空天地一体化应急通信网的关键挑战与研究方向

徐波 ,  赵海涛 ,  康嘉文 ,  Dusit Niyato

工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 55 -59.

PDF (2179KB)
工程（英文） ›› 2025, Vol. 54 ›› Issue (11) : 55 -59. DOI: 10.1016/j.eng.2025.09.003
观点述评

空天地一体化应急通信网的关键挑战与研究方向

作者信息 +

Key Challenges and Research Directions for Space–Air–Ground Integrated Emergency Communication Networks

Author information +
文章历史 +
PDF (2231K)

Graphical abstract

引用本文

引用格式 ▾
徐波,赵海涛,康嘉文,Dusit Niyato. 空天地一体化应急通信网的关键挑战与研究方向[J]. 工程（英文）, 2025, 54(11): 55-59 DOI:10.1016/j.eng.2025.09.003

登录浏览全文

4963

注册一个新账户 忘记密码

近年来，随着环境恶化与气候变化的加剧，地震、洪水等全球性自然灾害的发生频率显著上升，造成了严重的经济损失[1]。自然灾害通常会破坏地面通信基础设施，因此，在受灾区域快速部署应急通信网络已成为提升救援效率的关键[2]。鉴于自然灾害具有突发性与不确定性，应急通信网络须融合多种通信技术，以确保在复杂多变的环境中提供稳定可靠的通信服务。随着无人机与卫星技术的持续发展，通过高空基站或卫星直连的方式可在灾后迅速恢复通信能力。因此，构建空天地一体化应急通信网（SAGIEN）已成为提升应急响应能力的重要发展方向[3]。
图1展示了一种典型的SAGIEN架构。在天基层面，卫星依托其通信、遥感和导航等核心能力，能够有效突破地理环境限制，为偏远地区提供覆盖支持。在地面通信容量需紧急补充或基础设施受损的场景中，卫星还可作为安全可靠的回程链路，保障无线网络的持续运行。目前，第三代合作伙伴计划（3GPP）正积极推动非地面网络（NTN）技术的标准化与落地，重点之一是将卫星通信能力集成至主流移动终端，以实现更广泛的接入服务[4]。在空基网络中，无人机凭借其快速部署与机动灵活的特点，在复杂或危险环境中发挥重要作用。配备多类传感器的无人机能够对大范围区域实施持续监测，并从灾区实时回传图像和数据，为指挥决策提供准确、及时的情境信息，从而提升救援策略的针对性与效率。无人机还可作为临时通信中继节点，协助恢复受灾区域的通信连接。近年来发展的空投基站技术进一步扩展了其应用潜力，使救援人员能够在交通中断或基础设施严重损毁区域快速部署便携式基站，显著增强应急通信的响应能力并扩大其覆盖范围。在地面网络中，应急通信主要依靠便携式基站以迅速恢复无线连接。自组织网络则在基础设施缺失的环境中起到关键作用，它使各类终端在无预设网络支持的情况下实现自动组网与高效数据交互[5]，进一步强化了地面应急通信的韧性和适应性。
综上所述，通过将卫星、无人机、便携式基站及其他通信终端进行有机协同，可显著提升应急通信系统的整体效能。需要指出的是，SAGIEN可被视为空天地一体化网（SAGIN）的一个子集，专门针对应急管理场景的特殊需求进行了功能优化，其设计重点在于复杂灾害环境下的快速响应能力。为清晰区分二者，表1从功能定位、系统组成、通信协议、部署方式及关键性能指标等多个维度，对SAGIEN与SAGIN进行了系统对比，突出了SAGIEN在应急响应领域的技术优势和应用特征。

