或遗漏，导致决策的滞后性和不准确性。此外，随着无人机采集的 数据量呈指数级增长，如何高效处理和分析这些海量数据成为亟待 解决的技术难题。 近年来，人工智能（AI）技术的突破为无人机图像处理提供了 新的解决方案。通过深度学习、计算机视觉等 AI 技术，可以实现 对无人机图像的自动识别、分类和分析，显著提升处理效率和准确 性。例如，在农业领域，AI 可以自动识别作物的生长状态、病虫害 情况；在城市管理中，AI 可以实时监测交通流量、识别违章建筑； 和全自动控制。基于人工智能的飞行控制系统能够实现自主避障、 路径规划和目标识别等功能。特别是在低空飞行场景中，无人机需 要处理大量的环境数据，如建筑物、树木、电线等障碍物，这对算 法的实时性和准确性提出了更高要求。通过深度学习算法，无人机 可以在飞行过程中实时识别并避开障碍物，同时完成图像采集、目 标检测等任务。 无人机技术的发展还受益于通信技术的进步。5G 网络的普及 为无人机提供了高带宽、低延迟的通信能力，使得无人机可以在更 规 划、灾害评估等领域的应用日益广泛。然而，传统的无人机图像处 理方式主要依赖人工分析，存在效率低、成本高、主观性强等问 题。AI 图像识别技术的引入为这一领域带来了革命性的突破。通过 深度学习算法，AI 能够自动识别图像中的目标物体、地形特征以及 异常情况，极大地提升了图像处理的效率和准确性。 在农业领域，AI 图像识别技术能够自动识别作物种类、生长状 态以及病虫害情况。例如，通过训练卷积神经网络（CNN）模型，

练、航空文化传播、航天教育及低空经济发展而设立的综合性基 地。其主要功能涵盖了飞行器的驾驶、维护、航线规划、安全训练 等核心航空业务，旨在为飞行爱好者、专业飞行员及未来的航空事 业人才提供全面的学习与实践平台。 航空飞行营地的定义不仅局限于物理空间的规划设计，还包括 其在航空生态系统中的多重角色。首先，航空飞行营地应该具备完 善的基础设施，如跑道、停机坪、机库、培训中心及相关服务设 施 实践能力具有重要意义。对于受教育者而言，实行 游学结合 的教 育模式，不仅能让学生在理论学习中更好地消化知识，还可以通过 实际操作来加强对知识的理解。特别是在航空领域，学生可以通过 参与真实的飞行体验和观察航空器的结构、设计过程，从而激发对 航空科学的兴趣。 研学基地的目的具体体现在以下几个方面： 1. 提升科学素养：通过航空飞行和航空相关知识的学习与实践， 提升学生对科学和技术的理解，培养他们的逻辑思维能力与问 生增强对航空的兴趣及认知。 3. 团队协作能力培养：通过团体活动，提升孩子们的沟通能力和 协作意识，培养领导力和决策能力。 4. STEM 教育结合：将航空科技与科学、技术、工程和数学相结 合，提供跨学科的学习体验，提升学生的综合能力。 根据中国航空发展政策和青少年教育市场的趋势分析，预计到 2025 年，国内青少年航空教育市场规模将达到数十亿元，年均增 长率高达 20%。为进一步明确目标市场，以下数据和信息至关重

，将 “丰知”模型、 调 度算法等实际案例写入教材。 案例融入教材 无人机应用技术教材加入农业植保、 电力巡检等典型应用场景案 例 ，增强学习实用性。 数字资源配套 开发电子教材、 在线视频课程、 仿真软件等数字资源 ，支持学 生随时随地学习。 版本动态更新 每两年更新教材版本 ，确保内容紧跟低空经济技术进步与行业变 化。 教材体系建设 PART 05 校企协同育人机制 调度人才培养方案 ，按企业需求定制课程内 容。 校企协议用人机制 院校与企业签订用人协议 ，确保学生毕业即 入职 ，缩短企业二次培养周期。 就业直通通道 企业为订单班学生提供优先录用资格 ，打通 “学习—实训—就业”全流程。 岗前模拟实训 学生在校期间接受企业岗前实训 ，熟悉实际 操作流程与工作标准 ，提升上岗适应能力。 双师型教师团队 理论实践双能并重 教师同时具备高校教学能力和企业项目经验 ，提升教学质量。 教师评价多元化 引入企业参与教师绩效考核 ，依据学生实操 能力提升情况评价教师教学效果。 教学反馈持续改进 建立双师教学反馈机制 ，及时调整教学方法 与内容 ，提升学生学习成效。 01 04 02 03 学生分组完成无人机研发项目， 从需求分析到整机调试全程参 与 ，提升团队协作与问题解决 能力。 济宁某学校采用森林火灾救援 项目开展教学 ，学生通过虚拟

