程序聚合 软件案例 地震态势感知与应急救援规划系统

地震态势感知与应急救援规划系统

2026-11-08 20:59:19
行业:安全、智慧数字孪生
载体:网站
技术:JavaScript、Node.js、Python、React

业务和功能介绍

一、项目背景
本项目是一个面向地震灾情展示与应急规划演示的Web系统。项目将灾情分布、卫星信息、无人机观测任务、地震模拟及救援资源等内容集中到网页中,通过地图、三维场景、图表和操作面板,方便用户查看不同信息并进行模拟操作。
二、主要功能
1.综合态势展示:在地图中组织灾情范围、震中、救援队伍、物资仓库、医疗点和主要路网等信息。页面提供图层开关、图例、详情面板和指标展示,便于查看各类要素的位置及其空间关系。
2.卫星信息与观测规划:提供卫星列表和信息面板,展示卫星相关参数,并通过三维地球场景呈现轨道与观测规划内容,方便结合目标区域查看相关信息。
3.无人机航线规划:用户可在地图上绘制观测区域,添加无人机起飞位置并设置观测半径,随后计算和展示航线;支持清除当前配置及导出KML航线文件,用于后续查看和演示。
4.地震情景模拟:通过参数面板设置震源位置、时间、震级等条件,并在对应页面查看模拟场景。页面同时组织建筑损伤阈值、经济损失等参数,方便展示不同设置下的分析过程。
5.灾害评估展示:设置震前、震后影像导入与建筑损伤识别入口,展示相关结果;通过图表组织人员损失、基础设施损毁及资源缺口等信息。其中部分统计内容使用示例数据,主要用于演示页面和分析结果的呈现方式。
6. 救援规划演示:通过地图、任务列表和统计面板展示救援过程,提供启动、重置模拟等操作,观察模拟任务的执行变化。该部分使用模拟数据,辅助说明救援流程和资源配置思路。
三、使用流程
用户先在综合态势页查看灾情与资源分布,再进入卫星或无人机规划页面查看观测信息、设置任务;随后进入情景模拟和灾害评估页面查看分析内容,最后通过救援规划页面演示任务执行过程。各模块围绕同一地震应急场景组织,部分功能仍作为独立模块演示。

项目实现

一、整体架构与技术
项目采用网页前端、业务接口和独立图像处理服务组合的方式实现。综合态势、卫星规划等页面主要使用HTML、CSS和JavaScript,地震情景模拟子系统使用React。地图与三维场景使用Cesium、Leaflet,统计图表使用ECharts等组件。
后端使用Node.js、Express提供卫星查询、无人机航线计算、航线文件导出及用户认证等接口,MongoDB用于保存卫星和用户相关数据。图像处理部分使用Python、Flask单独提供接口,便于与网页功能分别运行和检查。
二、本人负责的工作
本人担任项目负责人,除地震模拟主体外,大部分页面和业务功能由本人完成,具体包括:
1.需求拆分与页面开发:将项目内容拆分为综合态势、卫星规划、无人机规划、地震模拟、灾害评估和救援规划六类页面,确定导航关系、页面布局、参数输入及结果展示方式,完成主要页面的样式和交互,并根据演示效果反复调整。
2.地图与可视化:组织灾情范围、震中、救援队伍、物资仓库、医疗点和道路等空间信息,制作图层开关、图例、信息面板及统计图表,将地图、列表和数据面板组合在同一界面中。
3.卫星模块:完成卫星列表、详情面板及三维地球相关展示,对接后端卫星查询接口和数据库,使页面能够读取、组织和展示卫星数据。
4.无人机规划:采用他人已有算法作为基础(经同意),并自行做了大幅修改;完成地图绘制观测区域、添加无人机起飞点、设置观测半径、提交计算参数、展示航线及导出KML文件等操作,将算法与网页交互、后端接口衔接起来。
5.灾害评估模块:完成参数面板、影像导入、结果展示和统计图表。当前图像处理演示通过震前、震后影像差异比对,生成变化区域标记及像素比例,再返回网页展示;人员损失、设施损毁和资源缺口等部分内容采用示例数据。
6.救援规划模块:完成地图、任务列表、统计面板及模拟控制交互,提供启动和重置操作,展示模拟任务的执行过程与状态变化。
7.后端与运行检查:完成用户认证、卫星查询、无人机航线计算及文件导出等接口相关工作,配置前后端和Python服务的调用地址,检查参数传递、数据返回、页面显示与文件下载等环节。
地震模拟主体主要采用他人已有成果(经同意),不作为本人独立开发内容。
四、实现中的难点与处理
项目包含普通网页、React子系统、Node.js接口和Python服务,各部分启动方式和地址不同,联调时需要分别检查页面、接口与数据库连接,定位问题所在。
无人机模块还涉及“地图绘制—参数提交—结果返回—航线显示—文件导出”的连续操作,因此将航线计算与KML导出拆成独立接口,使用经纬度和航点数据衔接前后端,便于逐步检查。项目中的部分灾情统计与救援过程采用模拟数据,用于功能演示。

