基于多源遙感的鐵路外部環境隱患監測方法綜述

李治泓 朱慶 廖成 胡翰 陳琳

（西南交通大學地球科學與環境工程學院，成都 611756）

0 引言

鐵路在我國綜合交通運輸體系中扮演著至關重要的角色，是國民經濟大動脈和重要的基礎設施。隨著我國鐵路運營里程的不斷增加，鐵路在西部復雜艱險山區的覆蓋范圍快速提升，鐵路外部環境日益復雜，安全隱患頻繁引發重大事故，嚴重威脅鐵路運營安全[1-3]。國家鐵路局2023 年3 月發布《鐵路安全風險分級管控和隱患排查治理管理辦法》明確指出“推進事故預防工作科學化、信息化、標準化，實現把風險控制在隱患形成之前、把隱患消滅在事故前面。”為保障鐵路安全運營，亟需對鐵路外部環境隱患實施高效、精準、科學、全面的風險評估及防治措施。

鐵路外部環境隱患的可靠識別和動態監測是實現風險評估、防治的重要前提。國務院辦公廳轉發的《關于加強鐵路沿線安全環境治理工作的意見》指出，鐵路兩側500 m 范圍內的飄浮物隱患為重點治理對象。據多個鐵路局實際數據統計，飄浮物隱患的主要類型是彩鋼瓦房、防塵網、塑料大棚、地膜和塑料垃圾[4-6]，本文也主要針對這5 類隱患開展研究分析。由于鐵路線路跨越復雜多樣的地形地貌環境，隱患分布散亂，部分隱患較細碎，同一類型隱患可能會存在形態與結構上的顯著差異，不同類型的隱患也可能呈現相似特征，這導致全域隱患精確識別、監測的難度較大[7-8]。此外，隱患受外界因素（如強降雨、大風等）影響而導致事故的發生，各因素之間錯綜復雜的因果關系及相互作用機理使得動態監測預警難度急劇增加。

鐵路外部環境隱患監測目前主要依賴人工實地巡檢，人工實地巡檢主觀因素多，且部分區域巡檢人員不可到達，另外由于隱患點多、面廣，導致隱患排查效率不高、時效性較差，隱患判識結果可靠性不強。因此，基于人工實地巡檢的隱患監測方法難以滿足我國鐵路高質量發展和防災減災的需求[9-11]。遙感技術具有覆蓋范圍廣、對地觀測效率高、信息豐富等優點[12-14]，利用遙感技術對鐵路沿線安全隱患實施智能識別及監測預警具有重大意義，是降低鐵路外部環境事故風險的有效途經。

本文首先介紹了光學遙感、合成孔徑雷達、激光雷達及地基視頻監控作為鐵路外部環境重點類型隱患遙感監測技術的應用現狀以及各自的優勢和不足；然后總結了現有基于遙感監測技術的隱患自動識別監測方法的特點和局限；最后，對鐵路外部環境重點類型隱患智能監測的研究方向進行了展望。

1 鐵路外部環境隱患遙感監測技術

近年來，空-天-地遙感平臺（如星載平臺、機載平臺、車載平臺、地基平臺、背包平臺等）和傳感器技術（如可見光、SAR、紅外傳感器等）快速發展，為鐵路外部環境重點類型隱患的識別及監測提供了更高空間、時間、光譜、輻射分辨率的多源多模態遙感數據。