数字空间与物理空间互操作、双 向互动，满足实时、动态、自动、 互动等属性，以无人机产品链接 现实功能对象，触达城市管理多 种需求 02 自学习自优化： 辅助城市管理决策 以 无 人 机 产 品 + 云 网 端 + 场 景 Saas 实现对城市数据的深度学习， 推 动 智 慧城 市自我 优化运 行，满 足 政 、 企 、民 的按需 、即时 和精准 决 策需求 03 构建全局视野、精准映射、虚 孪生治理体系，覆盖陆地和海域 无人机大气智能监测系统：完整技术架构 + 全方位功能部署 PaaS 能力 自然语言 人脸识别 智能安全管理 Storm 图像识别 Hadoop 自主导航 场地学习 IaaS 基础设施 Docker 容器 云存储 数据库 备份 管理人员 政府机构 商业合作伙伴 大数据 中台 AI 能力 中台 Spark NoSQL API 开发者 …… • 面部识别 • 物体识别 • 轨迹重构 • 算法审核 • 接口管理 • 算法描述 • 视图分析 • 协同计算 • 数据检索 • 数据统计 • 分析建模 • 数据展现 数据存储 深度学习 / 机器学习 专用容器集群 开放平台 政府决策者、企业管 理者、系统操作员 自主工作、自动识别、 自动决策 场 景 数 据 场 景 需 求 05/26/2025 13 实施保障：高速安全网络传输，提供系统稳定保障

20212022202320242 025 202620272028|2029| 2030 X+GIS 空间区块链、 XR 、机器视觉、沉浸式 地图、空间计算、元宇宙… 人工智能 GIS 自动机器学习 深度学习、强化 / 迁移学习、 SAM 大模 型 AI 大模型 大数据 GIS 空间大数据存储与处理 ( 含：流数据处理 / 实时 GIS) 地理统计分析、有限元 分析、元胞自动机模拟 数据科学 云原生 层 平 台 层 终 端 层 P21 行业应用级能力 应用接入与开发 据 采集 程调试 星罗 复亚 平 台 ZT30 数据 出 仿真推演使能引擎 多人在线样本的深度学习分析能力，兼容多种深度学习网络。 模型训练 无人机智能解译样本集 样本管理系统 构建多时相、多尺度等多区域适应的飞行器智能解译样本集

在设计方案中，我们将考虑以下关键要素：  实时数据共享平台：建立一个全面的数据共享平台，使各方能 够实时获取和处理航空器航班状态、天气状况、空域使用情况 等重要信息。  智能决策支持系统：利用大数据分析和机器学习算法，优化航 班调度和流量管理，提高决策的科学性和有效性。  多层次管制机制：设计多层次、多维度的空中交通管制机制， 以适应不同空域、不同飞行阶段的需求。  可持续发展倡议：在系统设计中融入环保理念，积极寻求降低 低的运营成 本和环境影响。研究并应用最新的飞行计划工具和气象信息，为航 班提供最佳的飞行路径和高度选择，以适应气象变化。 进一步，提升空中交通管制人员的决策支持能力。通过引入人 工智能和机器学习技术，为管制员提供智能决策支持系统，帮助其 更快速、有效地进行空域管理和事件处理。同时，加强对管制员的 培训，确保其能够熟练使用新系统，提高管制效率。 最后，促进空中交通管理系统的可持续发展，形成长期有效的 通信技术的发展，未来 ATC 系统有望实现更高带宽、更低延迟 的通讯模式。 在数据处理方面，现有技术平台普遍使用高级数据处理系统， 以支持空中交通管理中的决策制定。这些系统结合了人工智能 （AI）、机器学习和大数据分析能力，能够处理海量的航班和气象 数据，实时预测航空器的流量和潜在的冲突，进而优化飞行路线和 提升总体效率。例如，基于数据的流量管理系统（TFMS）已被广 泛应用于航班调度中，以减少航班延误和空中等待时间。

链路是保障通信质量的基础。除常规的提升发射功率、天线增益等措施外，可引入多链路协 同，将空地直连、空空直连等多条可用链路进行联合调度，实现负载均衡和业务连续性。此外， 可以构建适配低空场景的信道传输模型，利用 AI 自适应地学习和挖掘链路状态变化和用户行为 低空智联网场景和关键技术白皮书 17 变化内在规律，基于历史数据准确预测分析不同高度、速度及环境条件对信号衰减、多径效应的 影响，从而指导调制、编码及信号处理策 对准的精度，建立实时的数字波束赋形机制。通过波束跟踪算法预测和估计低空飞行器的 运动状态、并结合强化学习在动态环境中自适应调整波束选择，实现动态调整天线阵列的 相位和幅度，保持信号的最佳传输方向。 （3）时频同步 研究低空飞行器高速运动带来的时频变化特性，确定时频估计、补偿等同步方案，确保可靠 的数据发送和接收。针对定时和多普勒的偏移，可采用深度学习或强化学习，根据接收信号特征、 位置信息、速度传感器数据等，实时预测多普勒 导致拓扑 变化频率更高、链路断裂更频繁。因此，可引入最优化理论、多目标决策模型、智能搜索算 法以及 Q-learning 等强化学习策略，以用户的 QoS 要求、通信能效和负载均衡作为联合优 低空智联网场景和关键技术白皮书 31 化目标，通过不断的交互学习与策略更新机制，对传统路由算法中的链路权重、转发概率等 关键参数进行自适应优化，从而实现基于环境动态变化的实时路由调整。 （2）无线自组网的协议优化

