城市生命线工程是指城市的燃气、桥梁、供水、排水、供热、综合管廊等与城市功能和民众生活密
不可分的重要基础设施系统,是城市安全运行的重要保障。随着城市化进程的加速,城市生命线工程
日益呈现出网络性、隐蔽性、耦联性与长期服役性等复杂特征[1],在长期运行中面临结构老化、第三方施工破坏、自然灾害等多重风险,一旦发生燃气爆炸(如2023年银川烧烤店爆炸)、桥梁倒塌(如2019年无锡高架桥侧翻)、路面塌陷(如2024年梅大高速路面塌陷)等事故,不仅可能造成重大经济损失,更会威胁公众生命安全。为此,城市生命线工程的安全逐渐成为城市防灾减灾与韧性治理的重要议题,受到国内外学者和管理部门的广泛关注。当前,城市生命线工程安全主要聚焦于城市生命线工程各类基础设施系统在服役过程中的结构安全性与功能安全性,前者侧重于物理层面的稳定性、损伤、失效等问题,重点研究管道破裂、道路塌陷、基础沉降等结构性风险;后者则侧重于功能与服务层面的连续性与可靠性,重点研究供水、燃气、电力、通信等生命线系统的功能退化、连锁失效与快速恢复机制。
目前,我国正全面启动城市基础设施生命线安全工程工作。该工程是指运用现代信息技术,对城市燃气、桥梁、隧道、供水、排水、热力、管廊等城市基础设施运行状况进行实时监测、动态预警、精准溯源、协同处置,及早发现和管控风险隐患,有效防范事故发生,保障城市基础生命线安全运行的系统性工程[2]。总体而言,城市生命线工程是城市运行的物质基础,城市生命线工程安全是保障其稳定运行的核心目标,城市生命线安全工程则是实现这一目标的系统化路径和工程化手段。三者共同构成城市安全治理体系的重要支撑。
搭建监测系统是城市生命线安全工程的重点任务之一[2],构建全域、实时、精准的监测体系已成为现代城市治理的核心需求。然而,传统城市生命线监测技术难以满足上述需求,其局限性日益凸显:一方面,依赖人工巡检的方式存在响应滞后、成本高昂、主观性强等问题,难以覆盖广域分布的地下管网与大型交通枢纽;另一方面,局部单点传感器(如应变计、加速度计、流量计等)虽能实现定点监测,但受限于布设密度与空间覆盖范围,无法捕捉全域性结构异常,且离散数据难以支撑跨系统风险联判。此外,传统技术普遍存在数据采样频率低、抗环境干扰能力弱等问题,难以识别微小泄漏、早期空洞等隐蔽性隐患,导致“小隐患拖成大事故”的风险始终存在。
自2015年以来,分布式光纤声纹传感(distrib⁃ uted acoustic sensing,DAS)技术因连续、实时、广域、低成本等特性被应用于广域尺度下的城市监测中,以感知城市各类活动中的振动信号[3⁃5],DAS作
为分布式光纤传感(distributed optical fiber sens⁃ ing,DOFS)技术的重要分支,以光纤为敏感介质与信号传输载体,通过捕捉光在光纤中传播时的瑞利散射相位变化,实现对沿线振动、声波等物理量的分布式感知。其核心优势在于:①“传感一体”与广域监测特性,单根光纤即可实现数十至数百公里范围的连续监测,空间分辨率可达米级甚至亚米级,突破了传统点式监测的覆盖局限;②高灵敏度与宽频响应能力,能够捕捉微弱振动与声波信号,为微小泄漏、早期结构损伤等隐患的识别提供了可能;③兼容性与经济性突出,可直接利用城市中已广泛铺设的通信光缆,尤其是冗余的暗光纤[4,6⁃9],将其作为传感载体,无需额外布设专用传感器,大幅降低了监测系统的建设与维护成本。目前,学者们已在地震波探测[10⁃13]、周界安防[14⁃17]、长距离管线监测[17⁃44]、交通监测[4,6,45⁃56]等诸多领域对DAS开展了深入研究。
DAS技术的应用填补了传统监测技术在广域覆盖、实时响应、微小信号捕捉等方面的不足,能够在不大量增加硬件布设成本的前提下,实现对地下管网、长输管线、桥梁、隧道等城市生命线工程的连续状态感知与异常事件监测。本文围绕DAS技术在城市生命线工程安全中的研究现状与进展,系统阐述其技术原理、监测背景、监测预警流程及应用现状,旨在为构建低成本、广覆盖、高效能、免维护的城市生命线监测网络提供指导借鉴,助力我国城市生命线安全工程的建设与发展。
1 技术原理
1.1 分布式光纤传感技术
分布式光纤传感技术以光纤为敏感介质,通过感知光在光纤中传播特性(如光强、波长、相位、偏振态等)的变化,实现对温度、压力、应变、振动及其他物理量或化学量的监测[57]。光纤在监测系统中兼具信号感知与传输功能,其基本工作流程为:光源发射光波,传感元件将外界信息调制到光波上,光波经光纤传输至探测单元,由信号探测与处理系统输出反映外界变化的感知信号。如图1所示,在光纤传播过程中,存在3种主要的散射效应:①瑞利散射,入射光的中心频率V0对应瑞利散射主峰,瑞利散射对振动与声波扰动敏感,构成 DAS的基础;②拉曼散射,其斯托克斯分量(V0- VR)和反斯托克斯分量(V0+ VR)对温度T敏感,构成分布式温度传感(distributed temperature sensing,DTS)的基础;③布里渊散射,其斯托克斯分量(V0- VB)和反斯托克斯分量(V0+ VB)对温度 T和应变ε敏感,构成布里渊光时域分析(Brillouin optical time domain http://journal. seu. edu. cn
图1 光在光纤中传播时的散射现象 Fig.1 Scattering phenomena of light propagating in optical fiber
analysis,BOTDA)和布里渊光时域反射(Brillouin optical time domain reflectometry,BOTDR)的基础。3种散射效应在信号特性上互为补充,支撑分布式光纤监测体系。本文重点讨论基于瑞利散射的 DAS技术。
1.2 基于瑞利散射的分布式光纤声纹传感技术
DAS译名为“分布式光纤声波传感”,本文采用“分布式光纤声纹传感”以更准确地体现其信号特征识别属性。前者强调系统对外部声波(acous⁃