1.1 光學遙感

光學遙感技術在鐵路外部環境隱患監測方面取得了一定成效，通過獲取蘊含豐富監測信息的光學影像，結合隱患自身特征，該技術已成為高效識別、監測鐵路外部環境隱患的重要工具。光學遙感監測技術是利用光學成像技術采集地表反射的可見光、近紅外光、短波紅外光等，對所獲得的影像進行分析，以實現識別和監測地物的任務要求[15-16]，通常以星載、機載平臺為主。光學遙感數據根據傳感器采集信號的波段數量可劃分為全色、多光譜、高光譜影像[17]。全色影像利用單一寬波段記錄整個光譜范圍，能反映出隱患精細的幾何結構和紋理特征信息，具有較高的空間分辨率，但缺乏光譜信息。多光譜影像通過幾個離散的波段（如紅、綠、藍和近紅外波段等）獲取目標的較豐富光譜特征信息，其空間分辨率低于全色影像[18]。高光譜影像覆蓋大量連續狹窄波段（數十到上千個），可以得到隱患詳細的光譜特征，但受到成像技術限制，其空間分辨率最低[19]。因此，在實際應用中，通常將全色影像、多光譜影像、高光譜影像進行融合處理，以得到高空間、高光譜分辨率的光學遙感融合影像[20]，其豐富的光譜、幾何結構、紋理特征信息等優勢成為鐵路外部環境隱患識別與監測的有利條件[21]。

目前，光學遙感技術在鐵路外部環境隱患監測方面得到了較多的應用。我國自主研發的“高分二號”、“高分七號”衛星可為隱患監測提供空間分辨率優于米級的高精度遙感影像[22]，其中“高分二號”衛星遙感影像應用較多，在武九高鐵鄂州東站至大冶北站區段、京津城際鐵路試驗區域進行了應用[23-24]。但這類單源星載光學遙感可能存在重訪周期過長、受被動成像機制限制等問題，在重返時受云霧、光照、氣候影響，難以獲取滿足隱患定期監測的時間窗口需求的影像。為此，有學者采用多源多時相星載光學遙感影像，并從中篩選出在監測時間窗口內效果較佳的影像對隱患進行監測，如SPOT-6、WorldView-3、Pléiades-2、SkySat 等遙感影像[25]。然而，在我國西南地區多云多雨的氣候條件下，星載光學遙感技術仍然會受到較大程度的干擾，嚴重制約數據持續獲取的可靠性。機載光學遙感通常處于較低的觀測高度，且有更高的靈活性，能夠更有效地克服云層帶來的觀測障礙。因此，學者在星載光學遙感技術的基礎上，結合了機載光學遙感技術對隱患進行監測[5]。但機載光學遙感技術也面臨一些難題：高空機載平臺數據獲取成本高、靈活性差、時效性難以保證；無人機平臺存在墜落風險，易造成事故，為此國家鐵路部門規定鐵路沿線兩側500 m 范圍禁飛[26]。

1.2 合成孔徑雷達

合成孔徑雷達（Synthetic Aperture Radar，SAR）是一類主動式微波成像技術，通過發射微波作用于地物產生后向散射能量所形成的回波信號，來獲取地物的表面特征和介電性質，并利用成像處理算法生成SAR 影像。由于SAR 使用微波主動成像，其穿透性和抗干擾性較強，不受天氣、云霧、光線影響，具備全天時、全天候監測的優勢[27]。此外，彩鋼瓦通常由金屬材質制成，其微波反射率遠遠高于其他地物[28]，因此，利用SAR 對彩鋼瓦房隱患進行監測時存在一定的優勢。極化合成孔徑雷達(Polarimetric SAR, PolSAR）是一種多參數、多通道的SAR 技術，其通過發射和接收多種極化方式的微波來探測目標的極化散射特征[29]。微波極化散射對地物的各種屬性如材質、濕度、幾何形態和表面粗糙度等高度敏感[30-33]。PolSAR 的優勢在于其可反映隱患豐富的微波極化散射信息，有助于對鐵路外部環境重點類型隱患進行識別和監測。因此，PolSAR 在鐵路外部環境隱患監測方面得到了一定的應用。

我國自主研發的C 頻段米級空間分辨率多極化SAR 衛星“高分三號”，以及國際上的RADARSAT-2、Sentinel-1 等PolSAR 衛星為鐵路外部環境隱患識別監測提供了豐富的雷達、極化特征，其能力已在我國北京、江門等地進行了驗證[34-35]。針對我國部分地區的星載PolSAR 回訪周期較長、極化類型較少、SAR 波段對部分隱患的針對性不強等問題，已有學者設計了專用于服務鐵路外部環境隱患識別監測的全極化SAR 衛星[36]。但由于成像機制的原因，SAR 影像不可避免的存在相干斑噪聲，對其影像質量和解譯效果造成影響。此外，SAR 影像不太符合人類視覺感知習慣，使得在基于深度學習的識別監測方法應用中較難人工標注訓練樣本，增加了監測應用的難度。

