在军事行动中，地形评估对于态势感知与决策制定至关重要。本文提出了一种自动化地形评估及行动方案表征与分析方法。该方法利用OpenStreetMap与OpenMeteo等开源平台数据，融合地形、气象及战斗序列信息，生成实时、自适应的地形分类。这些分类结果为自动化行动方案图的构建提供依据。行动方案图是对作战区域内行动空间的表征。基于行动方案图，可在考量“慢行区”“禁行区”、环境约束及作战区域内各类战场空间对象特定能力的前提下，识别最优路径。除机动最优路径外，还可识别有效阻断路径的关键节点。因此，行动方案图既可评估敌方进犯的可能性，亦可研判己方迟滞、消耗敌军的行动方案。

索引术语——态势感知，信息增强，地形评估，行动方案图生成，行动方案分析，决策支持

I. 引言

军事作战区域内的地形布局是作战计划制定与兵力部署的重要影响因素。地理信息系统旨在通过提供地理态势概览并支持（人工）地形评估，辅助指挥人员决策。地形评估涵盖对作战区域内地形的描述与评价，旨在识别地形对作战行动的有利与不利影响²，为军事决策提供基础支撑。

地形分析通常考量长期稳定的数据，但为适应地形的动态变化，亦须纳入其他类型的信息，如气象、植被、人工构筑物等。开放数据可作为此类信息的重要来源。此外，地形评估还受制于作战区域内现有装备物资：一条小溪对某一类战场空间对象而言可能是难以逾越的障碍，但对另一类则未必。

本文提出一种基于开放数据的自动化地形评估方法。该方法通过构建行动方案图，最终实现对敌我双方行动可能性的研判，从而支撑决策制定。本文结构如下：第二节概述相关研究；第三节详述所提方法；第四节描述相应演示系统的实现；第五节展示针对军事主题专家的初步评估结果；最后，第六节总结全文并指出待解决问题。

II. 相关研究

作为地貌学分支的地形评估，已在多种应用场景中得到运用。其核心目标在于深入洞察特定地形的特征，进行分析，并根据当前应用需求进行分类。例如，文献³利用GIS数据与卫星多光谱影像分析自然灾害规模；在地形通行性研究领域⁴，则通过整合地形图与传感器数据对机器人通行区域进行分类。总体而言，地形评估涉及多源数据的运用及基于规则集的地形分类。

地形知识在军事行动中具有关键意义，使得地形评估尤为重要。美国陆军对军事地理工程及地形评估的实施流程有详尽阐述⁵。然而，传统军事地形评估方法依赖人工操作，流程复杂且耗时。随着信息技术的显著进步，该流程在效能与效率方面均存在提升空间。

地理空间数据在地形评估中占据主导地位，但其获取成本高昂且过程复杂⁷。然而，开放数据倡议的兴起提供了获取大量公开数据的途径。如文献⁶所示，此类数据可在节约资源的同时显著提升地形评估质量。文献⁸描述了多种用于自动地形分析的 visualization schemes 与算法。文献⁹介绍了原型框架C2DSAS，该框架可根据给定地形数据与战场空间对象能力生成路径。本文旨在利用开放数据，通过自动化手段增强军事地形评估。为此，选用OpenStreetMap（OSM）¹⁰与OpenMeteo¹¹作为开放数据源。地形依据多边互操作性计划4信息交换规范中的定义¹²，被划分为“慢行区”“禁行区”与“禁射区”。基于这些分区，可界定机动走廊。结合走廊宽度与部队规模信息，即可生成推荐路径。

传统地形评估多聚焦于狭义地理信息，考量道路状况、森林密度、土壤类型、水文及坡度等因素¹。然而，其他影响通行性进而影响地形分类的因素亦不容忽视。降水、极端气温或风力等气象条件会动态改变地形状况。因此，本研究引入实时开源气象数据¹¹。同时，必须考量战场空间对象的能力差异。为此，我们采纳多边互操作性计划4信息交换规范定义的战斗序列¹²。通过纳入战斗序列，地形评估可针对序列中所列战场空间对象的能力进行定制化分析。借助这些补充数据，系统能够动态判定地形类别，为军事决策提供更全面、合理的依据。

有效的作战计划依赖于对敌军及其潜在行动的精确表征。这种表征——通常被称为“计划”——建立在关于敌军战斗序列的假设与情报之上。态势图包含已识别的部队单位与战场空间对象，反映了当前的认知实况，但通常具有不完整性、时效性滞后性及潜在误差。为支持决策，必须持续更新并同步态势图与作战计划（图1）。这可通过以下关键技术实现：