1 SAGIEN的关键挑战

我国多个省份已将建设SAGIEN作为一项关键战略举措，以确保在自然灾害期间通信的可靠性[6]，但以下关键挑战仍然存在。

1.1 多源数据融合与灾害动态预测能力不足

自然灾害具有高度不确定性，准确评估其影响范围和严重程度，是有效开展救援行动的前提与关键。然而，在灾后至关重要的72 h内实现对环境动态变化趋势的精准预测，仍面临严峻挑战。卫星遥感、航空摄影及地面传感器等多模态数据源在时空分辨率、采集频率、数据格式和精度等级等方面存在显著异构性，导致数据对齐与特征提取过程复杂度显著增加[7]。此外，当前应急态势感知相关的理论方法仍存在局限；灾害演化过程具有显著的非线性特征，涉及地质力学、流体动力学和大气科学等多个物理场的耦合作用；而现有数值模拟方法在跨尺度建模与动态演化预测方面仍存在较大误差，难以在仿真环境中真实复现灾害发展过程。应急通信网络的实时感知能力受限于带宽资源与计算能力，特别是灾害现场通信基础设施损毁会显著加剧感知数据的传输延迟。同时，在边缘计算设备的电力供应受限时，应急通信网络难以支撑高精度模型的实时推理任务。此外，尽管人工智能（AI）技术为感知数据分析提供了有力支持，但传统数据驱动范式受限于训练样本的可用性；尤其在历史观测数据匮乏的场景下，认知模型的泛化能力与预测准确性显著降低。

1.2 异构终端互操作与快速组网效率低下

鉴于SAGIEN具有高度异构性，确保各类终端之间的互操作性以实现无缝切换与持续通信连接，仍面临严峻挑战。尤其值得关注的是，卫星通信协议与地面移动通信协议长期独立演进，导致二者在系统架构、时序机制和频谱利用等方面存在显著的兼容性障碍。例如，3GPP在第五代移动通信第17版NTN规范中提出的基于n255和n256频段的解决方案虽为协议融合提供了可行的技术路径，但仍须对现有网络基础设施及终端设备进行大规模升级[8]。同时，随着异构终端数量的持续增长，网络拓扑优化的复杂度也显著上升。此类问题通常涉及临时基站的动态部署策略设计以及面向特定灾害场景的应急模式自适应选择，其对应的数学模型往往具有高维与非凸特性，难以借助传统优化方法在动态网络环境中实现高效求解。此外，针对应急场景，SAGIEN涉及“服务恢复时间”（可定义为自灾害发生至系统具备初始运行能力的时间间隔）这一关键性能指标。考虑到网络的多层级架构，该指标涵盖便携式基站建立稳定卫星链路所需的时间以及无人机抵达任务区域并完成组网所需的时间。因此，提升异构终端间的协议兼容性和接口标准化水平，是实现应急通信网络快速重构与高效恢复的根本前提。

1.3 资源受限条件下差异化服务质量保障困难

当地面通信基础设施遭受损毁时，受灾区域内的移动通信需求往往呈暴发式增长，在极短时间内可能激增至日常水平的50倍以上。此类突发性业务高峰极易迅速耗尽有限的卫星链路资源，导致通信延迟、吞吐量与连接可靠性等关键服务质量（QoS）指标急剧恶化，甚至可能引发系统级联失效。此外，受频谱、计算能力与存储等多维资源的刚性约束，SAGIEN的服务承载能力面临严峻挑战。特别是在融合低轨（LEO）卫星的混合网络架构中，网络节点的高速运动引入了显著的时间动态性，造成网络拓扑频繁变化，进一步加剧了资源调度的复杂性。因此，构建高可靠应急通信系统的核心难题在于，如何建立一个能够协同优化时变连接特性与异构资源约束的多维联合优化模型[9]。与此同时，SAGIEN还须支持高度差异化的业务需求，而不同应用对时延敏感度、带宽占用率及可靠性的要求存在显著区别，这使得在资源严重受限条件下实现差异化QoS保障成为系统设计中至关重要且极具挑战性的核心问题。

2 研究方向

为提升SAGIEN在复杂应急场景下的运行效能，本文提出了如图2所示的前瞻性研究路径，旨在系统性地应对当前挑战，并激发学术界与产业界对相关关键技术的深入探索。下文将对这些核心研究方向进行详细阐述。

