Development of management information system for nuclear,chemical and biological joint project of US army[J].China Electric Power Education,2007(S4):129-32.
[6] 朱晓行.美俄核化生信息网络建设解析[C]//全国第七届核监测学术研讨会论文集.牡丹江：F，2009.
Zhu X X.Analysis on the construction of nuclear,chemical and biological information network in the United States and Russia[C]//The Seventh National Symposium on Nuclear Monitoring.Mudanjiang:F,2009.
[7] 李铁虎.联合效应模型(JEM) [J].国外防化科技动态,2006(02):25-27.
Li T H.Joint effect model[J].Trends of Foreign Chemical Defense Technology,2006(02):25-27.
[8] 王珊珊,王曼琳.联合作战效果集成系统(JOEF) [J].国外防化科技动态,2006(02):17-25.
Wang S S,Wang M L.Joint operation effect integration System(joef)[J].Trends of Foreign Chemical Defense Technology,2006(02):17-25.
[9] 朱晓行.美军核化生信息化建设发展评述[J].国外防化科技动态,2006(02):2-10.
Zhu X X.Review on the development of nuclear,chemical and biological information construction of the U.S.military[J].Trends of Foreign Chemical Defense Technology,2006(02):2-10.
[10] 汪越兴.基于STMAS的多源资料融合及多重网格算法应用研究[D].南昌：华东交通大学,2018.
Wang Y X.Multi source data fusion based on STMAS and Application of Multigrid Algorithm[D].Nanchang:East China Jiaotong University,2018.
[11] 王敬华,赵新想,张国燕,等.NLOF:一种新的基于密度的局部离群点检测算法[J].计算机科学,2013,40(8):181-185.
Wang J H,Zhao X X,Zhang G Y,et al.NLOF:A new density-based local outlier detection algorithm [J].Computer Science,2013,40(8):181-185.
[12] 李润青,谢明鸿,黄冰晶.一种基于初始点密度最大的改进型ISODATA聚类算法[J].软件导刊,2017,16(12):94-98.
Li R Q,Xie M H,Hang B J.An improved ISODATA clustering algorithm based on maximum initial point density[J].Software Guide,2017,16(12):94-98.
[13] 邵云龙,孙学锋,隋江波，等.岸舰导弹作战体系网络结构优化研究[J].兵工自动化，2019，38(09)：68-71.
Shao Yunlong, Sun Xuefeng, Sui Jiangbo, et al.Research on Network Optimization of Shore-to-ship Missile Combat System[J].Ordnance Industry Automation, 2019, 38(09): 68-71.
[14] 潘旸,谷军霞,宇婧婧,等.中国区域高分辨率多源降水观测产品的融合方法试验[J].气象学报,2018,76(05):755-766.
Pan Y,Gu J X,Yu J J,et al.Test of merging methods for multi-source observed precipitation products at high resolution over China[J].Acta Meteorologica Sinica,2018,76(05):755-766.
[15] 陈增强.危险化学品泄漏源的定位研究[D].北京:北京化工大学,2013.
Chen Z Q.Research on Source Identification Approaches for Hazardous Chemical Releases[D]. Beijing: Beijing University of Chemical Technology,2013.
[16] 张久凤.基于监测数据的源强反算算法研究及应用[D].青岛:中国石油大学(华东),2011.
Zhang F J.Study and application of source intensity back-calculation algorithm based on monitoring data[D].Qingdao:China University of Petroleum,2011.
[17] 史阳.有毒气体罐车运输泄漏的源强及位置反算研究[D].兰州:兰州交通大学,2013.
Shi Y.Research on back-calculation of source intensity and position of toxic gas dispersion from road tank car[D].Lanzhou:Lanzhou Jiaotong University,2013.
[18] 邹吉然.非重气泄漏事故源强反算研究[D].哈尔滨:哈尔滨理工大学,2014.
Zou J R.Study of source intensity back-calculation for non-heavy gas leakage[D].Harbin:Harbin University of Science and Technology,2014.
[19] 骆蓓.基于MATLAB的液化气体源强反算研究[D].哈尔滨:哈尔滨理工大学,2015.
Luo B.The inverse study of the liquefied gas source intensity based on the matlab[D].Harbin:Harbin University of Science and Technology,2015.
[20] 张儒.危险化学品事故泄漏源强反算算法研究[D].北京：清华大学,2016.
Zhang R.Research on the hazardous chemical release source characteristics inversion methods[D].Beijing:Tsinghua University,2016.
[21] 熊伟,陈冬霞,王翘楚,等.含油气盆地异常低压成因及低压油气藏形成机理[J].长江大学学报(自然科学版),2019,16(4):1-7.
Xiong W,Chen D X,Wang Q C,et al.Origin of abnormal low pressure and formation mechanism of low pressure oil and gas reservoirs in oil and gas-bearing basins[J].Journal of Yangtze University(Natural Science Edition),2019,16(4):1-7.
[22] CROWL D A,LOUVAR J F.Chemical process safety:fundamentals with applications[J].Ceskoslovenská Otolaryngologie,1990,34(34):169-75.
[23] 郑小平,陈增强.模式搜索算法在毒气泄漏中的源强反算[J].中国安全科学学报,2010,20(05):29-34.
Zheng X P,Chen Z Q.Back calculation of source strength and location of toxic gases releasing based on pattern search method[J].China Safety Science Journal,2010,20(05):29-34.
[24] 张力.气象卫星微波大气观测资料三维变分同化研究[D].武汉:华中科技大学,2017.
Zhang L.Three dimension variational study on microwave atmospheric observations of meteorological satellite[D].Wuhan:Huazhong University of Science and Technology,2017.
[25] 师春香,潘旸,谷军霞,等.多源气象数据融合格点实况产品研制进展[J].气象学报,2019,77(04):774-83.
Shi C X,Pan Y,Gu J X,et al.A review of multi-source meteorological data fusion products[J].Acta Meteorological Sinica,2019,77(04):774-783.