tic wave)的感知过程,即通过监测光纤中瑞利散射相位的微小变化,实现对沿线介质中传播的弹性波的分布式测量;后者则进一步关注声波信号所承载的事件特征信息,即通过对解调后的振动信号进行时域、频域及时频域分析,提取出具有代表性的声纹特征(acoustic fingerprint),实现事件识别与状态判别。
如图2所示,由城市生命线工程异常事件(如管道泄漏、隧道渗漏等)导致的外部扰动首先激发
图2 分布式光纤声纹传感工作原理 Fig.2 Operating principle of distributed acoustic sensing
结构介质中的声波传播,形成局部应力与应变场变化。这些动态变化通过结构-光纤的机械耦合作用传递至传感光纤,使其后向瑞利散射光的相位产生微小扰动,经 DAS解调仪转化为电信号。经过模数转换与数据处理后,可以得到对应的时域波形与时频分布图,即声波信号。对这些信号进行特征提取,可以获得声纹特征,包括包络、主频、能量谱、图像纹理等多维特征参数,从而实现从工程结构物理量到声纹特征的跨域映射。不同类型的工程事件在声纹中具备不同的特征:泄漏事件呈宽频高能脉冲,交通事件呈现周期性特点,桥梁振动则主要集中于低频段。该过程构成了DAS系统实现城市生命线工程状态监测与事件识别的物理基础。
1.2.1 DAS基本原理
当前,常见的高灵敏度DAS大多基于相位敏感光时域反射技术(phase⁃sensitive optical time⁃domain reflectometer,Φ⁃OTDR),通过解调光相位变化线性获取声波信号[58],实现对光纤全线声波信号的分布式感知[59]。Φ⁃OTDR在传统 OTDR架构的基础上进行了关键性改进,主要表现为将原有光源替换为窄线宽激光器,从而显著提升了后向瑞利散射光的干涉能力。该激光器输出的连续光首先经过调制器处理,被转换成脉冲形式,用于脉冲调制的调制器一般为电光调制器、声光调制器或半导体光放大器。随后,脉冲光通过掺铒光纤放大器增强后,借助环形器注入传感光纤内部,在光纤传播过程中产生后向散射信号,再经由环形器返回,并被光电探测器接收,转换为电信号。该信号将进一步传输至数据处理单元,以提取有效信息。
在 DAS中,当声波或外部扰动作用在光纤上时,会引起光纤轴向应变,导致其几何长度和折射率发生变化,从而引起沿光纤传播的光波及其后向瑞利散射信号的相位改变。光在光纤中传播的相位表达式为
(1)
式中,λ为光的中心波长;n为光纤的折射率;L为光纤的有效传播长度。当光纤的轴向应变为ε时,其长度变化量为ΔL,折射率变化量为Δn,引起的相位变化量为
(2)
由于ΔL和Δn均为微小量,其乘积ΔLΔn属于二阶小量,在工程分析中可忽略不计。根据应变的定义ε=ΔL/L,结合光弹效应理论,材料在应力作
用下的折射率变化量Δn与应变之间应满足如下关系式:
(3)
式中,P11和P12为光纤材料的光弹系数。
将ε=ΔL/L与式(3)代入式(2)可得
(4)
(5)
由式(5)可知,相位变化量Δφ与光纤的轴向长度变化量ΔL成线性关系,系数项由光学参数 n、材料常数 P11、P12及波长λ决定,反映了 DAS系统中瑞利散射信号相位对微小应变的灵敏响应特性。如图3所示,A1B1为某段光纤在受到外部扰动前的原始段,其长度为L。当外部振动作用于该段光纤时,光纤发生轴向微小拉伸,将扰动后的同一段光纤位置表示为 A2B2,其长度变为 L+ΔL,进而改变了两点之间的相位差Δφ。DAS系统通过提取Δφ并结合傅里叶变换、小波分析等信号处理方法,进一步计算得到其他常用特征量(如强度、能量、频率等),实现对外部振动与声波事件的高精度、定量感知。
图3 光纤受外部扰动时的轴向长度及相位变化 Fig.3 Axial length and phase change of optical fiber sub‑ jected to external disturbance
1.2.2 DAS发展历程
DAS技术的发展历程可追溯至20世纪90年代,其核心理论与技术突破经历了从实验室探索到工程化应用的演进过程。早期,基于瑞利散射的分布式光纤传感技术主要通过记录背向瑞利散射光的功率来获取光纤沿线的传输信息,据此研发了光时域反射计(optical time⁃domain reflectometer,
OTDR)[60],当前主要用于检测光纤本身的质量情况,如光纤断点、静态损耗等。在此基础上,Taylor等[61]于1993年提出了相位敏感型光时域反射技术,通过检测光纤折射率的微弱改变量,显著提升了系统灵敏度,为 DAS技术奠定了理论基础。2011年以来,国内外研究聚焦于微弱信号探测与长距离传输的技术实现[62⁃66],通过超窄线宽激光器与相位解调算法的优化,逐步提升系统的灵敏度与稳定性。目前,国内研究 DAS的单位主要有武汉理工大学[24,67⁃71]、南京大学[72⁃78]、中国科学院[79⁃83]、上海交通大学[66,84⁃88]、东南大学[48,59,89⁃90]等,国外研究 DAS的单位主要有 MIT、OptaSense、Silixa等。在工程应用领域,DAS技术已进入商业化快速发展期,涌现出一系列产品,覆盖长距离管道监测、地震勘探、结构健康监测等领域。
1.2.3 DAS监测系统
DAS监测系统由解调仪、光纤、算法和监测系统4个部分组成。解调仪将沿光纤传播的微弱背向瑞利散射信号转为可分析的数字信号;光纤实现沿线振动的连续感知;算法负责信号处理、特征提取与事件识别;监测系统完成数据可视化、存储管理及预警决策。
DAS解调仪是 DAS监测系统的核心设备,负责将光纤中微弱的背向瑞利散射信号转换为可分析的数字信号。其主要功能包括:①发射超窄线宽激光脉冲,沿光纤传播并产生散射光;②接收并放大微弱散射信号;③通过干涉测量和相位解调算法,提取沿光纤分布的动态应变或振动信息。典型硬件架构包括稳定激光源、脉冲控制与调制单元、光电探测与低噪放大器、高速模数转换器及实时数字信号处理平台[59]。解调仪性能指标包括空间分辨率、灵敏度、信噪比、频率响应、采样率、测距范围等,高度依赖硬件设计与算法策略,例如,合适的激光脉冲宽度、脉冲重复频率和解调算法可显著提升信噪比与定位精度。高质量硬件与精确算法是确保 DAS在长距离、低信号条件下实现高空间分辨率与可靠监测的关键。表1列出了几款典型解调仪的性能参数,供工程设计与系统选型参考。