1.3 激光雷達

激光雷達（Light Detection and Ranging，LiDAR）是一種通過主動發射激光脈沖獲取目標物三維空間信息的觀測技術[37]。在鐵路外部環境隱患監測中應用較多的是機載及地面（車載、背包）平臺[38]。LiDAR 的激光光束具有較高的單色性、方向性和相干性，可將能量聚焦，這使得 LiDAR 在數據精度、穿透性和抗干擾性等方面表現出色，且工作不受光照條件影響，為精準提取和精細刻畫監測目標三維空間特征提供了有效的技術手段。LiDAR 數據中包含的高度特征、激光反射強度和波形信息，為隱患監測提供了更多維度的數據支撐，能夠提高對隱患的識別精度[39]。目前，LiDAR 已被應用于鐵路外部環境隱患監測，利用LiDAR 數據中精細的三維空間信息，可實現鐵路與外部環境隱患間的測距分析[40]、三維跟蹤分析[41]。然而，目前應用最為廣泛的LiDAR 采用單波段，無法提供豐富的光譜信息，難以直接用于隱患識別。在對隱患進行識別和監測時，常常需要將LiDAR 數據和光學影像相結合，利用前者的高度特征、激光反射強度和波形信息來增強識別監測效果[42]。此外，由于LiDAR 單一設備探測范圍的限制以及監測環境中存在遮擋，LiDAR 技術難以提供大范圍的監測數據，且單一平臺的LiDAR 往往無法獲取到隱患完整的三維結構信息。

1.4 地基視頻監控

面對我國不斷擴張的鐵路網絡與日益復雜的運營環境，鐵路部門積極構建了鐵路綜合視頻監控系統、高速鐵路自然災害及異物侵限監測系統等綜合監測體系，以滿足不斷增長的安全運營監測需求[43]。這些監測系統在鐵路車站、區段、設備機房等大量點位上部署了地基視頻監控設施。對于鐵路外部環境關鍵管控區域，如復雜山區、人口密集地區以及隧橋結合部等，采用了紅外、激光綜合高清視頻監控技術[44]。豐富的地基視頻監控數據為實現重點區域鐵路外部環境隱患的針對性排查和全天時、全天候持續監測提供了有力支持，使其在復雜多變的城際鐵路和艱險環境下的鐵路運營場景中得到廣泛應用[45-47]。但受成本限制，綜合高清視頻監控通常僅支持重點管控區域的布設，且由于布設的位置受限，部分視野可能被建筑物、樹植等環境因素遮擋，無法完整覆蓋鐵路兩側500 m 范圍的外部環境。

綜上所述，單一的遙感監測技術難以周期性全面覆蓋鐵路外部環境區域，無法全面、準確地對隱患進行監測。因此，需結合各類遙感技術的特點，根據實際鐵路沿線區域外部環境情況選擇多源遙感監測技術，發展高效精準的多源遙感監測數據多層次融合體系，滿足鐵路外部環境重點類型隱患的全面識別與監測的高質量數據需求。表1 歸納了本文所介紹的各項遙感監測技術的精度、監測條件、成本、監測周期、優勢及主要局限。

