具体实施方式

以下结合附图对本发明作进一步说明。

一.系统结构

井地联合的电阻率感知系统基于“云边端”架构设计，由感知节点(端)、下沉靠近感知节点并负责协调数据采集过程的边缘云(边)、致力于集中式数据处理和数据分析的中心云计算平台(云)以及用于云边端连接的无线和有线传输网络组成。系统可划分为感知层、边缘计算层和中心云计算层三个组成部分(图1)。

a.感知层

感知层由众多电阻率感知节点组成，沿城市道路的两侧水平布置或与纵向井孔联合布置，形成跨街对穿和井地电阻率联合成像，实现对街道下方区域的电阻率四维立体感知。

电阻率感知节点是一个独立的电阻率传感器单元，其包括采集站(如图2a所示)、与采集站连接的多通道电极转换开关、多芯高密度电法电缆，以及连接在多芯高密度电法电缆上的接地电极。高密度电法电缆特指多芯且设置等距抽头和导电结头的电缆。

电阻率感知节点有以下三种布置方式：

(1)沿城市道路水平布置

此时，电阻率感知节点中的电缆为多芯分段级联式高密度电法电缆，分段级联式高密度电法电缆通过级联式电极转换开关串联连接成一整条电缆。采集站连接于一整条电缆的端部。分段级联式高密度电缆带载8-10个电极。电缆与采集站连接方式如图2b所示。

(2)沿竖直井孔布置

此时，电阻率感知节点中的电缆为单条，该电缆采用一体成型的集中式结构设计确保水密性。该电缆上等距设置多个电极结，每个电极结作为一个接地电极。电缆的顶部通过集中式电极开关与采集站连接。电缆与采集站连接方式如图2c所示。

(3)沿城市道路水平布置和竖直井孔联合布置

此时，井孔中布置的电缆仍然为单条集中式高密度电法井中电缆，该电缆上等距设置多个电极结，每个电极结作为一个接地电极。水平布置的电缆为多芯分段级联式高密度电法电缆。但此时要将井孔中布置的单条集中式高密度电缆先通过集中式电极转换开关与地面的多芯分段级联式高密度电缆的一端连接，然后将采集站连接于分段级联式电缆的另一端，组成一个电阻率感知节点。电缆与采集站连接方式如图2d所示。

其中，分段级联式高密度电法电缆带载8-10个电极，集中式高密度电法井中电缆为包含30-60个电极结的水密性一体成型电缆。

采集站由控制模块、供电模块、电位测量模块、通信模块以及GPS模块组成。采集站根据所属的边缘节点的指令要求，分别执行供电或电位测量任务。通信模块依托移动通信技术负责采集站与所属的边缘节点的通讯联系。控制模块受边缘节点指令的指挥，控制本采集站其它几个模块实现采集站自身系统的运行管理、自检、与边缘节点的通信以及在采集指令控制下的测量角色(供电/电位测量)互换、通道选择、采集过程执行以及数据保存和上传测量数据等一系列过程中对系统各模块的控制。

供电模块在收到边缘节点发出的供电指令后通过控制模块选择相应的电极通道并通过其连接的高密度电法电缆和电极向地下供电，同时测量供电电流大小。供电完成后上传本节点及其供电通道编号、测量开始时间以及供电电流数值。

电位测量模块在收到边缘节点发出的电位测量指令后通过控制模块选择相应的电极通道并通过其连接的电缆和电极进行电位测量，同时测量电位差大小。测量完成后上传本节点及其电位通道编号、测量开始时间以及电位差数值。供电和电位测量分属不同的感知节点时，由边缘节点协同不同节点的测量开始时间(由GPS授时同步)。供电和电位测量分属同一节点时，由采集站自身的程序协调供电和电位测量的开始时间。

通讯模块采用5G及以上的移动通信模块，支持MEC边缘接入和边缘计算模式。直接通过边缘服务器来控制采集过程并协调各感知节点之间的供电/电位测量通道选择。测量完成后通过移动通信网络直接上传采集结果数据并存储于边缘服务器中。