● 身份管理：当战场空间对象的存在不再与观测情报或计划需求相符时，将其从态势图中删除。

● 信息增强：向态势图中添加战场空间对象，以填补侦察缺口或反映新观测到的实体。

● 位置调整：更新态势图中战场空间对象的位置，可位于行动方案图的节点或边上，以更好地匹配预期的敌军动向或策略。

● 战斗序列修改：通过调整战斗序列本身（增删实体），反映关于敌军兵力构成的最新情报。

● 红方行动方案更新：根据战斗序列的变化或关于敌军意图的新情报，修订预测的敌军行动方案。

这些变化会立即传导至行动方案图。由于其他战场空间对象的能力及其影响，某些原本可行的行动方案边甚至完整的行动方案图可能因此不再适用。

III. 自动化地形评估与分析

A. 地形评估 地形分类流程始于操作人员划定作战区域或关注区域。作战区域即地形评估适用的地理范围。区域确定后，系统收集该区域数据并应用规则，将部分区域分类为“慢行区”“禁行区”与“禁射区”。此分类过程利用预设的敌军战斗序列及实时气象数据，提供适应性强、情境感知的评估结果。分类由规则引擎执行。完整流程如图2所示。

为获取作战区域地形评估的最新数据，系统向各类开放数据源发起请求。利用OpenStreetMap应用程序接口¹⁰检索地形相关信息，可获取土地覆盖分类、土壤类型、坡度及地形用途等多种要素。为支持第四节所述的演示，我们请求了土地覆盖与土地利用数据。此外，OpenMeteo应用程序接口¹¹提供实时气象数据，支持获取当前状况、预报及历史数据。演示中，我们专门请求了降水量、地面两米气温、土壤湿度、过去五日土壤温度及一日预报数据。参数可便捷调整，并可根据需求申请其他要素。接收的数据随后被转换并标准化为通用格式，为规则引擎的后续处理做好准备。

通过整合OpenStreetMap数据、实时气象信息与战斗序列详情，规则引擎可在近实时状态下执行反映环境与战术条件的地形分类。例如，若土壤饱和度超过特定阈值，强降雨可能使原本可通行的区域变为不可通行。战斗序列数据在此发挥关键作用，因其揭示了不同车辆的差异化能力——部分车辆适于泥泞路况，而其他车辆则限于坚实地面行驶。当前规则引擎采用基础逻辑，适用于演示目的，但其设计具备可扩展性，以支持更复杂的应用场景。引擎生成的分类结果——界定适宜慢速移动的区域、完全限制区域及禁射区域——是生成行动方案图以及支撑路径规划与战术决策的核心输入。结构化输出使系统能有效引导战略规划、优化路线，并提升在动态地形与威胁环境下的决策能力。

B. 行动方案图生成

环境初始采用多边形描述。障碍物以红色标示，代表不可穿越区域。第一步是从总空间中剔除障碍物。剩余区域视为可通行区，对其进行三角剖分，分解为更小、易管理的三角形单元。三角剖分空间中每个三角形的中心被定义为一个节点。这些节点根据其自由度进行分类。代表必须做出关键决策或改变机动方向的重点区域的决策点，以方形节点表示（见图4(a)）。非决策点的相邻三角形被归为一组。此类组合几何体的中心被指定为一个新的潜在节点（见图4(b)）。随后，在相邻节点间绘制边，形成连接决策点与周边区域的图（见图4(c)）。通过移除所有非决策点节点简化图结构，保留突出关键决策点及其环境关系的精简表征（图4(d)）。此流程确保了高效性。

整个流程基于Demyen等人¹³开发的高效三角剖分与路径规划方法。为构建图，需输入地图、敌军起点与终点。接着，通过地形分析识别出的“禁行区”与“慢行区”从作战区域中扣除，仅保留可通航的“自由”空间。该自由空间随后使用约束德洛内三角剖分进行处理¹⁴。每个三角形的中心被视为一个潜在节点。进行分类以确定其度数。若一个三角形三条边均与另一三角形相邻，则其度数为0；若有两条相邻边，度数为1；若有一条相邻边，度数为2；若无相邻边，度数为3。起点与终点始终被赋予度数0，以防止其与其他节点合并。下一步，将所有度数大于零且非决策点的相邻节点归组。这些节点至多属于两条边，代表一条无分叉的直线。合并后三角形的中心即为新节点。