表1 遙感監測技術對比Tab.1 Comparison of remote sensing monitoring data sources

2 鐵路外部環境重點類型隱患監測方法現狀

鐵路外部環境重點類型隱患監測的基本過程是通過各類監測技術獲取的監測數據，結合隱患監測方法，定期識別彩鋼瓦房、塑料大棚、地膜、防塵網、塑料垃圾等主要類型隱患的時空分布信息，其本質是遙感影像像素級分類問題。早期基于遙感監測數據的隱患監測方法以目視解譯法為主，即解譯人員通過直接觀察影像，識別和解譯遙感影像中的隱患，這種方法面臨主觀性影響多和人工勞動強度大的問題。隨著遙感影像自動化解譯方法的發展，在隱患監測領域也開啟了應用，極大程度上緩解了目視解譯法的壓力。對于目前應用于鐵路外部環境隱患監測領域的自動化解譯方法，可根據隱患分類特征獲取的方式劃分為基于人工特征和基于深度學習兩大類別。

2.1 基于人工特征的隱患監測方法

基于人工特征的隱患監測方法是指通過領域先驗知識分析隱患與其他地物特征上的差異，人為地設計特征模型，再結合人工設定閾值或傳統機器學習模型對鐵路外部環境重點類型隱患進行識別[48-49]，基于人工特征的隱患監測方法流程如圖1 所示。

圖1 基于人工特征的隱患監測方法流程Fig.1 Process of hazard monitoring method based on human-crafted feature

在人工特征設計方面，學者通常結合領域先驗知識從各類光譜、紋理、雷達等特征中選取能映射隱患的特征類型，對所選的特征進行組合、權重調節及特定的數學變換，從而構建出能夠高效凸顯隱患特點的人工特征模型。以光譜特征為主的人工特征模型應用較為廣泛，例如：彩鋼瓦通常為藍色或紅色，在藍色和近紅外波段之間呈現出明顯的“U 形谷”，針對彩鋼瓦房這種獨特的光譜特征，學者構建了彩鋼瓦指數[50]、歸一化差異藍色建筑指數[51]、 歸一化差異紅色建筑指數[51]等對彩鋼瓦房進行提取；針對以塑料垃圾在近紅外波段具有獨特的反射特性，學者構建了塑料指數和反向歸一化植被指數[52]等對塑料垃圾進行提取。但這類以光譜特征為主的方法通常以像素為分析單元，難以將光譜特征、紋理特征及上下文信息結合，無法滿足復雜的環境下的隱患識別監測需求。為解決這一問題，基于對象的圖像分析方法被提出，通過采用非參數監督分類[53]、多分辨率分割[54-55]、平均局部方差函數[56]將像素分組以形成對象，再對各類對象的特征進行分析，構建出更具代表性的隱患人工特征模型。此外，隨著SAR、LiDAR 等多源遙感數據的廣泛應用，結合雷達特征[57]、高度特征[58]的人工特征模型也進一步提升了隱患識別的精度。

在結合機器學習模型進行識別監測方面，學者對機器學習模型本身研究并不多，一般直接采用較為成熟的模型，包括決策樹[59]、支持向量機[60]、隨機森林[61]、神經網絡模型[62]、多核主動學習[63]等。

綜上，基于人工特征的隱患監測方法可高效率運行，在具有明顯選定特征的影像上表現良好。但人工特征模型在設計的過程中需要大量的領域先驗知識來支撐特征的選取，并且需要大量交叉驗證才能有效應用。此外，防塵網、塑料大棚、地膜等塑料覆蓋物的光譜、散射特征相似，也導致基于人工特征的監測方法難以將它們彼此區分。并且，當面對特征存在一定差異的隱患和新的場景時，基于人工特征的隱患監測方法需要重新設計人工特征模型，泛化能力較差，難以靈活應用于廣域范圍鐵路外部環境大規模的隱患監測。

2.2 基于深度學習的隱患監測方法

基于深度學習的隱患監測方法是通過各類遙感監測數據構建訓練數據集，采用深度學習模型自動學習隱患分類特征，以實現鐵路外部環境重點類型隱患的識別[64]。基于深度學習的隱患監測方法流程如圖2 所示。