GPS模块用于各节点的精确授时。供电/电位测量过程涉及不同节点之间的协同，利用GPS卫星的精确授时是不同节点步调一致的高效、简捷方式。GPS模块包括GPS天线及其接口连接线。

b.边缘计算层

电阻率感知节点作为独立的数据采集单元，相互之间地位平等且独立运行，但又需要相互协作才能完成不同节点之间的组合测量(供电/电位测量)，实现跨街对穿成像。不同感知节点之间的协同需要上一级控制单元来规划协调。传统的解决办法是设计一个中央控制台，通过网络远程控制所有的感知节点。当感知节点较多时，存在网络拥堵、时延，这种远程集中式控制方式的实时性、可靠性以及采集效率存在较多的问题。中央控制台的集中式控制方式显得力不从心、难以为继。因此有必要将采集控制“下沉”、前移到靠近采集节点的多个移动边缘服务器中实施，形成分布式边缘控制节点，实现就近布置，就近控制。

边缘节点由中心云计算平台设置和配置，形成分布于整个感知网络的多个边缘服务器，每个边缘服务器分片控制域内的多个感知节点协同工作。边缘节点的任务主要包括：①数据采集，协调、控制域内供电和电位测量电极对的选择和采集过程控制。②数据存储和数据传输，将数据采集获得的域内数据进行筛选、整理并按设计的格式存储于边缘云，同时将数据上传至中心云备份，用于后续全域数据集中处理。③数据初步处理，数据采集完成后，对实时数据与历史数据以及根据历史数据得到的模型(由中心云反馈回边缘节点的该区域模型计算结果)进行对比分析，比较差异。若存在异常变化则报送异常信息，便于中心云计算平台进行进一步综合分析和处理。

边缘云层同时也是分布式无线网络向有线公共网络汇聚、集中的网络传输层，采用无线移动通信网和有线互联网结合的方式实现远程数据传输和采集指令传送。其中移动通信网要求采用5G及以上的通信平台，利用边缘服务器就近实现采集控制，实现采集节点的分布式、近端高效控制以及采集数据的分布式存储。

移动通信网络具有有线网络无可比拟的可移动性和灵活性，特别适合于动态增减感知节点以及调整感知节点位置。而且数据传输是通过就近的基站传输(分布式)，避免了有线传输的通道拥挤。移动蜂窝基站的分区域、分布式网络结构与感知节点的分区域、分布式布置高度一致，有利于指令和数据的流畅传输。利用移动通信网络进行远程数据传输的优势在于，可以充分利用已建好的公共通讯网络，既避免有线感知网络建设的重复投入，大大节省成本和经费投入；又充分利用高效、稳定的公共网络资源，实现无线和有线网络的无缝对接，也避免自建网络传输层的后期系统运营维护成本。

c.中心云计算层

中心云计算依托通用公共云计算平台资源实现，与边缘云相比，中心云的大规模并行计算能力特别适合于海量感知数据处理等需要高性能计算的需求，用于整个电阻率感知数据的存储和智能化处理分析。

中心云主要任务包括：①整个感知网络运行管理，包括设置与配置分布式边缘服务器，再通过边缘服务器管理所有的电阻率感知节点。②全域数据处理和模型反演，包括对实时数据和历史数据的对比、挖掘，并将模型结果发送给边缘服务器，指导初步数据分析。③超出阈值的数据异常报警，上报城市大脑进行多源数据综合分析和处置。

因此一个完整、可行的电阻率感知系统建设是通过中心云、边缘云以及感知节点的协同和合作来完成。而中心云和边缘云的协同通过联邦计算范式约束和任务分配。中心云和边缘云以及边缘云之间在联邦计算范式框架下通过云边协同和博弈来动态配置任务目标，实现协同和分工合作，共同维持和保障整个系统的正常运行和数据流正反向传输(信息反馈)。

城市大脑也是基于中心云构建，相对而言，接收多源数据汇聚，具有更高的数据整合和智能决策支持能力。是本发明感知结果的最终出口。

二.数据采集方法

1.电阻率感知节点布置

电阻率感知节点布置主要围绕电极布置展开，分为地表水平布置和竖直井孔布置两种方式。需要综合考虑电极间距、电极总道数、电缆的布设方式、采集站的位置(涉及外接供电电源)以及移动通信天线和GPS天线布置等多重因素。水平布设的分段式电缆沿街道两侧绿化带或人行道浅埋布置，井中电缆在街口或路侧合适的位置钻孔布设，井孔布置建议在路两侧对称布置(注意避开地下埋设的管缆)。井中电缆长度建议布置30m～60m，电极间距0.5～1m。水平电极点位置满足随机分布式布极原则，即电极间距、位置不作特别要求，条件允许时尽量均匀布设。电极点布设完成后用GPS、全站仪等测绘设备及时收集每个电极点的三维地理坐标，并录入到系统中用于后续数据采集和数据处理。