随后，利用输入节点的质心构建图，若两个质心在比较中存在前后序关系，则在二者间绘制边（图5(a)）。创建边后，移除仅连接单一其他节点的节点（死胡同）及其关联边（图5(b)）。合并度数为0的节点间的任何边，以在图中仅保留决策点。随后合并边的线串，以避免地图上的可视化问题（图5(c)）。为最小化锯齿效应，对线串进行平滑处理（图5(d)）。最终结果是一个简化图，其中排除了死胡同节点，并移除了未连接起点或终点的孤立子图。在行动方案分析中，每条边需具备两个关键属性以有效建模和评估网络性能：即“机动时间”与“容量”。机动时间代表穿越该边所需的时间，对于计算总通行时长及优化路径至关重要。容量规定了该边的瓶颈约束，指示地形对流量的走廊限制，可能影响网络效率。这两个属性对于准确评估网络内各边的动态特性与限制至关重要。

图5：图生成的各个阶段。

C. 行动方案图分析

基于生成的图表征，我们可利用基于前期工作的方法¹⁵执行以下两项分析：

1. 识别红方进犯的主轴线。
2. 识别部署资源以最有效阻止或迟滞红方进犯的区域。

针对第一项分析，利用生成的图构建最大流问题¹⁶。最大流问题聚焦于确定从源点到汇点通过图内边网络的最大可能流量。流量受路径上容量最小的边约束，因其构成流量的瓶颈。因此，我们假设红方优先选择机动走廊最大的路径，即所有边中最小容量值最高的路径。此类路径允许最高可行流量，因而代表了红方进犯的主轴线。除容量外，时间是关键因素，因其代表路径的通行速度。为兼顾两者，我们将问题重构为最小成本最大流优化。该方法确保在两条路径允许相同流量时，选择通行时间最短的路径。

针对第二项分析——聚焦于识别迟滞红方进犯的关键部署区域——利用生成的图构建网络流阻断问题¹⁷。在网络阻断问题中，涉及两类参与者。第一类参与者寻求优化特定目标，如寻找最短路径或最大化网络内的流量。第二类参与者称为阻断者，致力于通过干扰图结构（如移除边或降低其容量）来对抗前者。在本分析中，我们将第一类参与者称为红方，其目标是利用尽可能大的容量将红方部队向其目标推进。我们将第二类参与者称为蓝方，其策略性地分配资源以迟滞或破坏红方进犯。我们采用类似于Smith与Lim¹⁷所用定义的优化模型，并利用双层规划技术求解¹⁸。更多细节请参阅我们先前论文对该方法的详细阐述¹⁵。或者，若图结构过于复杂，可应用图强化学习¹⁹。

IV. 演示系统

A. 实验框架

为开展地形评估实验，我们将所需服务集成至“智能态势感知”环境。具体而言，我们实现并连接了地形评估服务、规则引擎及互操作对象转换器，并与战斗序列编辑器、冲突检测器等现有工具对接。“智能态势感知”是弗劳恩霍夫FKIE研究所开发的实验性指挥控制信息系统演示平台²⁰，提供数据管理与交换服务等核心功能，并具备指挥控制信息系统的标准接口。其微服务架构支持快速集成与测试新服务，如信息聚合。我们依据多边互操作性计划4信息交换规范——一项涉及24个成员国及北约的军事标准化协作倡议¹²——定义战场空间对象。

B. 想定

实验设定在德国黑森州富尔达峡谷区域。该区域包含多个城镇，如巴特赫尔施费尔德、阿尔斯费尔德、施瓦尔姆施塔特、施利茨、利希滕费尔斯、施泰瑙以及魏森博恩。地形多样，包含丘陵、林地与开阔田野交错分布。A4高速公路（衔接A5高速公路）纵贯该区域，为红方部队提供了高速机动轴线。A4/A5高速公路便于敌军快速机动，但也易被封锁。开阔地形利于迂回，但路线受周边丘陵林地制约。备选机动路线包括联邦公路、次级道路及土路，便于通过更开阔地形实施迂回机动。

红方战斗序列如图7所示。其编成包含一个加强机械化步兵团，下辖三个机械化步兵营，每营加强一个装甲连。蓝方坦克营下辖三个坦克连，构成执行迟滞任务的主力机动元素。蓝方任务是在20小时内迟滞敌军推进，同时消耗红方兵力。

图6：迟滞作战区域概览及红方步兵团意图。

C. 自动化图生成与分析

操作人员首先划定作战区域（图8中以蓝色高亮显示）。随后，定义红方部队的起点与终点，起点以黄色标记（图8），终点以红色标记。结合预设的敌军战斗序列（图7），启动自动化地形评估、行动方案图生成及后续分析流程。

