超分辨率重建 超分辨率重建（super-resolution reconstruction, SR）是一种利用计算机视觉和图像处理 技术，由低分辨率（low resolution, LR）图像或视频序列重建出高分辨率（high resolution, HR）图像的关键任务。其核心目标在于突破原始成像设备或传输带宽的物理限制，恢复图 像中丢失的高频细节和清晰纹理。从方法类别上看，主要分为基于单幅图像的方法和基于多 Transformer 的自 注意力计算复杂度与图像尺寸成二次方关系（O(n²)），而 LSTB 引入轴向分解策略，将二 维全局注意力分解为水平与垂直方向的一维序列处理，使复杂度降至线性（O(n)）。具体而 言，LSTB 先将特征图沿行和列方向展开为序列，分别进行行内和列内的自注意力计算，再 通过参数融合层整合双方向特征。这种分解保留了跨像素的长程依赖建模能力（例如恢复远 处建筑物的纹理连续性），同 数据集[52]通过控制飞行参数构建包含 12 类地物的基准数据，为模 型泛化性验证提供贴近实际场景的测试平台。 视频超分辨率 视频超分辨率（video super-resolution, VSR）则旨在提升整个视频序列的分辨率。与单 图超分不同，VSR 不仅利用目标帧自身的信息，还充分利用视频在时间维度上的特性—— 即相邻帧之间包含的、具有细微差异的互补信息。通过有效的运动估计与补偿技术对齐这些 帧，VSR

抑制虚警的核心思路在于通过多维度信息融合与上下 文深度理解,构建更为鲁棒的目标判别模型。 具体技 术路径包括:一是融合异构传感器数据,利用其信息互 补性构建更全面的目标画像 [12];二是结合时间序列分 析,深入挖掘目标在运动轨迹、速度变化等方面的时空 动态特性;三是融入上下文感知机制,综合天气、光照、 地理位置等环境信息以辅助决策;四是借助深度学习 等高级特征学习技术,自动提取具有高区分度与强鲁 (如悬停、直线飞行、特定航线等),而虚警物的运动则 往往具有随机性和无规律性,其技术实现流程主要包 含 3 个关键步骤。 一是目标跟踪:对检测到的目标进 行持续跟踪,获取其轨迹序列。 二是序列建模:作为该 环节的核心技术,旨在从轨迹序列中学习鉴别性特征。 循环神经网络( Recurrent Neural Network,RNN) 及其 变体凭借其循环结构能够有效捕捉时序依赖关系,适 用 低空经济形成良好感知效果的关键在于深度利用 多模态信息,特别是雷达的微多普勒和速度、视觉的细 节和红外、声音的频谱、精细建模目标在时空维度上的 动态行为轨迹、结合环境上下文,并通过强大的深度学 习模型(特别是融合架构和序列模型) 来学习区分真 实目标与极其多样化的干扰物。 本研究为低空智联监 视系统的实际部署提供了可靠的技术支撑和实践范 例,但低空感知系统的优化是一个需要持续数据迭代 和工程调优的复杂系统工程

中，NoSQL 数据库表现优异： o 需要高吞吐量和低延迟的实时数据处理 o 数据类型多样性大，需支持动态模式 o 可以存储 JSON、XML 等格式，相对灵活 3. 时间序列数据库 (TSDB)：专门为存储时间序列数据而设计的 数据库，如 InfluxDB 和 TimescaleDB，特别适合处理监测数 据，因为这类数据通常是时序性的，便于进行趋势分析和数据 归档。例如： o 优化时间戳查询性能  社区支持与维护：选择一个有活跃开发和支持的数据库能够保 证后期遇到问题时能有解决方案。 根据监测网络的具体需求，推荐结合使用关系型数据库和时间 序列数据库。关系型数据库可以用于存储用户信息、系统配置和一 些基础的状态数据，而时间序列数据库则专注于存储和查询大量的 监测数据，以提升数据处理的时效性和准确性。 在具体的实施过程中，可以创建如下的数据库架构示意图： 此架构清晰地展示了数据从采集到存储，再到后续分析的流 通过分析历史数据，构建有效的预测模型，可以在预防污染事件、 规划城市发展和制定环境政策等方面发挥重要作用。 首先，预测模型的选择应依据具体的应用需求。例如，对于气 象数据的短期预测，可以使用时间序列分析方法，其中 ARIMA（自回归积分滑动平均模型）和季节性分解方法是常见工 具。这类模型可以有效捕捉气象因素的变化规律，为后续的环境质 量预测提供支持。 在预测空气质量指数（AQI）时，机器学习算法如线性回归、