一体化创新链条。在这一过程中，高校的研究成果可 以通过企业的平台转化为实际应用，提升技术落地转化的效率。 再次，建立完善的实习和就业机制将为学生提供更多的实践机 会。校企合作有助于高校为学生创造更多的实习和就业机会，使学 生在学习阶段就能够接触到真实的工作环境，增强其实践能力和社 会适应性。这对于学生毕业后的就业有着积极的促进作用，同时也 为企业培养和选拔人才提供了有效途径。 最后，推动区域经济发展为校企合作方案的长远意义所在。低 航空经济 学等多个领域。 2. 开展科研合作项目，针对低空经济中的具体技术难题，进行联 合攻关，如无人机技术的应用、低空空域的管理政策研究等。 3. 设立企业奖学金，激励学生在低空经济领域的学习和研究，促 进学生的积极性与创造性。 4. 定期举办技术交流会和人才招聘会，促进企业与高校之间的流 动与合作。 通过以上途径，校企双方可以形成良好的互动，促进资源最大 化利用，同时推动低空经济的持续发展。 信息共享平 台，及时发布低空经济动向、技术研发成果、人才需求等信息，提 高合作的透明度和效率。此外，还可以利用在线教育平台，支持更 “ ” 多在职人员参与到低空经济相关的培训中，真正实现 终身学习 。 最后，校企合作的评估与反馈机制不可少。应定期对合作成效 进行评估，关注学生的就业率、企业的技术引进及创新能力的提升 情况，积极采纳各方反馈，以便不断优化合作框架，推动低空经济 的长远发展。

隐患、优化飞行路径、评估环境影响等，对于决策支持有着重要意 义。例如，通过对历史飞行数据的分析，可以为未来的低空交通规 划提供科学依据。 人工智能的应用则为低空产业城市管理平台带来了更高的自动 化水平。利用机器学习和图像识别等技术，平台能够自动识别并分 析复杂场景中的各种对象，执行精细化管理。例如，在城市安全监 控中，AI 可以自动识别无人机的异常飞行轨迹，及时发出警报。此 外，AI 算法还可以用于优化飞行调度，提高空域利用效率。 预测交通堵塞。 在数据分析方面，采用大数据分析技术和机器学习算法可以有 效地处理和分析大规模的低空数据。这些技术不仅能够支持智能决 策，还能够为城市管理提供预测模型与趋势分析。 例如，利用回归分析，对无人机监测数据进行建模，可以预测 未来一段时间内特定区域的环境变化情况。通过时间序列分析，识 别数据中的模式和规律，为政策制定提供数据支撑。机器学习算法 （如支持向量机、决策树、随机森林等）可以在数据中寻找复杂的 清洗、存储与分析。这一层可以采用分布式数据处理框架，如 Apache Hadoop 或 Apache Spark，以适应海量数据的存储和处 理需求。该层的重点是构建数据仓库和数据湖，以容纳各种类型和 格式的数据，并利用机器学习和人工智能技术进行深度分析。例 如，可以通过数据挖掘技术提取出与低空飞行相关的潜在风险、需 求预测等信息，帮助相关部门进行科学决策。 在应用服务层，该层提供一系列功能模块，以便为不同的用户 群体提供量身定制的服务。其中可以包含：

3、智能化与自主化技术进展 智能化与自主化是中游部分的另一个显著特征。在无人机领域，智能化技术 使飞行器能够自主地执行复杂的任务，如自主飞行、避障、目标识别和数 据处 理。 这些能力得益于在机器学习、计算机视觉、大数据分析和人工智能算法方面 的研 究突破。 自主化技术的进展通过提供更多的自动化解决方案来增强飞行器的能力，其 中包括飞行控制系统的完善、各类传感器的集成和数据融合技术。特别是多无 供定制化软件解决方案，促进了整个产业的创新。操作界面和用户体验的不 断优 化，使得这些技术逐渐走向民用化，普通用户也可以享受到高效和安全的 9 飞行体 9 验。 这种技术创新也催生了新一代的智能无人机，它们能自我学习、适应环境， 以执行更为复杂的任务。人工智能的整合使得无人机能自主规划飞行路径，实现 智能避障和自动返航。此外，随着虚拟现实和增强现实技术的融入，无人机操作 培训和模拟演练变得更加直观、 通信技术加速数据处理与传输，确保应 急 指挥的时效性，强化了低空经济在公共安全领域的应用深度与广度。 此外，无人驾驶直升机和飞行器还能搭载救生物资，直接送达灾区，为受困 人员提供援助。智能分析模型通过大数据和机器学习，预测风险并优化救援路径， 提升应急效率。虚拟与增强现实技术的应用，更使远程培训和模拟演练成为可能， 增强了整体的应急准备和响应能力。低空经济不仅改写了应急响应的面貌，也正 重塑公共服务的未来。