光纤的布设及其与监测对象间的机械耦合特性是决定DAS传感性能的另一核心因素[91]。耦合质量直接影响光纤对外界扰动的响应效率和信号保真度,耦合过弱会导致振动信号衰减和信息失真,过强则可能引发光纤应变过载和局部损伤。文
表1 典型 DAS解调仪的核心参数对比 Table 1 Comparison of core parameters of typical DAS interrogators
献[92⁃95]指出,接触压力、安装工艺、介质刚度及表面粗糙度等因素显著影响光纤耦合效率及长期稳定性。当前,在长输管道或城市隧道等大跨度生命线工程中,实现全程均匀稳定的耦合仍具挑战。为此,学者们研究了多种光纤布设与固定技术,包括夹具固定[96]、开槽黏接[97]、点焊[98]、沟槽安装[99]等。不同方法在安装效率、长期可靠性、信号传输质量及环境适应性之间存在显著权衡,工程实践中需结合监测对象的结构类型、几何特征、服役环境以及维护条件,综合评估并进行针对性选型[91]。
2 面向城市生命线安全工程的 DAS监测基础
2.1 监测需求
目前,城市生命线工程体现出网络性、隐蔽性、耦联性和长期服役性的特征:设施呈广域拓扑网络分布;关键部件位于地下或封闭空间而难以直达;子系统高度耦合易引发次生灾害(如管线渗漏造成道路塌陷灾害[100]、基坑开挖导致管线变形[101]);服役周期长,需持续运维。这些特征共同决定了其对大范围、实时、精细感知的迫切需求。然而,传统监测手段依赖人工巡检或局部传感,存在响应滞后、覆盖有限、鲁棒性不足等问题[102],难以支持城市级风险联判与智能预警。现代监测体系需实现全生命周期连续监测、多源异构数据融合、空-地-地下全域覆盖及秒级响应,并结合机理模型与人工智能进行智能诊断与预警,以保障设施动态健康评估与主动风险防控。为此,文献[1]提出了“城市天眼-城市脉搏-城市细胞”的多层次感知体系(见图4)。该体系由高分卫星、分布式光纤、视频监控、巡检机器人和智能传感器等多种技术组成。其中,基于瑞利散射的 DAS技术作为“城市脉搏”的核心技术,可利用既有通信光缆捕获、分析生命线工程安全事件信息。
图4 面向城市生命线安全工程的多层次感知体系 Fig.4 Multi‑level perception system for urban lifeline safety
2.2 既有通信光缆与暗光纤
DAS在城市生命线安全工程中的适用性不仅源于其技术特性,还依赖于现有广泛铺设的通信光纤网络。据统计,截止2025年3月末,全国光缆线路总长度达到74.54×106 km[103];截止2022年,美国国内光纤通信线路总长度约为91.89×106 km[104]。这些光纤分布于城市地下和地面,通过激活现有光纤,可快速构建低成本、广覆盖的城市尺度监测网络,为 DAS提供坚实的硬件基础。在当前的城市通信过程中,普遍采用多芯大容量的通信光缆,以满足现有业务和未来扩展的需求。然而,其实际使用率仅约30%~50%,大量光纤长期闲置作为容量预留或冗余备用,成为暗光纤。在 DAS监测中,接入这些暗光纤即可实现感知功能叠加而不干扰现有通信业务。
此外,通信光缆已广泛敷设于桥梁、高速公路、城市道路、隧道及地下管线等城市生命线基础设施附近,结合路面以下的海量光纤,形成覆盖城市生命线各类设施的网络体系,为 DAS监测提供可行的物理载体和实施条件。
3 DAS技术研究现状
3.1 总体框架
城市生命线DAS监测预警遵循“数据获取-数据处理-事件识别-评估预警”的总体框架(见图5)。数据获取阶段融合现场、实验室及仿真多源数据,并结合信号增强与压缩技术;数据处理包括多尺度降噪与多维特征提取;事件识别采用阈值法、模板匹配法、传统机器学习方法及深度学习方法;评估预警则聚焦事件定位与风险评估。本节将对各环节的主要技术及研究进展进行简要概述。
图5 基于 DAS的城市生命线监测预警总体框架 Fig.5 Overall framework of urban lifeline monitoring and warning based on DAS
3.2 数据获取
3.2.1 数据采集
DAS算法性能的提升依赖于高质量、大规模的数据集支持。充足且多样的样本既能反映管道泄漏、地面振动等典型场景的信号特征,也为深度学习模型提供训练基础,从而增强算法在复杂环境中对微弱声波与振动事件的识别能力。数据集可
分为真实数据与仿真模拟数据2类。真实数据包括现场数据和实验室数据2种形式,现场数据真实性高,但成本大、周期长且可重现性差;实验室数据可控性强,但规模与代表性有限。文献[42,105]采用有限元等数值方法,模拟了声波或弹性波在复杂介质中的传播过程,并结合噪声叠加等技术,生成可控的虚拟DAS时域序列,并将其作为仿真数据。然而,高质量、大规模的数据集获取仍受多种因素制约,目前公开数据集数量有限且多集中于单一场景,难以满足算法在真实工程应用中的泛化需求,构建多场景开源数据集成为亟待解决的关键问题。表2梳理了DAS城市监测领域现有的公开数据集。
表2 城市监测领域 DAS公开数据集 Table 2 Open datasets of DAS in the field of urban moni‑ toring
3.2.2 数据增强
数据增强技术可在样本不足的情况下扩充数据数量与多样性,提升算法鲁棒性与泛化能力。常用方法主要有2类:①基于信号的传统变换,包括时域裁剪与平移[16],幅值缩放、随机扰动与截断,以及频域频谱扰动、带通滤波和多信号叠加[16]等,这类方法实现简便,计算开销低;②基于深度学习的数据增强方法,如基于生成对抗网络(generative adversarial network,GAN)[111⁃117]或变分自编码器(variational autoencoder,VAE)[118]的高逼真度信号合成,可在稀缺或极端场景下合成高逼真度样本,但需额外训练和更高计算资源。文献[113]指出,利用GAN生成数据训练的深度网络性能明显优于仅用试验或模拟数据的网络。总体来看,DAS数据增强研究已初具成效,但仍处于起步阶段,未来需构建多场景、大规模标准化基准,并探索物理感知与深度生成相结合的策略。