2.1 基于群体感知的应急环境建模

为构建高效可靠的应急通信与决策支持系统，本文提出一种融合多源感知与智能计算的技术路径。首先，通过整合卫星遥感、低空航拍与地面感知终端，构建具备多源异构特性的综合感知网络。在此基础上，结合无线环境感知重建与在线信道预测方法[10]，建立面向应急场景的高保真信道模型。而在数据处理和分析层面，可引入联邦学习（FL）框架，在保障数据隐私的前提下实现分布式数据清洗与对齐，并且进一步将模型训练过程与贝叶斯网络相结合，动态构建环境特征矩阵，以有效捕捉灾情演化过程中的时空动态特性。此外，生成式人工智能（GenAI）在数据重建与建模任务中展现出卓越能力，尤其适用于缓解因观测数据有限、噪声干扰或信息缺失导致的建模困境[11]。为刻画灾害影响的时空扩散特性，可采用轻量级语义分割模型（如MobileViT）并融合即时定位与地图构建（SLAM）技术，实现对受灾区域的三维语义化重建。在决策支持层面，部署边缘-云协同计算架构，通过集成主动学习机制与专家知识库的闭环迭代优化，能够持续提升模型的环境适应性和决策精度。最终，依托数字孪生平台实现多维度态势感知的可视化呈现，并通过标准化接口完成与应急指挥系统的无缝对接和深度融合。

2.2 基于超图的应急力量快速部署

在SAGIEN中，传统网络模型因受限于设备异构性与协议不兼容等固有缺陷，难以支撑高效的动态组网。为应对这一挑战，亟须对时率同步、随机接入、混合自动重传请求、调制编码及安全机制等核心环节进行增强，并推动相关协议的标准化进程[12]。在此背景下，基于超图的建模方法为传统图模型提供了更具表达力的替代方案。传统图模型局限于描述二元关系，难以刻画应急场景中普遍存在的复杂多体交互[13]。通过将救援单元、灾害现场和资源节点抽象为超图中的顶点，并将多无人机协同运输、跨部门联合调度等协作关系建模为超边，能够更准确地表征系统内部的高阶关联结构。为进一步优化网络拓扑，可采用加权超图划分等算法，将高度耦合的节点聚类至同一子网，实现通信网络的有效重构，从而显著降低跨子网传输延迟。同时，借助超图拉普拉斯矩阵对网络连通性进行量化评估，可动态指导中继节点的部署调整，有效提升灾害环境下异构网络的鲁棒性与运行稳定性。此外，面向移动性管理需求，超图嵌入技术能够将复杂的多维关系映射至低维向量空间，同时结合时空超边预测机制，可前瞻性识别移动节点间的轨迹冲突和资源竞争风险，为最优资源调度与路径规划策略的生成提供理论支撑。

2.3 基于意图的应急资源动态分配

由于救援资源分布具有显著异质性，且多类服务需求须在高时效性约束下得到满足，而传统基于固定规则的静态资源分配模式难以适应SAGIEN复杂动态的应用场景。为此，亟须引入意图驱动机制，实现资源的智能化动态适配[14]。该机制首先构建多模态意图感知层，融合自然语言处理与知识图谱技术，以精准解析用户或指挥系统在应急环境中的语义意图，进而结合实时态势感知数据，生成可量化、可执行的应急任务目标。在此基础上，针对SAGIEN中可能出现的频谱资源冲突问题，可采用软件定义网络（SDN）赋能的网络切片技术，实现跨域资源隔离，并对终端接入和数据处理过程中涉及的发射功率、子信道分配、计算能力及存储等多维资源进行灵活重构与动态调配。进一步地，可引入由大语言模型（LLM）增强的深度强化学习算法，协同优化频谱接入、任务卸载与内容缓存等关键资源维度[15]，在保障关键救援QoS的前提下，显著提升整体资源利用效率。最终，构建意图驱动的闭环优化架构，通过在线强化学习持续评估任务执行效果，并动态调整从意图到资源策略的映射关系，从而支持系统级资源的自主重配置与持续演进。

本文将SAGIEN作为一种弹性灾害响应解决方案，阐述了其在复杂动态应急场景下实现高精度环境建模、快速力量部署与动态资源分配的能力。研究辨识了该系统面临的关键挑战，并为其未来发展指明了具有前景的研究方向，旨在为构建下一代高可靠应急通信体系提供可行的解决思路。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

