Volume 2,Issue 9
面向应急救援的无人机多模态数据知识图谱构建与智能决策系统
为破解传统洪灾监测“信息滞后、语义贫乏、数据孤岛”三大瓶颈，本文提出“图像驱动-知识图谱赋能”框架（Image-KG4Flood）。首先，利用无人机与社交媒体多模态图像，基于PyTorch/OpenCV构建分钟级在线学习管线，将遥感周期由小时级压缩至5-10分钟；其次，以 YOLOv5 ／ Faster R-CNN 联合检测“人-车-房-船-树”5类目标并估算洪水覆盖度，构建覆盖 0%-90% 洪水梯度的 1 255 目标数据集；再次，设计 Neo4j 时空知识图谱统一水利 IoT、交通路网、气象预报等多源异构数据，提出“规则逻辑特征+余弦相似度”的图嵌入方法，实现 A-E 五级智能预警与“受困人员-最近安全点-可用救援艇”可解释决策路径。实验表明：系统在 15% 覆盖度/3 目标场景下 0.95 以上相似度输出 A 级预警，70% 覆盖度场景准确触发 E 级预警及大规模疏散建议，单次响应时间 < 5 s。本研究不仅为洪灾应急提供了可复制、可推广的 AI+KG 技术范式，也为台风、山火等极端气候事件的智能化响应提供方法学借鉴。
[1] 谭平, 刘惠娜, 韦昌法. 基于BiLSTM-CRF和Neo4j的脾胃病知识图谱构建[J].科学技术与工程,2025,25(22):9436-9444.
[2] 马婷. 基于Neo4j图数据管理系统的清热类中成药知识图谱的建立及应用[D]. 宁夏医科大学,2025.DOI:10.27258/d.cnki.gnxyc.2025.000332.
[3] 史政一, 吕君可, 黄弘. 基于Neo4j的城市地下管道信息知识图谱构建研究[J].中国安全生产科学技术,2024,20(06):5-10.
[4] 李宗柱, 宋绍剑, 李修华. 一种基于YOLOv5的农业害虫检测方法[J].植物保护,2025,51(01):111-122.DOI:10.16688/j.zwbh.2024089.
[5] 孙华宇. 基于深度学习电动车驾驶员头盔佩戴检测研究[D]. 沈阳理工大学,2023.DOI:10.27323/d.cnki.gsgyc.2023.000530.
[6] 蒋润康. 基于深度学习的电动车骑行人员头盔佩戴检测系统[D]. 宁夏大学,2022.DOI:10.27257/d.cnki.gnxhc.2022.001825.
[7]翁云龙. 基于深度学习的水面漂浮物检测方法研究[D]. 浙江科技大学,2024.DOI:10.27840/d.cnki.gzjkj.2024.000163.