基于CNN多源數(shù)據(jù)融合的三維數(shù)據(jù)處理系統(tǒng)設(shè)計與應(yīng)用

中圖分類號：TP391.4 文獻標識碼：A 文章編號：2096-4706（2025）16-0173-06

Abstract： Inthe faceof thenewrequirements of thecountry for data aggregation and integration，sharingand opening up， anddevelopmentandutilization，aswellastheproblemsofdata islandsandlowdatafusioneffciencyfacedbyvariousregions indata managementandapplication，theseafectthepaceof digital transformationtoacertainextent.Tothisend，this paper combinesthecharacteristicsofmulti-source data and proposesamulti-sourcedata fusion3Ddata processng systembasedon ConvolutionalNeural Network（CNN）forthe limitationsof traditional3Ddata fusion.Through CNNmulti-sourcedata fusion technology，the system realizes the fusion of multiple data sources such as satelites and Unmanned Aerial Vehicles （UAVs）， improvestheeffciencyof3Ddataprocessng，andformsareal-scene3Ddataaset.Itcansupportthefunctiosofdisastersite environmentreconstruction，curatepositioningandtracking，andprovidesupportforsolvingdataproblems，promotingdigital transformation and improving emergency management level.

Keywords： multi-source data fusion; 3D data processing system; CNN; digitalization

0 引言

數(shù)據(jù)已成為國家基礎(chǔ)性戰(zhàn)略資源[1]，對于推動經(jīng)濟社會發(fā)展和提升國家治理能力具有重要意義[2。國家對數(shù)據(jù)匯聚融合、共享開放和開發(fā)利用提出了新的要求[3]，然而隨著智慧型應(yīng)用不斷涌現(xiàn)，數(shù)據(jù)呈爆發(fā)式增長，“數(shù)據(jù)孤島”嚴重、數(shù)據(jù)質(zhì)量低、共享性差等問題也日益凸顯[4]。各地區(qū)在長期信息化應(yīng)用中積累了海量數(shù)據(jù)和信息，面對匯聚的海量多源異構(gòu)數(shù)據(jù)，這些數(shù)據(jù)以不同的形式、結(jié)構(gòu)分散存儲，無法為業(yè)務(wù)系統(tǒng)直接使用[5-。如何將不同渠道、不同結(jié)構(gòu)的數(shù)據(jù)匯聚起來，以統(tǒng)一格式面向多種應(yīng)用，打破數(shù)據(jù)孤島，實現(xiàn)數(shù)據(jù)的無縫對接與共享，是目前各地區(qū)面臨的難點問題[7-8]。

傳統(tǒng)數(shù)據(jù)融合方法，如加權(quán)平均法、小波變換、主成分分析（PCA）等[，在處理多源異構(gòu)數(shù)據(jù)時存在明顯短板[10]。加權(quán)平均法未充分考慮圖像區(qū)域的重要性，導(dǎo)致融合圖像細節(jié)大量丟失；基于變換域的方法需人工確定參數(shù)和規(guī)則，適應(yīng)性差，處理海量數(shù)據(jù)時效率與精度不足。相比之下，深度學(xué)習(xí)技術(shù)，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN），在特征提取和自適應(yīng)融合方面具有顯著優(yōu)勢。經(jīng)典的CNN模型如ResNet和U-Net在遙感圖像處理中成果斐然[]。

針對傳統(tǒng)三維數(shù)據(jù)融合方法的局限性，本文提出基于CNN的多源數(shù)據(jù)融合三維數(shù)據(jù)處理系統(tǒng)。該系統(tǒng)利用端到端的CNN架構(gòu)，實現(xiàn)對衛(wèi)星、無人機和地面掃描數(shù)據(jù)的高效融合，大幅提升三維數(shù)據(jù)處理的精度和效率。具體目標為：設(shè)計高效的多源數(shù)據(jù)融合框架，支持多源數(shù)據(jù)整合，在實際應(yīng)用中，特別是在應(yīng)急管理和災(zāi)害監(jiān)測領(lǐng)域提供有力支持。