因为采集站供电需要利用市电升压，需要根据街道两侧的状况规划设计采集站的位置并建设固定的设备箱，用于市电电力接入、升压电源以及采集站的安置。就近的多个采集站可考虑共用同一个设备箱(图3中B03、S03和S04以及B04、S06、S07和S08)。

水平电缆可以布置成单线、U形双线或S形多线形状。图3中S02、S03、S06等为单线，S01和S09为U形双线，其中S01为通过穿街电缆连接街道两侧的U形布置，S14为街道单侧布置的U形双线。当街道单侧具有一定的开阔地带时，可以布置S形多测线(图3中S05线)。测线上电极的位置、间距、线长可以根据需要随机布设，只要满足首尾串接即可。水平电缆尾端也可串接井中电缆，形成单采集站的井地一体感知节点。如图3中S07和B06可以采用独立的采集站分别测量，也可将B06井中电缆连接到S07尾端，节省出B06的采集站。井地串接的优点是井地电极测量在S07采集站内部直接完成，无缝对接，具有更多的组合测量方式。缺点是测点多了，采集时间相对变长。

2.采集参数设置

本发明采用随机偶极装置作为统一的装置类型，该装置类型既包含了温纳、施贝、偶极-偶极等规则装置类型，还包括各种非对称、非共线装置类型。因此随机偶极装置是所有装置类型的归一化表达形式，且偶极矩和电极距参数动态可调，具有广泛适应性和灵活性，有利于灵活实现复杂和特殊需求的观测设置(穿越道路支路以及不等距电极设置)，而且偶极—偶极装置具有较高的探测分辨率。除了装置类型设置，采集参数设置对实际测量的分辨率和勘探深度具有决定性的影响，因此还需要设计合适的采集参数来获得最佳探测效果。

(1)最佳电极距

电极距是指电极排列中前后放置的电极之间的距离，随机分布系统中实际电极位置可以根据地表状况浮动变化。由于电极距决定探测深度、成像分辨率以及系统建设成本，因此电极距虽然可以浮动变化，但综合考虑勘探深度和分辨率之间的平衡点，仍存在一个最佳电极距取值范围。实际电极点布设时，建议参考最佳电极距布极。

(2)最大隔离系数

假设电极间距是p，则供电和电位测量点的间距可以从p、2p、3p、4p直至排列的最大间隔N*p(N为仪器系统电极通道数)，但实际测量时，往往根据最大勘探深度h估算设定一个最大隔离系数(m<＝N):_

m＝h/(λ×p) (1)

其中λ＝2～3。数据采集时，供电电极对AB、电位测量电极对MN的间距(偶极矩)以及AB和MN电极对之间的间距(电极距)按照隔离系数1至m顺序递增、遍历所有可能的ABMN位置组合类型。

(3)有效测量半径：

因为涉及井地联合探测和监测，需要考虑三维空间内供电和电位测量测点的分布和有效测量半径问题。由于地下介质的不均匀性，当测点位于不同介质时会存在有效测量范围的差异，因此井地联合测量有效测量范围并不是完美、对称的球域空间。但考虑到有效测量范围本身还受仪器测量精度和供电电流大小等多种因素影响，具有一定的弹性变化空间，因此仍然可以简化成一个“有效测量球域”来筛选测量点，改善测量效率和效果。“有效测量球域”的半径为有效测量半径R。在有效测量半径R外，偶极-偶极装置随电极距的增大电位差则快速下降，迅速降到低于仪器有效测量精度。R<＝n*a(其中n为有效半径系数，a为供电电极对的偶极矩)，一般n＝6～8。本发明采用动态变偶极矩测量设计，可以有效改善仪器读数精度。因此实际感知半径系数n建议在6～14之间选择。设置有效半径的目的是实际数据采集时根据有效测量半径设置测量阈值，排除大部分超出有效测量半径的测量过程，提高数据采集效率。

同时测量过程中，要根据下列公式实时计算供电电极对AB和测量电极对MN的间距：

设A、B点坐标分别是(x_A，y_A，z_A)和(x_B，y_B，z_B)，则AB中点O坐标为：

x_O＝(x_A+x_B)/2 y_O＝(y_A+y_B)/2 z_O＝(z_A+z_B)/2 (2)

设M、N点坐标分别是(x_M，y_M)和(x_N，y_N)，则MN中点O₁坐标为：

x_O1＝(x_M+x_N)/2 y_O1＝(y_M+y_N)/2 z_O1＝(z_M+z_N)/2 (3)