圖2 基于深度學習的監測方法流程Fig.2 Process of hazard monitoring method based on deep learning

基于深度學習的方法可以通過端到端的訓練，自動從數據中學習從低層次光譜、紋理到高層次語義等各層次的分類特征，能夠有效地對復雜場景影像進行解譯，在鐵路外部環境重點類型隱患的識別與監測方面取得了良好的效果[65]。目前，針對本文所研究的隱患類型，卷積神經網絡模型應用最為廣泛。其中一些研究采用現有的卷積神經網絡模型結構對隱患進行提取，例如：文獻[66]采用了1D-CNN 捕捉光譜曲線的微妙細節和整體趨勢來實現塑料大棚的識別；文獻[67]采用了DeepLabv3+語義分割模型，該模型使用空洞卷積來擴大感受野，有助于更好地捕捉影像中的上下文特征，使其能夠準確地識別出防塵綠網；文獻[68]采用了U-net 模型，這種網絡的結構呈U 形，包含對稱的下采樣（編碼器）和上采樣（解碼器）路徑，有助于更好地捕獲影像中的局部和全局特征，實現防塵網精準識別。盡管現有的網絡模型結構被直接應用于隱患識別并取得了一定成效，但對隱患和遙感影像特點的考慮尚顯不足，對于隱患邊界的精準提取、小尺寸隱患的可靠識別監測以及存在相似特征隱患的區分等方面仍有待提升。因此，許多學者致力針對這些特點優化卷積神經網絡模型以取得更優的識別效果，例如：針對彩鋼瓦房所處背景場景復雜這一特點，文獻[69]構建了一種基于變形感知特征增強和對齊網絡（DFEANet），其中變形感知特征增強模塊可自適應調整感知場，以更好地分離復雜背景和彩鋼瓦房建筑，特征對齊與門控融合模塊用于細化邊界、保留結構細節，以改善相鄰特征之間的錯位，并在融合過程中抑制冗余信息；針對隱患類別間數量和分布不均衡，且部分隱患尺度較小的特點，文獻[70]提出了一種基于ResUNet 模型的方法，通過引入殘差塊對U-NET 進行改進，以更有效地學習和保留圖像中的特征，同時引入紋理增強模塊以提高對紋理特征的感知，并采用多尺度Lovász 損失函數解決類別不平衡問題，在識別隱患邊界和小目標時具有較優效果；針對塑料大棚、地膜尺度多樣且存在大量相似特征而難以準確區分的特點，文獻[71]提出了擴張和非局部卷積神經網絡（DNCNN），其包括多個多尺度擴張卷積塊和一個非局部特征提取模塊，前者用于聚合多級空間特征以考慮地物尺度變化，后者通過非局部模塊提取全局和上下文特征，從而增強大棚和地膜之間的可分性。

此外，針對高質量的像素級別標簽獲取成本較高的問題，學者們引入了半監督和弱監督的學習范式，例如：文獻[72]使用多尺度可變形卷積神經網絡適應復雜城市景觀，采用半監督學習策略整合有限標記數據和大量無標記數據，提高了模型識別防塵網的泛化能力和性能；文獻[73]提出了一種粗到細的弱監督分割方法，利用弱監督學習降低標簽獲取成本，再通過先分類-再分割策略提高防塵網識別的完整性和準確性。

綜上所述，基于人工特征的隱患監測方法在有明顯選定特征的影像上表現良好，但人工特征模型的構建需要大量先驗知識支撐，在鐵路覆蓋范圍廣泛、環境及隱患復雜多樣、監測數據多源異構等情況下存在較大局限。相比之下，基于深度學習的方法通過端到端的訓練，自動從數據中學習各層次隱患特征，通常具有更優的識別效果和泛化能力，但面對廣域范圍鐵路外部環境隱患監測的應用場景時，仍普遍存在人工標注訓練樣本數據匱乏、泛化能力有限、特征學習和模型訓練過程復雜且耗費時間較長等困境。此外，深度學習模型學習到的隱患特征不一定有清晰的物理意義，存在可解釋性較差的問題。為克服這些限制，可以深入研究遷移學習、增量學習、半監督學習、自監督學習、強化學習、元學習等方式，并結合領域先驗知識引導提取高層次語義特征，降低標注數據依賴，使提取結果更精準、全面、可靠，使模型泛化能力更強、更加適用廣域范圍鐵路外部環境。