1 系統(tǒng)設(shè)計

衛(wèi)星數(shù)據(jù)具有覆蓋范圍廣但分辨率相對較低的特點，能夠提供宏觀的地形和地物信息；無人機數(shù)據(jù)則可以根據(jù)飛行高度和相機參數(shù)獲取不同精度的局部區(qū)域數(shù)據(jù)，靈活性高且分辨率可調(diào)節(jié)；地面掃描數(shù)據(jù)精度極高，能詳細捕捉物體的三維形狀和紋理，但采集范圍有限。針對這些特性，本系統(tǒng)架構(gòu)基于多源數(shù)據(jù)對以上三維數(shù)據(jù)進行融合處理，提高三維數(shù)據(jù)的完整性和準確性，以滿足精細化業(yè)務(wù)需求，包括總體架構(gòu)設(shè)計、數(shù)據(jù)架構(gòu)和技術(shù)架構(gòu)。

1.1 系統(tǒng)架構(gòu)總體設(shè)計

本系統(tǒng)旨在構(gòu)建一個基于多源數(shù)據(jù)融合的三維數(shù)據(jù)處理系統(tǒng)，以整合衛(wèi)星、無人機和地面掃描等多源數(shù)據(jù)。系統(tǒng)整體架構(gòu)設(shè)計遵循分層架構(gòu)模式，包括數(shù)據(jù)采集與預(yù)處理、數(shù)據(jù)融合與處理、數(shù)據(jù)存儲與交互等模塊，各模塊相互協(xié)作，實現(xiàn)數(shù)據(jù)從采集到應(yīng)用的完整流程，滿足不同領(lǐng)域?qū)θS數(shù)據(jù)處理的需求。三維數(shù)據(jù)處理平臺總體架構(gòu)為“四層兩翼”，包括設(shè)施層、數(shù)據(jù)層、支撐層與展示層，以及標準規(guī)范體系、安全運營保障體系，系統(tǒng)架構(gòu)如圖1所示。

圖1系統(tǒng)架構(gòu)示意圖

具體介紹如下：

1）展示層：包括Web瀏覽器、大屏可視化界面及客戶端等多個展示渠道，為用戶提供直觀、便捷的數(shù)據(jù)可視化體驗。

2）支撐層：是系統(tǒng)的核心處理部分，涵蓋三維數(shù)據(jù)處理、數(shù)據(jù)匯聚與整合、北斗網(wǎng)絡(luò)編碼引擎、應(yīng)急地理要素與地表特征提取，以及時空數(shù)據(jù)服務(wù)的發(fā)布與共享。這些功能共同確保了數(shù)據(jù)的高效處理和靈活應(yīng)用。

3）數(shù)據(jù)層：存儲系統(tǒng)所需的各種數(shù)據(jù)資源，包括三維成果匯聚、矢量數(shù)據(jù)、衛(wèi)星影像、地理實體數(shù)據(jù)、傾斜攝影數(shù)據(jù)及其他三維模型等，為上層提供豐富的信息支持。

4）設(shè)施層：包括信息化基礎(chǔ)設(shè)施及衛(wèi)星、無人機等。信息化基礎(chǔ)設(shè)施涵蓋網(wǎng)絡(luò)設(shè)備、安全設(shè)備、存儲設(shè)備、服務(wù)器設(shè)備和終端設(shè)備等，為系統(tǒng)的穩(wěn)定運行提供必要的硬件支持。

5）標準規(guī)范體系：建立統(tǒng)一的數(shù)據(jù)標準、標準接口與協(xié)議等，對接國家及行業(yè)標準，確保數(shù)據(jù)格式、編碼、元數(shù)據(jù)等統(tǒng)一，促進數(shù)據(jù)共享與互操作，保障平臺建設(shè)與管理符合國家和行業(yè)要求。

6）安全運營保障體系：依據(jù)相關(guān)政策和標準要求建立安全運營保障體系，加強系統(tǒng)加固與網(wǎng)絡(luò)安全防護，建立應(yīng)急響應(yīng)機制，保障平臺穩(wěn)定運行。