则OO’间距L为

然后和设定的有效测量半径对比，超出的MN点将取消测量，加快数据采集过程。

3.供电电极对和测量电极对的选择

本发明的数据采集过程中，因为系统支持测点的不均匀、随机分布，AB以及MN的间距会随着隔离系数(电极间距的倍数)增大而增大。需要在采集前预先通过定位测量获得所有测点的位置信息，根据ABMN之间的位置实时计算随测量过程动态变化的有效测量半径，并控制采集选点过程。

本发明整个测量过程围绕供电过程展开，即遍历每个感知节点内所有可能的供电电极组合(供电电极对AB)。针对每一个供电组合，再遍历寻找对应于该供电电极对AB的所有可能的电位测量电极组合(供电节点内或周边节点中有效测量球域内的电位测量电极对MN)，实现“一供多测”。测量过程按边缘节点编号、感知节点编号顺序遍历所有的供电点，直至完成最后一个供电点测量，则完成整个测区的单次数据采集过程。然后按照设定的时间间隔重复测量过程，实现四维动态感知。当某个区域发现异常时，可以调整观测频次，进行全区或异常区段(边缘节点设置)的加密测量，同时配合其它检测手段和实地现场检查进行异常查证。

具体执行过程为：

(1)由中心云计算平台依次顺序选择不同的边缘节点进行分区块测量(被选中的边缘节点为活动节点，其它未激活的边缘节点处于休眠状态)，被选中的边缘节点按感知节点编号顺序选择一个感知节点作为供电节点，然后再选择感知节点内的一个电极组合作为供电电极对AB，该感知节点所属的边缘节点域内的电极组合作为测量电极对MN，且该测量电极对MN属于同一感知节点，判断测量电极对MN与AB的间距是否位于AB的有效测量半径r内，若为是，则进行供电和电位测量；若为否，则移动到下一个ABMN组合的位置进行新的测量条件判断；直至遍历完该感知节点内所有的供电电极对以及电位测量电极对的组合，则完成该感知节点作为供电节点时的供电和电位测量过程；

(2)顺序移动到下一个电阻率感知节点执行供电和电位测量过程，直至完成最后一个感知节点的所有组合电极对供电则完成当前边缘节点的整个供电和测量过程；

(3)然后进入下一边缘节点执行相同的供电和测量过程，直至遍历全部边缘节点。

另外，为了确保采集数据的完备性，改善地下空间成像的清晰度，在选择供电电极对时，按照如下的方式不断改变AB的电极距：

①由边缘节点顺序选择感知节点作为供电节点，则供电电极对AB只在该感知节点中遍历选择，AB点选择按电极点编号从小到大的原则顺序进行，首先从靠近采集站一端(起点)开始，以与采集站距离最近的一个电极点作为电极A，选择AB序号间隔等于1的电极点作为电极B实施供电；然后保持AB的序号间隔，顺移A、B到下一个电极点，直至B点到达当前的感知节点的最后一个电极点，则完成所有的AB序号间隔等于1的供电过程；

②然后从起点开始，选择AB之间保持2个序号间隔的测点实施供电，然后顺移A、B直至B点到达最后一个电极点，则完成AB之间为2个序号间隔的供电过程；

③重复改变AB序号间隔直至达到设定的最大隔离系数则完成该感知节点的供电过程。然后选择下一个感知节点，重复上述供电点选择过程并实施供电。

每次供电由边缘节点设定供电开始时刻、供电参数等。供电完成后保存供电电极编号、开始时间和供电电流数值，待整个测量完成后整个数据上传至边缘节点进行处理和分拣。

同时，为了提高数据的采集速率，本发明对测量电极对的处理分节点内和节点间两种采集方式：

①节点内采用顺序串行测量：在一个节点内，每次供电时，按照MN顺序表，选择其中一个测量电极对MN进行电位测量。然后再选择其它配对的MN进行下个供电和电位差测量。每次测量时，一个节点内MN的多种组合需要按顺序选择其中一个电位测量电极对组合来执行测量过程。

②节点间采用同时并行测量：MN位于其它非AB所在的节点时，每次测量当AB供电时，位于不同节点的MN是同时进行电位测量。由GPS授时协同不同节点间的多个电极对MN与供电电极对AB同时并行工作，实现“一供多测”。