[Emergency communications industry development research report (2023)] [Internet]. Beijing: China Academy of Information and Communications Technology, Emergency Communication Industry Alliance; 2023 Jun [cited 2025 Aug 14]. Available from: 10.1007/978-981-19-9311-4_2
[2]

Deepak GC, Ladas A, Sambo YA, Pervaiz H, Politis C, Imran MA. An overview of post-disaster emergency communication systems in the future networks. IEEE Wirel Commun 2019;26(6):132‒9. . 10.1109/mwc.2019.1800467
[3]

Liu J, Shi Y, Fadlullah ZM, Kato N. Space‒air‒ground integrated network: a survey. IEEE Commun Surv Tutor 2018;20(4):2714‒41. . 10.1109/comst.2018.2841996
[4]

Medina-Acosta GA, Mungara RK, Eriksson SG, Khan T. 3GPP Release-18 physical layer enhancements for IoT-NTN. IEEE Commun Stand Mag 2024;8(3):18‒24. . 10.1109/mcomstd.0001.2400010
[5]

Yang J, Sun K, He H, Jiang X, Chen S. Dynamic virtual topology aided networking and routing for aeronautical ad-hoc networks. IEEE Trans Commun 2022;70(7):4702‒16. . 10.1109/tcomm.2022.3177599
[6]

[China’s emergency communications industry panorama in 2024] [Internet]. Shenzhen: China Forward Industry Research Institute Co., Ltd.; 2024 Jun [cited 2025 Aug 14]. Available from: 10.51393/j.jamst.2024006
[7]

Zhou D, Sheng M, Bao C, Hao Q, Ji S, Li J. 6G non-terrestrial networks-enhanced IoT service coverage: injecting new vitality into ecological surveillance. IEEE Netw 2024;38(4):63‒71. . 10.1109/mnet.2024.3382246
[8]

Majamaa M. Toward multi-connectivity in beyond 5G non-terrestrial networks: challenges and possible solutions. IEEE Commun Mag 2024;62(11):144‒50. . 10.1109/mcom.001.2300581
[9]

Huang C, Chen G, Xiao P, Xiao Y, Han Z, Chambers JA. Joint offloading and resource allocation for hybrid cloud and edge computing in SAGINs: a decision assisted hybrid action space deep reinforcement learning approach. IEEE J Sel Areas Commun 2024;42(5):1029‒43. . 10.1109/jsac.2024.3365899
[10]

Bakhsh ZM, Omid Y, Chen G, Kayhan F, Ma Y, Tafazolli R. Multi-satellite MIMO systems for direct satellite-to-device communications: a survey. IEEE Commun Surv Tutor 2025;27(3):1536‒64. . 10.1109/comst.2024.3449430
[11]

Xu M, Niyato D, Kang J, Xiong Z, Guo S, Fang Y, et al. Generative AI-enabled mobile tactical multimedia networks: distribution, generation, and perception. IEEE Commun Mag 2024;62(10):96‒102. . 10.1109/mcom.003.2300645
[12]

Sun Y, Peng M, Zhang S, Lin G, Zhang P. Integrated satellite‒terrestrial networks: architectures, key techniques, and experimental progress. IEEE Netw 2022;36(6):191‒8. . 10.1109/mnet.106.2100622
[13]

Ganesan A. On some distributed scheduling algorithms for wireless networks with hypergraph interference models. IEEE Trans Inf Theory 2021;67(5):2952‒7. . 10.1109/tit.2021.3059719
[14]

Ouyang Y, Lin J, Feng T, Yang C, Zhang L, Li T, et al. Intent-driven CoX resource management for space‒terrestrial networks. IEEE Wirel Commun 2024;31(3):339‒47. . 10.1109/mwc.018.2200600
[15]

Zhang R, Du H, Liu Y, Niyato D, Kang J, Xiong Z, et al. Generative AI agents with large language model for satellite networks via a mixture of experts transmission. IEEE J Sel Areas Commun 2024;42(12):3581‒96. . 10.1109/jsac.2024.3459037

AI Summary AI Mindmap
PDF (2179KB)

5050

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