1.2系統(tǒng)數(shù)據(jù)架構(gòu)設(shè)計

平臺數(shù)據(jù)架構(gòu)以業(yè)務(wù)為牽引，采用邏輯集中方式設(shè)計，首先通過衛(wèi)星、無人機等途徑采集時空數(shù)據(jù)資源，隨后原始數(shù)據(jù)進入數(shù)據(jù)引接環(huán)節(jié)實現(xiàn)數(shù)據(jù)的標準化處理，處理后的數(shù)據(jù)進入數(shù)據(jù)套合階段；數(shù)據(jù)標識為每個數(shù)據(jù)點賦予唯一標識，實景三維質(zhì)檢與入庫負責檢驗數(shù)據(jù)質(zhì)量和入庫操作；數(shù)據(jù)根據(jù)時間、地理位置、數(shù)據(jù)類型、數(shù)據(jù)源和數(shù)據(jù)精度等因素進行分類整合，形成目錄管理模塊，支持目錄創(chuàng)建、發(fā)布和管理等操作。處理完畢的數(shù)據(jù)存儲在實景數(shù)據(jù)庫、DEM庫、BIM庫和遙感影像庫等，以滿足不同應(yīng)用場景的需求。整體構(gòu)建時空數(shù)據(jù)全域覆蓋、分級匯聚、縱向聯(lián)通、統(tǒng)一管控、靈活服務(wù)的數(shù)據(jù)架構(gòu)模式，覆蓋數(shù)據(jù)引接、數(shù)據(jù)套合、數(shù)據(jù)分類、目錄管理等數(shù)據(jù)業(yè)務(wù)流程，形成三維數(shù)據(jù)成果庫及服務(wù)能力，滿足全域感知、融合匯聚、開放共享、安全管控的三維時空數(shù)據(jù)支撐服務(wù)需求。本系統(tǒng)的數(shù)據(jù)架構(gòu)圖如圖2所示。

圖2系統(tǒng)數(shù)據(jù)架構(gòu)圖

1.3 系統(tǒng)技術(shù)架構(gòu)

1.3.1混合分布式存儲架構(gòu)

關(guān)系型數(shù)據(jù)存儲采用MySQL，確保事務(wù)性數(shù)據(jù)的強一致性和可靠性。緩存層采用Redis，以提升數(shù)據(jù)訪問速度和系統(tǒng)響應(yīng)效率。非關(guān)系型數(shù)據(jù)存儲采用MongoDB，以支持靈活的數(shù)據(jù)模型和水平擴展能力。

1.3.2 微服務(wù)架構(gòu)

基于SpringBoot構(gòu)建微服務(wù)，實現(xiàn)服務(wù)的獨立部署和擴展，提高系統(tǒng)的模塊化程度和可維護性。通過SpringCloud實現(xiàn)服務(wù)治理，包括服務(wù)發(fā)現(xiàn)、配置管理、斷路器、智能路由等功能，確保系統(tǒng)的高可用性和彈性。

1）服務(wù)注冊中心：Eureka和Consul作為服務(wù)注冊中心，負責服務(wù)的注冊與發(fā)現(xiàn)，并提供健康檢查機制。

2）配置中心：Nacos作為配置中心，允許運行時動態(tài)調(diào)整配置，并通過客戶端同步機制確保配置的一致性。

3）APIGateway：APIGateway作為前端服務(wù)的單一入口點，負責請求的路由、鑒權(quán)、熔斷及協(xié)議轉(zhuǎn)換。

1.3.3 核心技術(shù)能力

架構(gòu)設(shè)計支持多種部署模式，包括分布式、微服務(wù)及單體架構(gòu)，同時支持移動平臺接入和前后端分離部署。通信處理能力覆蓋HTTP、消息隊列等多種協(xié)議，并能夠快速適應(yīng)新的通信需求。

1.3.4機器學(xué)習(xí)與CNN技術(shù)應(yīng)用

CNN技術(shù)在圖像識別、分類和特征提取方面展現(xiàn)出卓越性能，可用于實現(xiàn)高級圖像處理功能。CNN通過圖像壓縮和特征提取技術(shù)，減少數(shù)據(jù)傳輸量，同時保持圖像信息的完整性；數(shù)據(jù)預(yù)處理與特征提取：

CNN的自動特征提取能力減少了對傳統(tǒng)手動特征工程的依賴，使數(shù)據(jù)處理流程更加高效和自動化。在非關(guān)系型數(shù)據(jù)存儲中，CNN能夠處理和分析存儲在MongoDB中的圖像數(shù)據(jù)，為業(yè)務(wù)應(yīng)用提供更豐富的數(shù)據(jù)分析結(jié)果。

1.3.5 日志收集與分析

使用Filebeat進行日志收集，并通過Logstash進行日志解析和分析，實現(xiàn)系統(tǒng)的可觀測性和故障診斷。

1.3.6 云原生技術(shù)