3 鐵路外部環境重點類型隱患智能監測研究展望

在遙感監測技術和人工智能蓬勃發展的大背景下，海量多源異構遙感數據的涌現和先進深度學習模型的引入，極大地提高了鐵路隱患監測的精度、效率及自動化水平。然而，面對鐵路運營中復雜多變的外部環境和動態監測的應用場景，鐵路隱患監測在數據、模型和知識應用層面仍然面臨著一系列的挑戰。本文從鐵路外部環境多源遙感數據多層次融合、鐵路外部環境隱患精準識別模型構建、知識引導的鐵路外部環境隱患智能動態監測這3 個方面進行展望，3 方面之間的關聯如圖3 所示。

圖3 多源遙感融合隱患智能監測的展望Fig.3 The prospect of multi-source remote sensing fusion for intelligent hazard monitoring

3.1 鐵路外部環境多源遙感數據多層次融合

光學遙感、SAR、LiDAR、地基視頻監控技術在鐵路外部環境隱患識別監測方面提供了多源異構的監測數據，且均取得了一定的成效。然而，這些遙感技術在抗干擾性、全天候監測、成像噪聲、分類信息的豐富程度、數據覆蓋完整性等方面仍存在或多或少的局限。此外，鐵路外部環境與隱患自身的復雜多樣性，以及部分線路高頻的巡檢需求，對遙感監測數據的時空分辨率也提出了挑戰，現實中難以直接獲取滿足這些要求的高質量監測數據[74]。多源遙感數據融合有望克服以上限制。現有遙感數據融合可分為3 個層次——像素層融合、特征層融合及決策層融合[75]。像素層融合主要有全色、多光譜、高光譜影像之間的融合，以及光學遙感與SAR 之間的融合。通過像素層融合可以引入更豐富的分類信息，也可以利用SAR 輔助光學影像去云[76]，如何實現多源影像的高效校正、配準等預處理及多源影像間的高精度無縫融合是像素層融合亟需關注的重點問題；特征層融合針對遙感數據的特點提取特征來進行融合，具有靈活性、融合效率高等優勢[77]，在融合過程中如何實現多源異構數據中隱患特征對齊并制定有效的特征融合策略是需要關注的研究方向；而決策層融合則涉及深層次的語義信息融合，具有魯棒性、自適應性強等優勢[78]，如何實現多源異構數據中存在較大差異和潛在沖突的語義信息的高質量融合是重要研究方向。因此，未來可進一步探索面向鐵路外部環境隱患監測應用的多源遙感多層次有效協同融合策略，通過系統深入分析多源遙感數據間的互補合作關系，整合不同平臺和傳感器的優勢，為鐵路隱患識別監測提供高質量數據支撐。此外，從硬件技術的角度出發，發展多模融合成像系統也是實現多源遙感數據高效融合的有效途徑，可以有效降低多源遙感數據融合的復雜度，顯著提升融合性能。

