1.一种面向城市火灾监测的无人机‑WSN时空协同优化方法，其特征在于：包括以下步骤：S1、基于莫兰指数的火情风险分级模型，构建火情风险紧急度约束；构建一个空间数据集 ，共n个区域，其中区域 对应的火警事件密度值为 ， ， 表示正实数集；

将原始数据整理为二元组 ，为区域 分配二维地理坐标点 ， 和 分别表示该区域的经纬坐标值；去除缺失值之后，根据字典将每个区域映射到其对应的二维坐标点，最终形成一个包含区域、坐标位置以及火警事件密度的四元数据集 ；

定义阈值距离 ，若区域 和 的欧氏距离 小于阈值距离 ，则认为 和 相邻，进一步定义权重矩阵 中的权重 ；刻画空间全局自相关性，引入莫兰指数，定义为：

(1)

其中， 表示火警事件密度均值，n表示区域的总数；

计算全局莫兰指数的期望值与标准误差，并用Z‑Score验证显著性，若权重矩阵对称且无自邻接，即 ，即区域 不存在自连接，则期望为：(2)

设 ， ，则有标准误差估计：

(3)

若标准化分数 ，则在95%显著性水平下认为存在空间自相关；

对 定义局部莫兰指数如下：

(4)

其中，j表示邻接区域 索引；构建空间加权相关性矩阵 ：(5)

其中， 表示区域 和 的加权相关性， 表示区域 对应的火警事件密度值；若 ，表示区域 和 不邻接；该矩阵的结果即为划分出的火情区域之间的最近邻关联性；

S2、基于均值漂移函数节点分簇模型，对火情点进行聚类，确定传感器节点的布设位置，接着在最大通信距离约束下，通过分簇减少UAV服务路径规模，确定初始簇划分；

S3、基于风干扰与模糊规则库的无人机轨迹偏差模型，对误差进行抑制，采用由整体到局部的精度控制方法，首先进行全局轨迹规划，使用TSP和GA算法，采用2‑opt局部搜索优化路径平滑度；接着进行局部姿态控制，使用基于实时反馈的无人机精度控制算法，求解实时精度，构建控制流；选择无人机滚转角随时间变化的函数r(t)、俯仰角随时间变化的函数p(t)以及偏航角随时间变化的函数 衡量稳定性随时间变化，定义姿态扰动函数为：(6)

其中，姿态角约束要求 ；

构造路径偏差随时间变化函数如下：

(7)

其中， 表示扰动常数，p表示路径偏差常数， 表示风速，v(t)表示巡航速度函数，由实时速度采集得来；

进一步得到总路径偏差函数为：

(8)

制定风险等级评分，无人机巡航轨迹优先响应火情风险等级高的区域；将所有传感器节点划分为K个簇，对每个簇i，分别定义事件密度评分 和局部莫兰评分 如下：(9)

(10)

规定局部空间自相关分析指标为高‑高显著性评分 为1，其余显著性评分均为0，高‑高具体指区域 自身的事件密度评分和局部莫兰评分高于均值，同时其周围邻居的事件密度评分和局部莫兰评分也高于均值；经过加权得到第i簇的风险等级评分为：(11)

其中， 、 、 表示权重系数， ；将访问簇头i的路径偏差比上全局最大路径偏差，与低风险点访问惩罚加权，得到第i簇访问代价：(12)

其中， 和 表示损失权重， ；访问代价越小，表示风险等级越高，需要优先访问；计算每对相邻簇头间的访问代价并排升序，设定阈值为 ，即访问代价的均值与标准差之差，若 ，则强制优先访问；

建立由总路径偏差函数得到的误差产生模型之后，对误差进行抑制；基于姿态扰动函数S(t)，采用由整体到局部的精度控制方法；将路径偏差函数D(t)转化为实时控制率函数：(13)

其中， ， 和 表示增益系数， 表示偏差参考值，通过限制幅值确保 ；

S4、通过移动充电车对传感器节点进行实时充电，对传感器节点能耗、负载以及充电车访问路径进行建模，最小化能耗、数据损失和巡检时间。

2.根据权利要求1所述的面向城市火灾监测的无人机‑WSN时空协同优化方法，其特征在于：所述步骤S2中，设簇节点为 ，均值漂移后记为 ，其核密度估计为：(14)

其中,表示特征维度，B表示带宽参数，K(∙)表示径向核函数，N表示系统内传感器节点总数；对核密度函数取梯度：(15)

对分母、分子进行分解，得到均值漂移函数：(16)

上式中第一项为簇节点 在窗口内的加权均值，减去本身即为均值漂移的幅度；迭代公式如下：(17)

每次迭代将簇节点 移动到局部加权均值处，不断重复，直到收敛到稳定点，即密度峰值；

通过计算簇间最大距离对均值漂移聚类进行约束，令 为信号发送功率， 为发送天线增益， 为接收天线增益， 为传播路径损耗随距离变化的函数， 为额外损耗，额外损耗包括连接损耗、线损以及多路径减损，令 为接收信号功率的下界，链路容限方程表示为：(18)

使用二分法求解方程最大正根，得到 ，设UAV悬停高度为H，地面上最大覆盖半径即最大簇间距离为 。

3.根据权利要求1所述的面向城市火灾监测的无人机‑WSN时空协同优化方法，其特征在于：所述步骤S3中，针对风干扰导致的路径偏差D(t)，分别设计低速、中速以及高速模糊补偿规则库，当风速为1～5m/s时，使用低速模糊补偿规则库，低速模糊补偿规则库规定：路径偏差处于‑5～‑2m时，施加1.5～2m/s的速度正向修正；路径偏差处于‑2～‑1m时，修正量为0.5～0.9m/s；路径偏差处于‑1～1m时，修正量为‑0.2～0.2m/s；路径偏差处于1～2m时，施加‑0.9～‑0.5m/s的负向修正；路径偏差处于2～5m时，修正量为‑2～‑1.5m/s；