利用Kubernetes和Docker實現(xiàn)云原生部署，提高系統(tǒng)的可移植性，支持動態(tài)調(diào)整資源和集中監(jiān)控。系統(tǒng)技術(shù)架構(gòu)圖如圖3所示。

2基于CNN的多源數(shù)據(jù)融合技術(shù)

2.1傳統(tǒng)三維數(shù)據(jù)融合局限性

在多源三維數(shù)據(jù)融合領(lǐng)域，針對衛(wèi)星、無人機等數(shù)據(jù)，傳統(tǒng)方法面臨諸多挑戰(zhàn)。簡單加權(quán)平均法未充分考慮圖像區(qū)域的重要性及復(fù)雜關(guān)系，致使融合圖像丟失大量細節(jié)；基于變換域的方法需人工確定參數(shù)和規(guī)則，對不同類型圖像適應(yīng)性差，且面對海量數(shù)據(jù)時效率與精度不足。為此，本系統(tǒng)圍繞三維數(shù)據(jù)處理，提出基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的技術(shù)，利用其特征提取優(yōu)勢自動學(xué)習(xí)并融合多源數(shù)據(jù)，生成更自然、信息更豐富的融合圖像，以提高應(yīng)急管理系統(tǒng)三維數(shù)據(jù)處理的效率和質(zhì)量。

2.2基于CNN的多源數(shù)據(jù)融合優(yōu)勢

卷積神經(jīng)網(wǎng)絡(luò)（CNN）為多源數(shù)據(jù)融合提供新途徑。它由卷積、池化和全連接層組成，核心原理是通過卷積核滑動卷積操作自動學(xué)習(xí)圖像局部特征，經(jīng)池化降維后在全連接層綜合得到分類或回歸結(jié)果，能夠自動提取不同來源圖像中的特征并進行融合，為多源數(shù)據(jù)融合提供高效的解決方案。在處理衛(wèi)星與無人機圖像時，通過學(xué)習(xí)衛(wèi)星圖像中的宏觀地理信息及無人機圖像中的局部細節(jié)，自適應(yīng)優(yōu)化融合策略，生成具有更高信息密度和精度的融合圖像，以提高應(yīng)急管理系統(tǒng)三維數(shù)據(jù)處理的效率和質(zhì)量。此外，CNN的優(yōu)勢還體現(xiàn)在以下幾個方面。

1）自動特征提取能力：CNN能夠自動從衛(wèi)星和無人機等多源數(shù)據(jù)中提取不同尺度的特征，如衛(wèi)星圖像的宏觀地理信息和無人機圖像的細節(jié)特征，避免了人工設(shè)計特征提取規(guī)則的局限性。

2）多源數(shù)據(jù)適應(yīng)性：通過在大規(guī)模數(shù)據(jù)集上進行訓(xùn)練，CNN能夠?qū)W習(xí)并識別衛(wèi)星圖像和無人機圖像在多種場景下的特征變化模式，從而提升多源數(shù)據(jù)融合的精確性和穩(wěn)定性。

3）高效處理海量數(shù)據(jù)：基于數(shù)據(jù)驅(qū)動的學(xué)習(xí)方式，CNN在處理海量數(shù)據(jù)時，能夠充分適應(yīng)數(shù)據(jù)的復(fù)雜性和多樣性，相比傳統(tǒng)方法，顯著提高數(shù)據(jù)處理的效率和精度。

4）生成自然、豐富的融合圖像：CNN能夠生成融合圖像，保留衛(wèi)星圖像的全局信息，結(jié)合無人機圖像的局部細節(jié)，提供信息更豐富、視覺效果更自然的圖像，為應(yīng)急管理和決策提供精準支持。

2.3基于CNN的多源數(shù)據(jù)融合技術(shù)處理流程

基于CNN的多源數(shù)據(jù)融合技術(shù)處理流程涵蓋數(shù)據(jù)預(yù)處理、模型構(gòu)建與訓(xùn)練以及融合結(jié)果評估三個核心部分，具體如圖4所示。