再次，本发明的数据采集过程可以采用边供电边寻找电位测量点的方式进行，该方法虽然可行但效率太低，涉及大量重复计算和盲目的搜索过程，严重影响数据采集效率。因此，可以通过提前预制采集表的方式来改进采集效率：感知节点一次性布置后电极点位置固定且有准确的位置坐标后，可以在边缘节点提前计算并制作供电和电位测量采集表，排列出供电点AB的节点号、电极编号以及对应的电位测量点MN的节点号、电极编号。供电和电位测量存在一对多的关系，因此采集表中对应于某个供电电极对AB，存在多个电位测量电极对MN。属于同一感知节点的MN则按列前后放置，属于不同感知节点的电位测量点则按节点号分行放置。实际数据采集时，针对每个供电点AB，按列顺序提取源于不同节点的测量电极对MN编号，同时并行进行电位测量，测量完成后保存节点号、电极编号、采集时间以及电位差数值。然后顺序移到下一列，提取该列所对应的不同节点的测量电极对MN编号，通知供电点AB供电，同时通知对应编号的节点中相应编号的电极进行电位测量并记录保存。然后指针指向并提取后一列的MN电极对用于电位测量，直至后一列MN为空则完成该AB电极对供电过程，移至采集表下一供电点，重复上述过程，直至完成采集表中最后一个供电点的最后一个电位测量点的测量，则完成该边缘节点的整个数据采集过程。

当感知节点有更新(增减感知节点)，则提交更新信息，重新计算采集表用于更新后的测量过程。利用该表可大大减轻采集站的计算工作量和搜索时间，提高采集效率。

4.测量数据的上传与存储

采集工作完成后，边缘节点通知每个感知节点上传本次工作的全部数据。边缘节点按时间顺序梳理各感知节点上传的数据。各节点上传的数据中既包含供电的数据也包括电位测量的数据，需要按时间和采集表对照，形成：边缘节点编号、感知节点编号、测量时间、供电点A编号、供电点B编号、测量点M编号、测量点N编号、供电电流I、电位差V、装置系数K、视电阻率Ps的电子表格，其中装置系数K以及视电阻率Ps是根据ABMN位置坐标以及供电电流I以及电位差V计算后补充到表格中，形成完整的测量数据信息表。

5.数据处理和数据挖掘(人工智能云计算)

面向大数据的人工智能贯穿整个电阻率感知系统中数据流动过程，从基于联邦计算的智能边缘云竞争协同和优化配置，形成对感知节点数据采集过程的自动优化管理，到中心云基于大数据和机器学习的数据挖掘和智能分析，构建感知模型，自动快速识别异常。

本发明的最大特色在于所构建的系统中各组成单元之间的数据流存在双向反馈式智能化流动：感知节点受控于边缘节点，同时又将自身状态信息以及所采集数据及时自动上传至边缘节点，便于边缘节点及时调整采集参数设置、更新数据采集频次。边缘节点将初步处理分析结果上报中心云的数据中心，数据中心会将基于历史数据以及其它多源数据智能分析的模型结果反馈分发给各边缘节点，指导各边缘节点进行快速异常分析和风险识别。城市大脑接收数据中心发送的模型预测结果和预警信息，并结合其它多源数据进行科学分析和决策。同时也会将其它多源数据及其历史信息回发给数据中心，帮助校正和完善模型。

6.多源数据分析和智慧决策

感知系统日积月累，获得海量视电阻率数据，而视电阻率只是地下和空间结构电阻率的综合反映，需要通过电阻率反演才能得到电阻率成像结果。三维和四维电阻率成像需要耗费大量的计算资源和机时。大范围整体数据反演既不经济也不现实，因此本发明在云端采用人工智能算法对电阻率大数据进行智能分析和数据挖掘，识别、发现其中变化大的异常点和异常区域，然后对异常区段进行精细四维反演，了解异常区段随时间的变化特征，排除天气等因素的原因。然后对重点异常地段提高感知测量频次，若异常变化有加速或范围扩大的趋势，则进入风险评估模式：1.进一步加密测量频次进行动态实时观测。2.进行现场核实、查证，包括现场钻探验证以及其它地球物理方法(雷达、电磁法或地震勘探)验证。若现场查证排除异常则分析原因并修改模型和该区段报警阈值。若现场查证证实异常，则上报城市大脑，启动多源数据分析和专家系统来判断异常来源和形成原因，提交决策指挥系统进行抢险处置。同时作为正面成功案例训练数据集优化模型，提高预测效果。