当风速为6～10m/s时，使用中速模糊补偿规则库，中速模糊补偿规则库规定：路径偏差处于‑5～‑2m时，修正量为2～2.5m/s；路径偏差处于‑2～‑1m时，修正量为0.9～1.3m/s；路径偏差处于‑1～1m时，修正量为‑0.4～0.4m/s；路径偏差处于1～2m时，修正量为‑1.3～‑

0.9m/s；路径偏差处于2～5m时，修正量为‑2.5～‑2m/s；

当风速为11～15m/s时，使用高速模糊补偿规则库，高速模糊补偿规则库规定：路径偏差处于‑5～‑2m时，修正量为2.5～3m/s；路径偏差处于‑2～‑1m时，修正量为1.3～1.5m/s；

路径偏差处于‑1～1m时，修正量为‑0.5～0.5m/s；路径偏差处于1～2m时，修正量为‑1.5～‑

1.3m/s；路径偏差处于2～5m时，修正量为‑3～‑2.5m/s；

对速度修正量 解模糊后得到 ：

(19)

其中， 表示隶属度函数，定义如下：

(20)

其中， 表示速度修正量的标准差；

最小化式(8)，将目标函数表示为：

(21)

(21a)

(21b)

(21c)

其中，式(21a)表示姿态扰动函数的上界，式(21b)用于限制实时控制率函数 的上界，式(21c)表示第i簇访问代价 的上界。

4.根据权利要求1所述的面向城市火灾监测的无人机‑WSN时空协同优化方法，其特征在于：所述步骤S4中，采用将能耗分解为传输能耗和接收能耗，用以定量刻画无线设备在通信过程中的能量消耗特征的无线通信能耗模型，对传感器发送与接收的能量消耗进行建模，设第j个节点发送能耗为 ，则有：(22)

其中，表示发送比特数， 表示每比特电子能耗， 表示自由空间模型的能耗系数， 表示多径衰减模型的能耗系数；当通信距离小于临界值 时，采用自由空间模型，否则使用多径衰减模型；

设第i个簇有 个传感器节点，簇头i的总能耗表达为：(23)

其中， 表示UAV广播的控制信息比特数，第i个簇头接收能耗为， 表示簇头i与无人机的通信距离， 表示簇头i的发送能耗；

第i个簇内第j个节点的能耗为：

(24)

其中，簇内第j个传感器节点接收能耗为 ， 表示簇头i和簇内第j个传感器节点的通信距离。

5.根据权利要求1所述的面向城市火灾监测的无人机‑WSN时空协同优化方法，其特征在于：所述步骤S4中，定义第i个簇负载为：(25)

通过方差定义簇间均衡性 为：

(26)

其中， 越小，负载越趋于均衡，当 时，每个簇负载完全均衡；

模型约束包括簇覆盖约束和簇头能量约束，第i个簇的簇覆盖约束为：(27)

(28)

第i个簇的簇头能量约束为：

(29)

其中，o表示能耗阈值因子。

6.根据权利要求1所述的面向城市火灾监测的无人机‑WSN时空协同优化方法，其特征在于：所述步骤S4中，通过移动充电车对传感器节点进行实时充电，目标为最小化能耗，规划路径从数据中心出发，依次经过每个传感器充电并返回，公式如下：(30)

其中， 表示移动充电车从传感器节点j到节点j+1的距离， 表示传感器节点j的能量消耗速率，v表示充电车移动速度；

第j个传感器节点最小充电量满足如下条件：(31)

其中，p表示充电速率，表示传感器j充电时间，表示不低于阈值的冗余量；

最小化式(30)，将目标函数表示为：(32)

其中，约束条件表示第j个传感器节点的充电量需大于簇内节点和簇头能耗的最大值。

7.根据权利要求1所述的面向城市火灾监测的无人机‑WSN时空协同优化方法，其特征在于：所述步骤S4中，统一优化传感器节点总能耗 、总数据丢失量 以及无人机总巡航时间 三项性能指标：(33)

(34)

(35)

其中， 表示簇头i的数据存储容量， 表示簇内传感器节点j接收的数据量；

无人机的总巡航时间利用无人机在一轮次中访问所有簇头的时间成本来衡量：(36)

其中，d(i,i+1)表示簇头i和i+1间的距离， 表示无人机在簇头i和i+1之间飞行时v(t)的均值， 表示无人机与簇头i进行信息交互的时间；

最小化式(33)至式(35)，将目标函数表示为：(37)

其中，、、表示调节因子，分别用于控制三个目标之间的权重分配。

8.根据权利要求1所述的面向城市火灾监测的无人机‑WSN时空协同优化方法，其特征在于：所述步骤S4中，设置一种紧急度驱动的动态路径调整机制，要求每轮调度完成后，根据传感器节点状态反馈计算紧急度指标，第j个传感器节点对应的紧急度指标为：(38)

其中， 和 分别表示控制能量与存储影响权重的因子， 表示本轮巡航中所有传感器节点的能耗最大值， 表示第j个节点的数据丢失量， 表示本轮巡航中最大节点数据丢失量；使用排序索引函数描述传感器节点为 ，按照升序进行排序，有 ；系统进行任务调度时，从 最低的节点开始，按照递增的顺序依次访问传感器节点。