3.2 鐵路外部環境隱患精準識別模型構建

基于深度學習的隱患監測方法相較基于人工特征的隱患監測方法在大量研究場景下展現出了更高的精度和更強的適用性，但深度學習模型可解釋性較弱，且通常依賴于大量的人工標注訓練樣本數據，并且，實際應用中難以獲取廣域范圍鐵路外部環境中大規模、高質量、完備的訓練樣本數據，導致深度學習模型隱患識別監測的泛化能力有限。領域先驗知識的結合能夠有效降低深度學習對訓練樣本數據的依賴[79]。知識圖譜可以有效整合領域先驗知識，并以結構化的形式對領域先驗知識進行存儲，使得深度學習模型能夠更好地理解和利用領域先驗知識[80]。遷移學習可以將源域中從大量標注訓練數據里提取的知識遷移至目標域，以提高在目標域上的性能[81]。因此，在鐵路外部環境隱患精準識別模型構建過程中，可建立鐵路外部環境關鍵類型隱患的遙感知識圖譜，通過共享實體和關系、實體對齊、語義相似度計算以及領域自適應等方式，利用知識圖譜為模型遷移提供豐富的語義信息和關聯關系，引導和約束根據訓練樣本數據豐富地區構建的隱患識別模型遷移至鐵路全域范圍，從而提升對鐵路外部環境隱患的識別性能[82-83]。通過上述構建方式可以實現數據-知識協同驅動，使得深度學習模型能夠對廣域范圍鐵路外部環境重點類型隱患實現精準識別，也是提升深度學習模型可解釋性的一個重要方向。此外，增量學習可在已有深度學習模型的基礎上，通過引入新的隱患數據或任務來更新和擴展模型，并使深度學習模型對新舊隱患識別監測任務均擁有較好的性能[84-85]，因此增量學習是實現識別模型快速落地應用的重要方向。

3.3 知識引導的鐵路外部環境隱患智能動態監測

鐵路外部環境隱患涵蓋的類型繁多且數量龐大，其演化為事故受多種錯綜復雜的因果關系影響，僅通過鐵路外部環境重點類型隱患的時空分布信息對其進行定期監測，以及對監測結果不分主次順序的治理管控，可能會導致較高風險隱患未被及時治理，從而引發事故。計算流體力學（Computational Fluid Dynamics，CFD）模型可以對復雜環境下隱患受風場等因素作用下的運動軌跡進行模擬，并結合各類傳感器的動態監測數據（風速風向、降雨量等），對鐵路外部環境隱患進行精細化智能動態監測[86]。但CFD 模擬通常運算量較大，難以應用于大尺度場景。CFD 模擬結合深度學習技術可以構建降階模型，實現對CFD 模擬隱患復雜侵限時空過程的高效近似[87]。然而，深度學習模型的構建面臨鐵路外部環境隱患侵限訓練樣本數據不完備的情況，需結合侵限相關的專家經驗知識以提升基于深度學習的CFD 降階的模擬精度[88]。知識圖譜具備對事故多因素耦合觸發機理深層次精準刻畫的能力[89]，可通過充分考慮各類型隱患的自身屬性，以及隱患與環境因素間的互饋作用與級聯效應，結合侵限事故風險管控領域專家經驗知識來提取事故風險因素，并根據重點類型隱患歷史事故信息，抽取事故觸發的風險因素本體及相關知識，構建鐵路外部環境重點類型隱患侵限知識圖譜[90]。因此，通過知識圖譜引導CFD 深度學習降階模型的構建，是揭示隱患-事故安全態勢時空演化規律、實現隱患動態智能監測所值得關注的一個研究方向。

4 結束語

面向鐵路外部環境重點類型隱患高效、精準、智能監測需求，本文分析了光學遙感、合成孔徑雷達、激光雷達、地基視頻監控作為鐵路外部環境重點類型隱患遙感監測技術的優勢、局限及應用現狀，歸納總結了以基于人工特征和基于深度學習為代表的兩類鐵路外部環境重點類型隱患監測方法的特點與不足。通過分析發現，單一遙感監測技術在抗干擾性、全天候監測、成像噪聲、分類信息的豐富程度、數據覆蓋完整性等方面仍存在或多或少的局限，難以直接獲取滿足隱患監測要求的高質量監測數據；現有隱患監測方法泛化能力均有限，難以對廣域范圍鐵路外部環境適用；隱患侵限事故演化機理復雜，僅通過定期監測隱患的時空分布信息可能導致風險管控滯后。為了應對這些局限與挑戰，從鐵路外部環境多源遙感數據多層次融合、鐵路外部環境隱患精準識別模型構建、知識引導的鐵路外部環境隱患智能動態監測這三方面進行了研究展望。為鐵路外部環境高質量監測數據獲取、隱患高效精準識別、動態智能監測預警、侵限風險態勢感知以及安全事故預測防控等提供了新思路。