短报文 通道确保极端天气下的通信可靠性，系统端到端时延控制在 200ms 以内。 基于 GeoMesa 时空数据库构建分布式存储系统，支持每秒 10 万级传感器数据的实时入 库与索引，提供时间序列插值、空间插值等数据融合服务，满足 PB 级气象数据的管理需 求。 1 2 3 低空微气象预报中心 03 多源数据采集 采用 AI 驱动的异常值检测算法剔除噪声数据， 结合时空插值技术填补缺失值，并通过卡尔曼

快速处理模式 √ 三维模型（OBJ） √ 镶嵌编辑工具 √ 空三、区域网平差和相机参数 √ b. 倾斜摄影建模软件  倾斜摄影三维自动建模软件 DP-Smart DP-Smart 是一套基于空地多源序列影像，无需人工干预，软件基于摄影测量、计算机视觉与计算几何 算法，支持全自动空三计算、密集点云生成、构建 TIN 网、自动纹理映射等步骤，实现高分辨率真三维模 型的快速生成。

地址：天津自贸区（空港经济区）环河北路空港商务园东区 8 号楼 A701 b. 倾斜摄影建模软件  倾斜摄影三维自劢建模软件 DP-Smart DP-Smart 是一套基亍空地多源序列影像，无需人巟干预，软件基亍摄影测量、计算机 规觉不计算几何算法，支持全自劢空三计算、密集点于生成、构建 TIN 网、自劢纹理映射 等步骤，实现高分辨率真三维模型的快速生成。  倾斜摄影建模测图软件

数据、有毒气体应急监测数据汇入到统一平台，统一管理，综 合展示。气体传感器数据以不同颜色代表不同污染级别。 (2) 历史数据查询 将各点位的历史监测数据进行简单的统计分析，例如日变化分 析、时间序列分析等，帮助采购方节约手动分析时间成本，同 时还能够帮助采购方了解基本污染状况 。 负载介绍：工业级高端任务系统，响应多场景需要 高精度气体传感器 国控点数据对比 100 小时同期对比 工业园区监测

值分割技术提取高温区域，并结合时间序列分析，动态监测温度变 化趋势。此外，算法还集成了气象数据（如风速、湿度）和地理信 息数据（如地形、植被类型），通过多源数据融合策略，提升火灾 识别的准确性和可靠性。 火灾特征识别算法的核心流程如下： 1. 数据采集与预处理： o 可见光图像：去噪、增强、标准化。 o 红外热成像数据：温度阈值分割、时间序列分析。 o 气象与地理信息数据：实时采集与融合。 分数等关键指标。 其次，识别准确率的评估应分为静态和动态两部分。静态评估 主要针对单帧图像的识别效果，通过计算模型在测试数据集上的准 确率来衡量其性能。动态评估则关注视频流中的连续识别效果，评 估模型在时间序列上的稳定性和鲁棒性。动态评估中，可以通过计 算帧间识别一致性和误报率来进一步分析模型的性能。 为了提高识别准确率，可以采取以下优化措施：  数据增强：通过对训练数据进行旋转、缩放、翻转、添加噪声

侦测频率范围 单站侦测距离 感知精度 组网能力 侦听被动探测 20MHz~6GHz ≥3km ＜30米 可以实现组网 12 低空安防融合感知技术应用蓝皮书 置、高度、速度）、设备序列号及操控者信息等，实现协议解析。报文解析技术通过识别报文协议内容，能够精准区分每一 个目标的个体特征，关联一定时间内多频次出现的“高危目标”，实现目标定位并进一步实现飞手定位，同时也能够识别唯

无人机监管。 1.多机型识别：大疆等主流机型及自制机、 Wi-Fi 机、穿越机。 2.无人机定位：可定位无人机飞行位置。 3.飞手定位：可实时定位显示飞手位置。 4.身份识别：可识别无人机唯一序列 ID 号。 5.黑白名单：支持设置黑白名单，区分合作/ 非合作无人机。 6.察打一体：集成侦测和反制单元，识别打 击联动。 7.移动工作：集成在无人机管控车上，可在 移动状态下工作。