3.2.3 数据压缩
在城市生命线监测中,受城市生命线基础设施本身体量的影响,DAS需布设数十至数百公里光纤,高采样率和米级空间分辨率导致原始数据量巨大[119⁃122],单根光纤每日可达TB级,长期运行需 PB级存储,带来存储、传输及实时性挑战。同时,城市生命线安全工程对监测预警的实时性要求极高,无
法承受大体量数据的直接传输与写入延迟,因此,需采用高效数据压缩技术在保留异常特征的前提下降低数据量。当前,DAS数据压缩方法主要分为无损压缩和有损压缩2类。在无损压缩方面,2015年以来既有基于通用数据压缩技术的改进应用(如 Huffman编码[119,123]、算术编码[124]、LZW编码[123]等),也有面向 DAS数据特性的专用算法研究。文献[125]提出了一款专为 DAS数据设计的高性能开源压缩工具,结合小波变换、线性预测编码和熵编码,实现无损压缩。在有损压缩方面,考虑到 DAS数据的本质为时空二维信号,其有损压缩技术核心是去除时空冗余,同时保留有效信号(如振动事件、声波特征等),目前常见的有损压缩方法包括变换域压缩(小波变换、离散余弦变换等)、预测编码压缩、量化压缩、深度学习压缩[126⁃127]、压缩感知[120⁃121,128⁃137]等。综上可知,高效压缩是应对 DAS海量数据的关键,未来研究应聚焦具有高压缩比、特征保真度与实时处理效率的综合优化方法。
3.3 数据处理
3.3.1 数据降噪
在城市生命线安全监测中,DAS采集的现场信号常受复杂环境噪声干扰,异常事件信号易被掩盖,因此需预处理降噪,以提升信噪比、减少误报漏报,并优化特征提取与模式识别。当前,DAS降噪方法主要包含传统物理降噪方法与深度学习降噪方法,同时也有将二者结合应用的相关研究。传统物理降噪方法原理清晰,可解释性强,计算效率高,适合小样本及噪声类型已知的场景,但对非线性、非平稳信号处理能力有限且参数依赖性强,主要包括时频滤波降噪、变换域降噪、多尺度几何降噪、信号分解降噪、数据降维降噪等方法。近年来,深度学习降噪方法因准确度高、计算速度快等优势逐渐成为主流[138],具备非线性建模能力和自适应特性,可在复杂噪声背景下实现端到端优化,但依赖于大量训练数据,计算成本高且可解释性差。根据监督程度的不同,深度学习降噪方法可以分为全监督、弱监督、自监督3类,在实际应用中需根据 DAS数据的噪声特征、目标信号与设备条件等,选择合适的监督方法[138]。
3.3.2 特征提取
DAS特征提取是将海量原始波形信号通过时域、频域及时频域处理,提炼出能区分不同声学事件的关键参数,为信号识别、事件分类及状态评估提供基础。所提特征应具备普遍性、唯一性、稳定性和可量化性[139]。从信号处理视角,DAS特征可
分为时域特征、频域特征、时频域特征[139];从特征表达维度视角,DAS特征可分为统计特征、一维信号特征、图像特征[117]。本文从特征表达维度视角,对 DAS特征提取的研究现状及主要方法进行概述。统计特征是指通过数学统计描述信号的整体或局部分布特性,计算便捷、物理意义明确,可用于阈值报警或传统机器学习输入,并可借鉴声发射技术提取复杂声信号特征[89,140⁃142]。一维信号特征针对单次事件或短时窗波形动态(如振幅、持续时间、主频等)量化,适合捕捉瞬态事件细节,相较于统计特征更侧重波形动态而非全局分布。图像特征利用DAS的空间通道-时间采样二维矩阵结构,将信号转化为图像,通过计算机视觉与图像处理方法,提取时空分布特征,用于分类、检测与定位。常用的DAS二维图像包含振动强度时程图、空间-频率能量分布图、振动包络时空图等,基于此学者们开展了相关研究[49,143⁃149]。
3.4 事件识别
在完成数据降噪与特征提取后,进入事件识别的核心数据处理阶段,该过程本质为事件分类,呈现初筛-复核的递进特征。在初筛阶段,采用异常检测方法,通过建立正常状态信号基准,实现正常与异常状态的二分类;该阶段重点在于高召回、低漏报,需尽可能捕获所有潜在异常,允许一定误报,以避免遗漏危险信号。在复核阶段,利用机器学习等技术,提取差异化特征,完成异常类型的多分类任务,进一步判定异常事件的风险类型。
3.4.1 基于阈值的事件识别与分类
作为 DAS早期研究阶段的经典分类算法,阈值法通过将实时信号特征(如幅度、能量、均方根等)与预设阈值进行比较,以判定异常事件。该方法实现简单,计算开销低,实时性强,且分类依据直观,无需大规模标注数据,但固定阈值难以兼顾灵敏度与误报率,在复杂城市环境中易出现漏报或误报。为克服这一局限,研究者们提出了自适应阈值优化、机器学习融合及多特征融合等方法[18,21,31,150⁃155]。Maral等[152]利用高斯混合模型动态更新功率阈值,实现50 km埋地光纤的低误报率实时威胁监测;Ma等[153]通过自适应计算阈值,在模拟及城市复杂噪声数据库中分别实现了97.34%和90.94%的检测准确率;Sahin等[154]提出了基于训练集评分的多级阈值,将事件划分为低、中、高3级威胁,实现动态威胁识别。
3.4.2 基于模板匹配的事件识别与分类
模板匹配(template matching)法通过将 DAS
信号与已知特征波形或相邻通道信号进行相似度比较,实现事件识别。当实时信号与特征波形相关性较高时,判定事件发生。该方法起源于光学、机械及图像处理领域,后在地震监测中得到广泛应用[145,156⁃163],并逐步拓展至城市 DAS监测中。例如,Lindsey等[6]利用基于路基应变的自动模板匹配检测算法,对约1.3 km光纤DAS记录中超4.5×105辆车辆的连续数据进行分析,实现了车辆的自动检测。总体而言,模板匹配依赖先验特征,能高精度识别典型事件并适用于重复扰动快速检测,但对模板库依赖性强,对复杂动态环境适应性有限,且计算效率随模板规模的增大而下降,限制了其在大规模、异构场景下的泛化能力。
3.4.3 基于传统机器学习的事件识别与分类
