drhouse-ops/AEROGRID

# AEROGRID ### 由 AI 驱动的超局部污染预警与市政响应智能平台。 ## 📋 团队声明 * **团队名称**：Helix Orbit * **黑客松**：Build with AI: Code for Communities * **赛道**：Track 2 — CleanAir & Clear Streets * **试点区域**：印度马哈拉施特拉邦浦那 ## 🚨 问题 传统的市政空气质量指数（AQI）依赖于分布稀疏的政府遥测站。虽然它们能为宏观区域背景提供有价值的数据，但却无法捕捉高度局部化、快速变化的道路级污染危害。诸如以下事件： * 未经控制的露天市政/塑料垃圾焚烧 * 活跃的地铁和基础设施开挖现场产生的悬浮粗尘柱 * 在低风速扩散条件下聚集的重型车队尾气 * 漂移至附近居民区边缘的工业烟囱排放物 由于市政当局缺乏直接的微观态势可见性，这些事件在不受阻碍的情况下不断恶化。 ## 💡 解决方案 **AEROGRID** 是一个优质的超局部、实时空间智能平台，专为市政指挥中心和 civic 响应者设计。AEROGRID 并不试图重建完整的物理传感器网络，而是将公民的多模态证据（文本描述、音频录音、摄像头观察）与现有的公共传感器和卫星大气扫描进行关联，从而检测、确认和优先处理局部污染事件热点。 ## 🎯 核心原则 AEROGRID 不会仅凭单个公民的投诉就触发市政警报或拉响紧急警报。只有当独立的、多源的环境指标在空间和时间上相互吻合时，平台才会将事件提升为已验证的市政信号。 ## ⚙️ AEROGRID 的工作原理 ``` CITIZEN REPORT [Text/Voice + Photo + GPS] │ ▼ MULTIMODAL GEMINI ENGINE [Analyzes smoke columns, density & flags events] │ ▼ ENVIRONMENTAL CONTEXT LAYER [Anomalies vs CPCB Shivajinagar Baseline + Wind speed] │ ▼ HEURISTIC SIGNAL FUSION [Correlates multiple reports within 500m & 30m window] │ ▼ PROTOTYPE 24H FORECAST [Projects immediate local AQI spikes and hazards] │ ▼ MUNICIPAL COMMAND DESK [Recommended Action Plan & Simulation Dispatch] ``` ### 1. Gemini 多模态证据分析 当公民报告事件时，我们服务器端的 Gemini 3.5 Flash 模型会执行环境证据提取。它会查看提交的声明（解释英语、印地语和马拉地语转录内容）以及上传的图像，以标记可见的污染特征。它负责处理视觉检查（例如灰色烟雾的浓度），同时遵守相关约束（绝不仅凭照片来估算 PM2.5 浓度）。 ### 2. 环境上下文引擎 对于每份报告，后端都会查询区域气象和地理遥测数据，以计算上下文异常： * **地面监测站**：获取最近的连续监测遥测数据（例如 CPCB Shivajinagar），以验证周边空气柱是否正经历相对基线偏差。 * **Sentinel-5P 卫星上下文**：关联 Google Earth Engine 上关于浦那的气溶胶指数（Aerosol Index）报告。 * **大气扩散动力学**：评估风矢量速度。低风速（例如 < 2 m/s）会触发停滞边界警报，预示着局部烟雾将积聚而不会扩散。 ### 3. 启发式信号融合 AEROGRID 的融合引擎根据以下内容计算确认置信度： $$H = 0.20 \cdot C + 0.20 \cdot V + 0.25 \cdot S + 0.15 \cdot G + 0.10 \cdot T + 0.10 \cdot M$$ 其中： * **C**：公民报告相关性 * **V**：Gemini 视觉分析置信度 * **S**：地面传感器异常得分 * **G**：地理空间距离相关性（如果在 500m 中心范围内则为 1.0） * **T**：时间相关性（如果在 30 分钟内则为 1.0） * **M**：气象扩散约束（低风速停滞因子） ### 4. 24 小时原型预报 预测短期污染指数变化。它会根据停滞的风速和持续的报告，向操作员发出即将到来的峰值危险高峰窗口警报（例如 +6H PM2.5 飙升风险）。 ### 5. 市政响应工作流 一旦热点跨过 `0.75` 的阈值，它就会被提升为**已验证的环境信号**。系统会生成带有行动建议（水雾部署、垃圾火灾检查等）的指令，从而允许进行模拟响应调度。 ## 🛡️ 重要数据披露与限制 * **AEROGRID 是一个黑客松原型**，被配置为浦那（Pune）试点演示。 * **演示模式与种子数据**：在演示模式下，一个种子支持观察记录（`prototype_report_02`）会自动定位在距离浦那中心区中心（18.5204° N, 73.8567° E）约 420m 处，以允许对相关性算法进行确定性测试。这被标记为原型数据，并未被声明为实时的市政遥测数据。 * **科学局限性**：启发式融合公式和预测图表是说明性的校准配置。它们未经科学验证，在实际部署中必须使用本地化的连续监测数据进行微调。 * **数据源**：基础坐标代表浦那中心城区。卫星 Sentinel-5P 指数值代表模拟的区域大气扫描。 ## 💻 技术栈 * **前端**：React 19, Vite, TypeScript, Tailwind CSS v4 * **AI 引擎**：`@google/genai`（使用 `gemini-3.5-flash` 模型） * **后端**：Express, Node.js 运行在端口 3000 上 * **视觉效果**：Recharts（用于清晰的预测图表）、Lucide Icons、自定义 GIS SVG 矢量地图 * **部署**：配置为可在 Google Cloud Run 容器上即时部署 ## 🔧 本地设置与运行时 ### 环境变量 在根目录下配置一个与 `.env.example` 匹配的 `.env` 文件： ``` GEMINI_API_KEY="YOUR_GOOGLE_AI_STUDIO_KEY" VITE_DEMO_MODE="true" ``` ### 运行开发服务器 启动带有热加载 Vite 静态资源的 Express 后端： ``` npm run dev ``` ### 构建与生产环境启动 为优化的 Cloud Run 部署构建并打包完整应用： ``` npm run build npm start ``` 服务器根据反向代理的要求绑定到端口 `3000` 上的 `0.0.0.0`。

标签：Geospatial, MITM代理, 人工智能, 多模态大模型, 库, 应急响应, 数据融合, 智慧城市, 环境监测, 用户模式Hook绕过, 自动化攻击