示例图片视频


wwxb
5天前活跃
方向: 前端-Web前端、爬虫/脚本-爬虫/脚本、
交付率:100.00%
相似推荐
工程代号 dsh-memory 保留作技术包名,备选:忆栈/脑痕、Mnemo/Trace。-Engram
业务定位:当前 AI 助手的记忆要么靠模型参数(换模型即丢失、不可审计),要么靠 RAG 向量库(会"脑补"未发生的内容、无法单点撤销)。本项目把记忆做成一层外挂的系统提示词中间件:每条记忆都是原文 + 稀疏符号标签,可逐条解释、逐条撤销、离线存储,且任何环节失败都只降级为"不注入",绝不阻断对话。 主要能力: 能力 说明 符号编码 归一化 + Aho–Corasick 多模式匹配,产出带权重与极性的稀疏标签;不做语义理解、不调用任何模型做判断 长期存储 独立 SQLite(WAL + 外键),每条记忆带 sha256 校验;JSONL 文件兜底;schema 版本化自动迁移 最小注入 前部强约束(systemPrompt.section,order 860)+ 后部参考记忆(带来源的动态上下文);top-3 / 400 token / 披露闸门 披露与租户隔离 scope 按用户 / 群隔离(如 qq:user:<uin>),audience ≤ origin 才允许注入,防止私聊内容在群里被复述 写入闸门与去重 基于身份窗口与证据充分性判定,负标签优先——宁可不注入,也不注入错误内容 安全与合规 AES-256-GCM 加密归档、密钥环管理、sha256 完整性校验、mem_purge 五步物理清除 + crypto-shredding、脱敏 工具集 mem_stats / mem_search / mem_verify / mem_export / mem_purge 五个 mem_ 前缀工具,重名自动降级 可运营 备份脚本、Web 控制台、注入回执(audit kind=inject),全程可审计 典型场景:QQ 机器人的多租户长期记忆(已在 VM 真机跑通"QQ → 打标 → 门控 → SQLite"端到端);也可作为任何 DSH Agent 的可解释记忆层。
SaaS大模型API聚合与分发平台
我独立设计、开发并上线了 Bubble大模型API聚合与分发平台,为希望开展大模型 API 业务的企业和团队提供建站与运营系统。平台统一接入多家模型供应商,将对话、图像和视频生成能力通过兼容 API 对外提供。企业可以使用自己的品牌和域名开设独立站,自主决定向客户提供哪些模型、如何定价,并管理从客户接入、调用计量到收款对账的完整流程。项目覆盖模型网关、多租户业务后台和用户端,从系统设计、前后端开发到部署上线均由我独立完成。
掌静脉os系统
1.掌静脉os 2.基于掌静脉识别模型,设计掌静脉识别设备的整体技术方案,从0-1实现掌静脉设备的整体功能界面,业务逻辑包括信息增删改查、掌静脉识别(支持应对各种场景,包括门禁,支付等)。系统包含管理端和用户端,界面根据设计稿包含多种界面动画和界面效果。 3.动画效果复原和性能优化是开发过程的两个大难点,要在保持25fps的基础上,界面不能卡顿,动画效果的刷新也不能影响识别。
LLM智能体项目编译器-FATASS
FATASS 是一个把软件项目当作「编译器输入」来管理的 Python 命令行工具:项目被建模为一张节点图,每个节点由 Claude Code CLI 作为自主智能体合成与维护,而不是由人手写文件。我独立完成了节点与变换模型、事务式的命令接口(每次变更可整体提交或回滚),以及一个用 TypeScript 写的 VS Code 扩展,用于可视化浏览项目拓扑。项目目标是让 LLM 编码智能体承担「主编译器」角色,把需求变更收敛为一次可审查、可回退的图变换。适合希望用智能体自动化维护多模块代码库、又要求过程可审计的团队参考。项目仍在持续开发中。
基于大语言模型的跨平台智能陪伴机器人
【立项背景与目标】 市面上的陪伴型 AI 助手普遍存在三个问题:只能活在单一平台、没有长期记忆(今天说过的事明天就忘)、回复像客服。本项目目标是做一个"记得住人、跨平台是同一个她"的陪伴型机器人,让对话在 QQ、抖音两端连续,并具备语音、表情包等拟人表达能力。 【核心功能模块】 1. 多平台接入:QQ 为主阵地(接入 NapCat/OneBot 协议),抖音为副阵地,两端共用同一人格与同一套记忆,用户在一端说过的话另一端能回忆起来。 2. 三层长期记忆:事实卡(固定偏好/禁忌,每次对话强制注入)、向量记忆库(跨会话语义召回)、会话历史。"记住我说的话"有两条落地通道:桥接层正则直接落盘 + 模型侧工具写入。 3. 语音交互:收到的语音消息本地离线转写,回复可按情绪合成语音(三套 TTS 引擎按优先级自动兜底)。 4. 情绪化表达:337 张表情包按情绪分类发送,支持主动发起消息、定时提醒、QQ 空间动态。 5. 人格与安全:傲娇系人格提示词 + 出站文本清洗,既避免"AI 腔",也防止内部机制和实现细节泄露给用户。 【业务流程】 用户消息 → NapCat 上报 → 桥接服务组装上下文(事实卡 + 当前情绪状态 + 记忆召回结果)→ 调用大模型 → 解析回复中的动作标记(表情包/语音/说说/提醒)→ 按字数自动拆分为多条气泡发送。
帮助文档   Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服