传统机器学习(ML)利用统计学、线性代数和优化算法等数学方法,从现有数据中学习并构建预测模型,对未知数据进行预测和分类[117]。当前用于DAS事件分类的常用机器学习方法包括支持向量机(SVM)[34,148,154,164⁃167]、隐马尔科夫模型(HMM)[17,168⁃169]、随机森林(RF)算法[44]、K近邻(KNN)算法[44]等。相比阈值法,机器学习方法可捕捉更复杂的决策边界,适用于多分类任务;相比深度学习方法,其可解释性更强,且在小训练数据集上表现更佳。然而,该类方法性能依赖手工特征,泛化能力有限,且往往忽略DAS数据的时空结构特点。近年来的研究重点包括多域特征融合及优化、时序模型增强、分类器及深度学习网络组合优化等。Wu等[169]提出了一种基于 HMM的动态时间序列识别算法,通过在多分析域提取44维 DAS特征,构建 HMM模型,挖掘信号时序演化信息,实现了对管道安全监测中5种典型事件的识别,平均准确率达98.2%,优于 SVM、RF等算法,且能通过挖掘隐藏状态路径来解释事件演化过程。 Wu等[168]提出了一种端到端的mCNN⁃HMM模型,通过多尺度结构与时序特征,提升复杂环境下 DAS振动源识别性能,现场测试准确率达98.1%,显著优于手工特征+HMM、CNN⁃HMM等模型。综上可知,传统机器学习方法在 DAS事件分类中表现良好,尤其适用于小样本和对可解释性要求较高的任务,但面对高维、时空耦合及复杂应用场景,其泛化能力和鲁棒性仍有限,需结合时序建模、特征自动提取及分类器优化等方法加以提升。
3.4.4 基于深度学习的事件识别与分类
深度学习(DL)方法通过多层神经网络,自动从原始或预处理后的 DAS信号中提取多尺度、多模态时空特征,实现端到端事件识别与分类。与传
统依赖人工设计特征的机器学习方法相比,深度学习能够适应DAS信号的非平稳性、噪声干扰和事件复杂性[117],已成为 DAS监测与预警的主流技术。典型网络包括卷积神经网络(CNN)[42,44,105,170⁃177]、 MLP[33,44]、YOLO[19,178]、长短期记忆网络(LSTM)[179⁃181]等(见表3)。2018年以来,该领域研究主要聚焦于
复杂场景下的算法鲁棒性提升、无监督学习、小样本学习、实时性与轻量化部署、算法可解释性与可信度提升等方面。未来研究可进一步探索多模态融合的深度学习框架,以提升复杂场景下的事件区分能力,同时需加强低资源场景下的模型泛化性研究,推动算法在实际工程中的规模化可靠应用。
表3 面向 DAS事件识别分类的典型深度学习网络 Table 3 Typical deep learning networks for DAS event recognition and classification
3.4.5 方法比较与讨论
阈值法、模板匹配法、机器学习方法与深度学习方法4类事件识别方法代表了 DAS数据处理技术的发展脉络与不同阶段的技术取向。阈值法依托简单特征量实现事件触发,具有计算量低、实时性强的优势,但对环境噪声敏感,误报率较高,适用于前端快速预警场景。模板匹配法通过计算事件波形的相关度或相似度实现识别,精度较高,但对模板依赖较强,难以适应复杂、多源扰动环境。传统机器学习方法依靠人工设计特征,在小样本条件下具备良好的可解释性和稳定性,但对特征提取质量依赖显著。深度学习方法通过卷积神经网络、循环神经网络等模型,实现时空特征的自动学习,在复杂场景中表现出较高的识别精度与鲁棒性,但对数据量和计算资源要求较高,模型可解释性相对不足。
需要指出的是,上述4类方法在输入特征、算法结构与应用目标上存在明显差异,现阶段尚缺乏统一的标准化数据集与评测体系,因此难以在同一条件下实现直接的性能对比。本文从方法原理与适用性角度,对其进行了系统梳理与定性分析。未来研究可在统一数据平台和多源融合框架下构建可复现的方法评估基准,进一步推动事件识别方法在复杂城市生命线监测场景中的工程化应用。
3.5 评估预警
3.5.1 事件定位
DAS事件定位是指通过分析沿光纤各位置的背向散射信号,确定外部振动、声波或扰动事件的空间位置,以支持后续处置。按空间定位维度,可分为如下3类:①一维定位,仅沿光纤长度方向确定事件距离,适用于管线泄漏或周界安防;②二维定位,在给出沿光纤轴向位置的同时映射至平面坐标,实现地面事件的地理定位;③三维定位,进一步引入深度或高度维度,可完整描述事件空间位置,如地下振动源或道路空洞隐患检测。
当前,DAS的一维定位技术最为成熟,大多数 DAS定位研究都关注于此方向[71],但其无法提供振动源相对于光纤的方向和偏移距离信息[187]。2019年以来,二维和三维定位技术逐渐受到关注,并取得初步进展[71,187⁃191]。DAS可被视为沿光纤布设的传感器阵列,故可引入到达时间差(TDOA)[189]、多重信号分类(MUSIC)[187,189]等阵列信号处理方法中,从而实现对振动源的空间定位。Ding等[191]在TDOA的基础上引入自适应短时能量(ASTE)、质量因子拟合(QFF)以及多样本联合定位(JLM)等自优化步骤,利用现有地下光缆,实现了DAS振动源的二维定位,并克服了地下非均匀介质影响。Liang等[187]通过构建 DAS阵列模型,实现了DAS在空气环境中的二维和
三维声源定位。Liu等[190]提出了 DAS水下声源三维定位方法,在定位范围内的测量误差约为2%。总体而言,DAS的二维和三维定位研究仍处于起步阶段,未来可尝试结合多传感器数据融合、机器学习等方法来展开研究。
3.5.2 风险评估
利用DAS开展风险评估是指借助沿光纤不断获取的高时空分辨率振动或声学数据,对监测对象的安全状态及潜在故障风险,进行量化分析和预测评估。3.4节与3.5.1节中提到的事件识别与分类、事件定位等流程更侧重于事件本身的定性识别,风险评估则将 DAS信号特征定量映射到风险指标(如故障概率、损伤等级、泄漏速率、风险等级等),并计算其数值大小和可信区间,也可对不同风险指标进行分级(低、中、高)。将这些按光纤空间位置排列的风险评分进行归一化、插值和平滑处理后,生成一维或二维形式的风险热力图或风险剖面图,直观呈现整个光纤沿线的风险分布情况。对于多时段的风险演化情况,也可利用动态可视化方式,展示风险等级随时间变化的趋势,以实现对风险增长速率和变化模式的观察与预测。