地形评估结果（含“禁行区”（红色显示）与“慢行区”（黄色显示））作为图层叠加于地图之上。生成的图作为附加图层添加，决策点以蓝色显示，边以黑色显示。针对每条边，计算其流量容量（连、营、团级）及经由该边从A点机动至B点所需时间。这些值可在另一图层中显示。

基于生成的图，可识别红方部队的主要推进轴线。此外，该图还能确定部署资源以最有效阻止或迟滞红方部队推进的具体区域。

V. 评估

为评估该方法，我们将四名人类军事主题专家小组生成的行动方案图与自动生成的图进行了比较。同时，对比了专家与自动方法确定的阻断点。通过比较，评估了所提方法在复现或增强识别关键阻断点决策流程方面的有效性。

图9展示了由专家手动制定的行动方案（图9(a)）与自动生成的行动方案（图9(b)）。两种情况下，红方主轴线均以红色标示，备选路线以黄色标示。主轴线在两种方法间保持一致，均为自东向西南延伸，穿越利于红方快速推进的开阔地形。（虚线标示蓝方前沿两个连的界线，由专家设定。）

专家规划的路线沿主干道行进，随后转入乡间道路，最终进入附近战斗区域。相比之下，自动规划路线始于区域道路，沿联邦公路行进，终止于战斗区域西南侧。关键差异在于路线定义方式：专家路径为粗略勾勒，甚至穿越林区；而自动路径严格遵循特定约束。端点差异源于自动路径定义了单一固定端点，而专家路径无此硬性要求。

基于行动方案，需识别并规划障碍物（如各类雷场）的布设位置。规划的障碍物位置如图10所示。专家识别的障碍物以红色标示，行动方案分析服务生成的障碍物以黄色标示。两种方法均在节点36附近阻断了上部路径。在自动方案中，沿K116公路在节点1与7之间对上部路径增设了一处阻断点。

在中部路径上，两种方法均在节点16与24之间设置了障碍。此外，专家规划在节点26与16之间（更上游位置）增设了一处障碍。专家还在魏森博恩附近林区设置障碍，以阻断敌军备选路线。

在红方主路径上，专家在节点12与41、节点12与31之间布设障碍。相比之下，自动程序将障碍布设于更靠后的位置，具体为节点17与31、节点19与29之间。这些位置的选择是因为这些边的流量显著较低，从而需要更少的障碍器材。

在下部路径上，自动方法在节点0与36的分岔处增设了障碍，而专家试图将敌军引向该路径。此外，自动程序在节点0与39之间设置障碍，以封锁经节点24通往A5高速公路上方的路径。

专家增设了额外障碍以防敌军侵入邻近作战区域，分别布设于节点10与22、节点24与34、节点2与32之间。此外，专家策略性地利用封锁引导敌军沿特定路径行进。这一方面目前尚未纳入自动方法。因此，从节点26至9的路径（经由节点0、39、29）未被专家封锁，而自动方法则认为在该路径上部署资源是良机。最后可见，专家选择障碍位置时兼顾了最佳战斗阵地，这并非仅取决于边的容量。目前，自动方法尚存局限，无法区分哪些路径能提供良好战斗阵地，因其无法分析阻断边后方或前方的地形。要改进此方法，有必要纳入额外的地形分析功能。

VI. 结论与展望

本文提出了一种自动化地形评估及基于此的可能行动方案分析的初步方法。该方法已实现为演示系统，并完成了由四名军事主题专家参与的初步评估。

将开放数据与自动化流程融入地形评估，代表了增强军事决策能力的潜在进步。通过利用开源地理空间数据、实时气象更新及敌军战斗序列信息，该方法为地形分析与行动方案图生成提供了结构化、自适应的框架。结果表明，所提出的流程能够通过提供可操作的作战规划洞见来支持决策制定。

仍需进一步研究：当前地形评估采用的简化规则限制了其在更复杂场景中的适用性。此外，某些战术考量，如防止敌军侵入邻近作战区域或策略性引导敌军动向，尚未整合至分析中。最后，必须始终保持人在回路。需提供可用界面以便添加额外数据、交互分析及调整评估结果。

因此，未来的服务增强将聚焦于以下关键领域：

● 高级地形建模：纳入高程数据，利用机器学习算法增强决策支持，实现更精确的地形分类及对动态条件的更强适应性。

● 战术集成：将战术要素（如战斗地域边界、资源分配优先级、用于识别最佳战斗阵地的附加地形特征及其他任务特定因素）嵌入自动化框架，以契合作战需求。

● 自然用户交互：开发用于监控、引导和修改分析的用户界面。

● 全面测试：扩大测试范围，涵盖多样复杂的作战场景，确保系统在不同环境下的可靠性、可扩展性与鲁棒性。

参考文献