圖4處理流程圖

在數(shù)據(jù)采集與預(yù)處理階段，系統(tǒng)首先通過衛(wèi)星、無人機和地面掃描設(shè)備獲取原始數(shù)據(jù)。由于不同數(shù)據(jù)源的采集方式和精度不同，系統(tǒng)需要對數(shù)據(jù)進行對齊和校準。例如，衛(wèi)星數(shù)據(jù)通常覆蓋范圍較大但分辨率較低，無人機數(shù)據(jù)則分辨率較高但覆蓋范圍有限。系統(tǒng)通過多源數(shù)據(jù)對齊算法，將不同數(shù)據(jù)源的數(shù)據(jù)進行空間對齊，確保數(shù)據(jù)的一致性。此外，系統(tǒng)采用小波變換和濾波技術(shù)對數(shù)據(jù)進行去噪處理，去除數(shù)據(jù)中的噪聲和異常值，保障數(shù)據(jù)質(zhì)量。對圖像和輔助數(shù)據(jù)進行歸一化處理，使其處于適宜數(shù)值范圍。對于有監(jiān)督學(xué)習(xí)任務(wù)，嚴格按照標準進行數(shù)據(jù)標注，并通過人工審核確保標注的準確性與可靠性，以提升后續(xù)模型訓(xùn)練的精度與穩(wěn)定性。

在模型構(gòu)建與訓(xùn)練階段，根據(jù)衛(wèi)星、無人機等多源數(shù)據(jù)的特性，選擇適配的CNN架構(gòu)，并對多源數(shù)據(jù)集進行合理劃分。針對不同任務(wù)需求，選定合適的損失函數(shù)和優(yōu)化算法，例如為加速模型收斂，系統(tǒng)采用Adam優(yōu)化算法，該算法結(jié)合動量法和自適應(yīng)學(xué)習(xí)率的優(yōu)點，能夠在訓(xùn)練過程中自動調(diào)整學(xué)習(xí)率。此外，系統(tǒng)將訓(xùn)練數(shù)據(jù)劃分為訓(xùn)練集、驗證集和測試集，分別用于模型訓(xùn)練、參數(shù)調(diào)優(yōu)和性能評估。將衛(wèi)星圖像、無人機圖像及其輔助數(shù)據(jù)輸入CNN，經(jīng)過卷積、池化和全連接層處理；通過計算損失值與梯度，更新模型參數(shù)，以保障驗證集性能穩(wěn)定性，從而有效融合多源數(shù)據(jù)，提高模型的準確性和魯棒性。

在融合結(jié)果評估階段，依據(jù)任務(wù)需求選擇適當?shù)脑u估指標，全面評估融合效果。通過深入分析評估結(jié)果，識別融合效果不佳的部分，重新訓(xùn)練或舍棄，以改進數(shù)據(jù)融合的質(zhì)量與準確性，進而提升整體模型性能和應(yīng)用效果，最后將融合結(jié)果可視化。

3 系統(tǒng)應(yīng)用

三維數(shù)據(jù)處理系統(tǒng)在實際應(yīng)用中展現(xiàn)出強大的功能與價值，尤其在應(yīng)急管理和自然災(zāi)害應(yīng)對領(lǐng)域。具體系統(tǒng)應(yīng)用界面如圖5所示。

圖5系統(tǒng)應(yīng)用界面圖

其功能主要體現(xiàn)在以下幾個方面：

1）災(zāi)場環(huán)境三維重建：系統(tǒng)能迅速整合遙感影像、地形數(shù)據(jù)及三維模型等多源數(shù)據(jù)，生成災(zāi)區(qū)的三維數(shù)字孿生體，為救援人員提供直觀、精準的災(zāi)場環(huán)境視圖，有效支持救援規(guī)劃與決策。

2）精準定位與動態(tài)跟蹤：通過整合衛(wèi)星導(dǎo)航定位數(shù)據(jù)，系統(tǒng)實現(xiàn)災(zāi)區(qū)內(nèi)關(guān)鍵設(shè)施和地標的精確定位，并實時跟蹤救援隊伍和物資的動態(tài)位置，顯著提高救援效率與資源調(diào)配的合理性。

3）智能決策支持：依托三維模型與空間分析、大數(shù)據(jù)分析等功能，系統(tǒng)為應(yīng)急指揮中心提供豐富的決策支持信息，助力指揮者做出科學(xué)、合理的救援決策，提升決策的精準度與效率。

4）資源優(yōu)化配置：通過對災(zāi)區(qū)進行三維建模與仿真分析，系統(tǒng)能夠預(yù)測受災(zāi)程度與救援需求，指導(dǎo)救援資源的精準投放，確保資源高效利用，避免浪費與重復(fù)投入。