当前,该领域研究内容较少,大多停留在事件检测层面,风险指标体系构建、特征与风险参数的定量映射模型及可视化方法仍待完善,且在复杂城市环境下实现长期稳定的风险动态预测仍是关键挑战。
3.6 基于通道可靠性指标的事件识别与风险评估方法
文献[89]提出了一种基于通道可靠性指标的 DAS事件识别与风险评估方法。该方法充分考虑了光纤各测点间信号的相关性和差异性,融合相位分析、统计特征、异常识别与聚类分类等方法,实现对城市生命线安全工程异常事件的识别与分类。由于实际城市道路中光纤不同位置的响应存在不均匀性,单凭某一通道的信号难以直接判断异常。为此,引入可靠性指标β,即通过比较每个通道与其他通道信号的相似程度来评估该通道附近的异常情况。当某通道信号独异于大多数通道,β会显著降低,提示该通道局部可能存在异常因素。在完成可靠性指标计算后,从DAS信号中提取31个AE特征,并通过 Pearson相关性筛选降维,保留少量主导特征,以降低分析复杂度。异常通道识别采用单特征统计与多特征聚类相结合的方法,根据并集结果进行最终判定。利用β及多维特征开展风险事件分类,不同事件在β分布及统计特性上表现出显著差异,结合 PCA与 K⁃means聚类算法,实现对多类地面事件的有效区分,验证了β作为关键识别特征的有效性。
4 典型场景研究与应用现状
DAS已在多类城市生命线场景开展应用实践(见图6)。下面结合典型案例,探讨该技术在地下管线、桥梁结构、道路空洞等领域的应用现状、优势与挑战。
图6 DAS在典型城市生命线场景中的应用示意图 Fig.6 Schematic diagram of DAS applications in typical urban lifeline scenarios
4.1 地下管线
地下管线包括供水、排水、燃气、热力、石油等管网,埋设范围广,隐蔽性强,传统监测手段有限。与传统点式传感器不同,DAS利用1根光纤
即可沿整条管线连续获取振动信号,实现对管道泄漏、输送性能和健康状态的全局监测。表4给出了面向管道监测的传统方法与 DAS方法对比。
表4 面向管道监测的传统方法与 DAS方法对比 Table 4 Comparison between traditional methods and DAS method for pipeline monitoring
下面结合近期文献,综述 DAS在管道泄漏监测、管道输送性能监测以及管道结构健康评估3个方向的研究思路、代表方法、试验方案和信号处理算法,并总结现状与挑战以展望未来研究方向。
4.1.1 管道泄漏监测
管道泄漏会导致严重的安全和环境事故,早期检测至关重要。传统方法包括压力传感器、流量计、声学点传感器等,但均受限于布点间隔和灵敏度,难以及时发现微小泄漏。当管道发生泄漏时,会产生由高速射流和湍流引起的声振动,DAS可捕捉到该信号,从而实现管线泄漏的监测。同时,由于 DAS对光纤应变高度敏感,其对微小泄漏的探测能力显著高于传统点式传感器,可探测到小至毫米级孔洞引起的泄漏[27,185,195,198,214]。在理论研究方面,Chen等[194]通过试验系统研究了砂土中DAS对天然气针孔泄漏的响应规律,提出了气-土-光纤耦合作用机制,从机理角度证明了 DAS监测管道微小泄漏的可行性,并指出无论泄漏方向,管道上方的光纤灵敏度最高,为管道泄漏监测中的光纤布置提供了理论基础。在数据处理方面,学者们通过常规的信号处理方法,如信号降噪[31,88,192]、特征提取[18,21]、时频域分析[27]等技术,验证了DAS对管道泄漏的监测可行性,并初步探讨了不同工况下的监测效果;然而,单一阈值判别难以兼顾灵敏度和误报率,近期研究逐步发展到融合多参量、应用机器学习的智能监测方法[172,174,185,197⁃198,201],从而实现鲁棒检测。在泄漏的定量研究方面,Xia等[196]建立了结合DAS和响应面法(RSM)的水管漏损预测模型,系统分析了送水压力、泄漏孔径和泄漏位置对光学相位变化和漏出流量的影响,成功实现了对水
管泄漏状态的快速、定量预测。
4.1.2 管道输送性能监测
除了管道泄漏,工业管道运行中的输送性能(如流体流动状态、输送效率和管道堵塞等)同样需要实时监测,以保障传输稳定。传统监测主要依赖流量计、压差计等局部测点,无法全面反映沿线状况且响应滞后。DAS技术可通过铺设于管道沿线的光纤,感知流体流动诱发的管壁振动与声发射,提供对管内流动的全过程监测[40,204⁃206]。Du等[204]结合DAS提出了一种基于管道流动动态压力的模态频率分析新方法,通过理论分析、模拟和试验,验证了该方法在微流量测量中的有效性。Heim等[40]利用 DAS实现了对空气-水两相段塞流中气泡速度的无源、非接触式测量,成功还原了气泡传播速度,并与商业电导传感器测量结果一致,平均相对误差低至8.34%,展示了 DAS在复杂两相流监测中的强大潜力。
4.1.3 管道健康状态监测
管道的结构健康直接关系其安全服役寿命。在长年运行中,管道可能遭受腐蚀、疲劳、外力损伤等,导致结构劣化,例如预应力钢筒混凝土管(PCCP)的钢丝断裂、法兰连接的螺栓松动、管壁裂纹和破损等。传统监测通常依赖定期停输内检、声发射传感器或应变计等手段,但往往具有间歇性,或仅能提供局部区域的有限覆盖。DAS为管道的健康状态监测提供了一种全覆盖、实时的方案:光纤沿管敷设后,可持续监听管体的异常振动事件,例如断丝瞬间释放的高频弹拨声、松动部件在振动或水锤下的撞击声等。这些事件往往是结构损伤的直接表征,故 DAS能够实现对管道健康状态的
早期预警和定位。
针对 PCCP这种预应力钢丝加固的复合管道,内部钢丝断裂是引发管体失效的主要原因,DAS可以弥补传统断丝检监测手段(如人工检测法、水声监测法等)的局限性。2006年,Pure Technolo⁃ gies公司首次将DAS用于 PCCP断丝监测中,在美国一段输水管线上记录到11起断丝事件,验证了技术可行性[215]。2021年,中国船舶重工集团公司构建的 DAS断丝监测系统实现了50 km的监测距离以及3 m的定位精度[216]。随着方法的成熟, DAS监测 PCCP断丝正从人工判读发展到智能化自动识别,并逐步与其他新技术、新材料融合应用。 Zhang等[148]提出了融合 DAS、计算机视觉、机器学习的PCCP钢丝断裂监测方法,将DAS阵列视为二进制图像并通过计算机视觉进行异常检测,从密集的DAS阵列中获得潜在异常数据,通过特征提取,结合6种机器学习模型进行训练及识别。Ji等[25]提出了一种基于 DAS和铁基形状记忆合金(Fe⁃SMA)的 PCCP断丝监测与加固一体化系统,通过 DAS监测断丝信号,识别断丝发生的时间和位置,然后采用 Fe⁃SMA对断丝处进行加固,实现现役断丝 PCCP的精确定位和高效加固。除断丝外,DAS在监测管道其他结构问题上也展现潜力。 Ma等[211]为识别管道法兰螺栓松动,提出了一种光
学相位模态分析法,即将光纤敷设于法兰连接处,通过激励管体振动,测量松动螺栓引起的局部模态变化和相位差异,从而定位螺栓发生松动的部位并量化其松动程度,实现对连接紧固状态的在线监测。
4.2 桥梁结构健康监测
桥梁是典型的生命线工程,其结构安全关系重大。传统桥梁健康监测大多需要将应变计、加速度计等离散传感器逐一布设于关键部位,成本较高,监测范围有限,且面临传感器后续维护更换等难题。DAS技术为桥梁提供了一种全桥覆盖、实时监测的新方案。通过将光纤沿桥梁关键部件(如主梁、吊索、墩柱等)布设,DAS可连续感知桥梁的振动响应。针对桥梁结构中频率较低的整体振动响应,DAS通过长时域动态应变采集与频谱分析、随机子空间识别等方法,实现自振频率和振动模态的提取[7⁃8,217];针对裂缝扩展、拉索断丝等产生的高频声发射信号[218],则需在高采样率条件下开展局部监测。
相比其他已在桥梁监测领域深入研究并规模化应用的光纤传感技术(如 FBG、BOTDA/BOTDR等),DAS仍处于试验验证期,工程规模化应用手段仍在探索中。表5给出了基于 DAS的桥梁健康监测典型研究对比。
表5 DAS在桥梁结构健康监测中的典型研究对比 Table 5 Comparison of typical researches on DAS in bridge structural health monitoring
Liu等[8]利用既有通信光缆构建 DAS系统,开展桥梁动力监测,通过随机子空间辨识法、物理引导函数拟合法提取模态参数,并结合物理约束双积分方法获取位移模态,实测验证结果与加速度计结果的一致性良好,从而证明了利用通信光缆 DAS实现低成本、高空间分辨率的桥梁结构动态监测的可行性与工程应用潜力。Rodet等[7]将 DAS应用
于桥梁群监测中,在法国里昂实现多座桥梁的同步模态识别(见图7),误差小于1%,验证了DAS无需新增传感器即可实现桥梁群结构健康监测的可行性。在桥梁局部损伤监测方面,学者们同样开展了初步尝试。Liu等[9]基于环境噪声干涉测量方法,提出并验证了基于既有通信光缆与DAS获取箱梁结构低频Lamb波信号的可行性。
图7 基于既有暗光纤的桥梁模态参数 DAS监测[7] Fig.7 DAS monitoring of bridge modal parameters based on existing dark fibers[7]
综上可知,DAS在桥梁监测领域尚处起步阶段,具有良好的应用潜力,同时也面临一定的局限性。与加速度计等专用点式传感器相比,DAS灵敏度相对较低,从而限制了其对细微或低振幅振动的识别能力[219]。此外,DAS的分布式特性会产生海量数据,如何在保证监测精度的同时实现高效的实时处理,是该技术在桥梁结构实时监测应用中面临的重要挑战之一。未来DAS有望与传统桥梁检监测技术相结合:光纤负责大范围初步监测,发现异常后,利用局部高精度传感器或检测技术进行详细诊断,从而实现宏观把控与微观检测的结合。
4.3 地面塌陷隐患监测
地面塌陷作为典型地质灾害,具有隐蔽性、突然性、难预测性等特征,其成因通常包括构造运动、地震、降雨、冲刷溶蚀等自然因素以及地下水抽取、地下开采与工程建设等人类活动,在孕育阶段往往难以被及时发现。传统探地雷达和人工巡检手段受介质干扰大、检测效率低,难以实现地下空洞的实时监测。依托城市道路沿线埋设的既有通信光纤,学者们尝试利用DAS开展塌陷隐患监测,以实现早期探测,但相关研究仍处于探索阶段。
文献[48,89]提出了基于 DAS的道路空洞探测方法,利用埋设在道路附近的通信光纤,采集车辆或人工激励经过路面时引起的路面振动信号(见图8)。通过分析信号在介质异常区域(如空洞、土质疏松段等)的特征异变(包括幅值、频谱能量、频率成分、可靠性指标等),实现潜在隐患位置(高风险路段)的初步识别,后续再针对这些位置进行人工详细勘察。南京、成都等地的试验与现场工程结果表明,将道路广谱筛查与后续人工复核相结合,能够有效提升道路空洞的探测效率[89]。
图8 基于 DAS的道路空洞探测方法 Fig.8 DAS‑based road cavity detection method
DAS在浅地层连续高分辨率监测中的广泛应用,为城市空洞探测提供了可借鉴的技术思路。该方法主要包含数据采集、数据处理与成像2个环节。在数据采集中,采用主动震源与被动观测结合模式。其中,主动震源的锤击震源因便捷经济适用于浅层勘察[220⁃221],可控震源虽适应不同深度需求但在城市应用受限;被动观测则利用环境噪声,通过互相关分析提取面波,更适配城市场景。在数据处理与成像中,根据震源不同,分为主动成像与被动成像2种。在主动成像中,主动源多道面波分析(multichannel analysis of surface waves,MASW)方法与 DAS结合,可获取高时空分辨率的浅层速度场[222];在被动成像中,利用环境噪声干涉测量(am⁃ bient noise interferometry,ANI)方法,通过 DAS提取相干面波,实现近地表高分辨率成像,并已在长距离暗光纤上得到验证[223]。然而,ANI方法收敛周期长、对高频信号敏感性低,且易受噪声源分布变化影响,在城市复杂环境中带来较大的不确定性。由此可知,结合被动背景振动与主动可控激振,DAS可实现低成本、实时的精细浅地层成像,