5）模擬演練培訓(xùn)：基于系統(tǒng)處理結(jié)果，相關(guān)部門可開展模擬演練，提高救援人員應(yīng)對突發(fā)事件的能力。同時，系統(tǒng)支持虛擬現(xiàn)實（VR）與增強現(xiàn)實（AR）技術(shù)，為救援人員提供沉浸式培訓(xùn)體驗，進一步提升培訓(xùn)效果。

6）數(shù)據(jù)共享與定制化服務(wù)：系統(tǒng)構(gòu)建統(tǒng)一的數(shù)據(jù)交換與共享機制，促進數(shù)據(jù)資源的有效整合與利用。支持定制化開發(fā)與接口對接，滿足不同用戶的個性化需求，為相關(guān)部門提供全面、準確的數(shù)據(jù)支持與服務(wù)。

4結(jié)論

本文提出了一種基于CNN的多源數(shù)據(jù)融合三維數(shù)據(jù)處理系統(tǒng)，解決了傳統(tǒng)三維數(shù)據(jù)融合方法的局限性，顯著提升了數(shù)據(jù)處理的精度和效率。該系統(tǒng)能夠生成高質(zhì)量的三維數(shù)字資產(chǎn)，支持災(zāi)場環(huán)境重建、精準定位跟蹤等功能，為應(yīng)急管理和智慧城市等領(lǐng)域的數(shù)字化轉(zhuǎn)型提供有力支持。未來，我們將進一步優(yōu)化系統(tǒng)算法，探索更多應(yīng)用場景，推動多源數(shù)據(jù)融合技術(shù)的廣泛應(yīng)用。

參考文獻：

[1]陸軍，黃偉杰，楊浩天.網(wǎng)格化：中國大城市精細治理的模式創(chuàng)新與組織優(yōu)化[J].天津社會科學(xué)，2025（1）：83-92+106.

[2]許長志.深入貫徹總體國家安全觀推動網(wǎng)絡(luò)安全保密工作實現(xiàn)高質(zhì)量發(fā)展[J].中國信息安全，2024（5）：63-66.

[3]劉長財，徐劍，羅雪蓮.三維數(shù)字政府標準體系結(jié)構(gòu)模型研究[J].標準科學(xué)，2025（1）：31-35.

[4]吳昊.以數(shù)據(jù)中臺打破“數(shù)據(jù)孤島”[J].大飛機，2024（7）：20-23.

[5]邱瑞，肖崇星，翁海騰，等.公共安全領(lǐng)域多源異構(gòu)數(shù)據(jù)融合技術(shù)與應(yīng)用[J].科學(xué)技術(shù)創(chuàng)新，2024（8）：95-98.

[6]李芊芷，朱相麗，李偉偉.科技情報中的多源數(shù)據(jù)融合方法研究綜述[J].情報雜志，2024，43（9）：157-165.

[7]化柏林，李廣建.面向情報流程的情報方法體系構(gòu)建[J].情報學(xué)報，2016，35（2）：177-188.

[8]劉靜，張耀輝．“ 5G+ 智慧教育”背景下教學(xué)過程多源異構(gòu)數(shù)據(jù)融合研究[J].湖南郵電職業(yè)技術(shù)學(xué)院學(xué)報，2024，23（3）：61-64.

[9]李洪，張大銘，嚴晞雋，等.面向海洋探測的多源信息融合技術(shù)研究及展望[J].宇航總體技術(shù)，2021，5（4）：1-6.

[10]黃樹東.面向多源異構(gòu)數(shù)據(jù)的矩陣分解算法研究及應(yīng)用[D].成都：電子科技大學(xué)，2019.

[11]浦丹.機動車的車牌定位與識別問題研究[D].合肥：中國科學(xué)技術(shù)大學(xué)，2019.

作者簡介：錢昭（1992一），女，漢族，江蘇泰州人，高級咨詢工程師，中級工程師，本科，研究方向：政府信息化咨詢；溫曉聰（2000一），男，漢族，廣東茂名人，工程師，本科，研究方向：網(wǎng)絡(luò)安全、信息化設(shè)計；楊棚（1996一），男，漢族，湖南邵陽人，高級咨詢師，項目經(jīng)理，工程師，碩士，研究方向：智慧應(yīng)急等行業(yè)信息化規(guī)劃、設(shè)計、建設(shè)。