并可迁移至道路空洞监测。通过道路周边光缆,获取交通荷载与偶发激振形成的波场,利用环境噪声干涉及反演方法,提取多模色散和走时,进而构建综合异常指标,以识别空洞区域。
综上所述,DAS在道路塌陷监测中优势显著,但仍面临如下技术挑战:城市道路振源复杂,从嘈杂信号中提取塌陷特征成为关键难点;光纤多埋设于道路单侧人行道或绿化带下方,覆盖范围有限,对双向多车道宽路面中远离光纤侧的空洞探测灵敏度较低;当前 DAS对早期极小空洞的识别能力不足,更多适用于一定规模空洞的探测。尽管如此,DAS凭借全天候、广覆盖特性,已展现出巨大的应用潜力,契合城市生命线安全监测需求,有望成为道路智能监测与预警的有效工具。
4.4 城市地面活动监测
利用 DAS开展城市地面活动监测,是指将光纤电缆作为连续传感器网络,实时感知并分析城市地表及近地表的振动和声波信号,从而获取城市环境中各类动态行为的时空特征,包括交通事件监测[4,6,45⁃56]、社会活动监测[6,109,224⁃225]、施工行为监测[33,48,175,226⁃227]、周界安防[14⁃17]等。
4.4.1 交通事件监测
与传统点式传感器(如雷达、摄像头等)不同, DAS可将沿线光纤变为米级间隔的连续声学阵列,在埋设或沿路敷设的光纤上直接捕获车辆通过产生的路面振动信号,从而实现车辆检测、车次计
数、速度估算与时空流量统计。结合时空瀑布图重构与峰值检测、深度学习等方法,DAS在复杂环境下能够实现稳定监测,并在长距离公路与城市干道监测中具备工程可行性。当前研究聚焦于跨模态标注、合成数据与模拟、抗噪声鲁棒性与模型适配、实时边缘计算等方向。Cohen等[51]通过时空同步融合DAS与视频数据,以视频标签训练U⁃Net神经网络,实现了92%的检测分类成功率,验证了跨模态监督在提高DAS识别精度上的可行性(见图9)。 Xie等[53]利用模拟数据集训练双CNN架构,结合霍夫变换,实现车辆轨迹分割与速度估计。Wang等[54]结合 DAS与 YOLOv8算法,实现了92%的车辆分类准确率,并分析了疫情期间的交通模式差异。Truong等[47]基于 DAS与边缘计算,通过霍夫变换与 DBSCAN聚类算法,实现车辆计数以及对车速的预测,展示了轻量化算法在实时部署与带宽受限场景下的优势。上述工作推动了DAS交通监测的技术发展,但仍面临光纤-路面耦合信号不一致、城市背景振动干扰、跨场景迁移能力不足、标注成本较高等挑战,未来可通过物理建模、域自适应与多模态数据集构建来解决这些问题。同时,DAS的线性定位能力使其可以快速定位道路事故、车辆抛锚或外力破坏等事件,并通过与城市光纤网络及可视化工具相结合,实现实时地理映射与告警。未来可将DAS数据融入城市交通数字孪生与决策系统,以支持拥堵预测、事件关联及宏观流量分析。
图9 融合 DAS与共定位校准视频输入的交通监控方法 Fig.9 Traffic monitoring method integrating DAS and co‑located calibrated video inputs
4.4.2 社会活动监测
城市治理与公共安全对大范围、连续、低成本的社会活动及人群动态监测具有迫切需求。2024年以来,DAS在该领域的研究已从可行性验证迈向城市级实证,典型应用包括行人轨迹识别与跟踪、人群流量与步频监测、节庆和集会场景下的异
常事件识别等。文献[109,224⁃225]表明,DAS能够实现较高精度的人群分类、实时运动重建和长距离队伍跟踪,展现出城市人群监测中的独特优势。 Tomasov等[109]在某大学校园里采集了各类活动的 DAS数据集,包含步行、跑步、施工、车辆行驶、围栏攀爬等常规及潜在安全事件(见图10),通过
图10 基于 DAS的社会活动监测与识别[109] Fig.10 Monitoring and recognition of various social activities based on DAS[109]
CNN实现了91.4%的分类准确率。总体而言, DAS在人群及社会活动监测领域仍处于起步阶段,面临着标注数据稀缺、环境噪声干扰、实时处理压力以及隐私合规等挑战,未来的研究重点将集中在多源数据融合、算法优化与系统鲁棒性提升等方面,以推动DAS在该领域的大规模应用。
4.4.3 施工行为监测
施工行为,尤其是第三方挖掘与重型机械作业,是引发城市地下管线破坏的主要原因之一。利用 DAS,可实现对施工活动引发的地表与地下扰动的实时监测与定位。现有研究主要集中在以下2个方面:①利用特征提取与机器学习、深度学习等方法,对不同施工类型进行自动识别,准确率超过98%[44,169⁃170,175,184];②通过多纤定位与多传感器数据融合,提升事件空间定位与影响评估能力,并结合地下管线分布数据和运行状态信息,量化施工行为对不同管段的冲击程度与潜在破坏概率,实现动态风险评估。
笔者团队提出了一种将DAS与视频监控识别相融合的施工行为多模态监测方法(见图11)。
图11 DAS与视频监控识别相融合的施工行为多模态监测与预警方法 Fig.11 Multimodal monitoring and early warning method for construction behaviors integrating DAS and video surveillance recognition
DAS实时采集地表振动信号并提取施工活动特征信息,同步结合现场及周边摄像系统获取的可视图像,经深度学习方法,实现施工设备类型、作业位置及活动范围的自动识别与分类。对DAS开挖振动信号与视频识别结果进行时空匹配,可精确获取施工地点、时间、范围、设备类型及位置等关键参数。结合政府开挖报备系统,该技术能对未报备或违规施工行为自动告警,并保存影像与振动数据作为事后取证依据。