一种基于多监测场合的全息立体组网滑坡智慧预警方法

1.本发明涉及低质灾害的预警方法技术领域，特别涉及一种基于多监测场合的全息立体组网滑坡智慧预警方法。


背景技术：

2.目前针对滑坡地质灾害进行预警的主要难点在于滑坡的诱发机理复杂、调查监测大数据及分析方法不够全面等原因，传统的地质灾害预警模型存在预警精度有限、虚警高、精细化不足等问题。由于滑坡系统所涉及的相关因素庞多，条件复杂，所以不同类型滑坡之间致灾机制、预警判据和阈值迥异。传统的滑坡预警模型及方法并不能适应于各类滑坡，仅能对某类或某个演化阶段的滑坡起到预警作用；多数的预警判据和参数均存在局限性，不能准确全面反映滑坡变形规律和成灾机制，因此需要研究耦合变形特征和致灾特征的综合预警判据，提高滑坡预警的准确性，降低虚警率。近年来，随着大数据和人工智能技术的飞速发展，监测技术有了飞跃式发展，空天地一体化监测体系逐渐建立，使滑坡预警预报精准化成为可能，同时机器学习技术也逐渐在地质灾害预警方面得到广泛应用，并取得了较好效果。
3.目前，空、天、地、地下一体化监测体系主要依托于遥感卫星、无人机遥感和全球卫星导航系统(global navigation satellite system，gnss)。全球卫星导航系统作为重要的时空信息基础设施，在国民经济建设中发挥着十分重要的作用。2020年7月31日我国北斗三号全球卫星导航系统(beidou system，bds)全面建成开通，进一步推动了北斗/gnss应用的深度和广度。除了导航、定位与授时等基本服务外，gnss技术因其可全天时全天候、站间无需通视、可获取高精度三维绝对坐标信息等优点，已被广泛应用于地表形变监测领域。作为一种点观测系统，gnss技术需要在待监测区布设台站，受接收机数量和密度限制，无法获取大范围区域、高空间密度的地表形变信息。在工程实践中，受限于诸如水电工程高山深谷、高位隐蔽性滑坡体等复杂环境，仅在重点部位布设分散、不连续的单个监测点，利用全站仪、gnss等测量手段按以点代面、以局部代替整体的方法采集离散点形变信息进行数据处理，难免遗漏一些重大的安全隐患，严重时将造成人员伤亡、经济损失，带来负面的社会影响。而遥感卫星和无人机遥感的大范围区域同步观测的优势可以有效的弥补gnss存在的一些缺陷，通过将两者结合能够同时在空间和时间上提升地表形变监测能力。
4.随着大数据和机器学习的发展，结合多年气象站的预报数据(地质环境、降水、灾害实际发生情况)，为滑坡灾害预警模型的研究提供了新的发展契机，可以充分利用大数据挖掘与分析技术，依托历史滑坡灾害及诱发滑坡灾害的地质环境、降水等大数据资料，探索基于机器学习的滑坡灾害预警模型具有重要理论意义和实际应用价值。


技术实现要素：

5.为了解决现有技术的问题，本发明提供了一种基于多监测场合的全息立体组网滑坡智慧预警方法，其能够有效的对滑坡进行自动预警。
6.本发明所采用的技术方案如下：
7.一种基于多监测场合的全息立体组网滑坡智慧预警方法，
8.本发明提供的技术方案带来的有益效果是：
9.(1)本发明提出了一种基于多监测场合的全息立体组网滑坡智慧预警方法，开展空、天、地、地下多监测场的滑坡全息、全方位监测，构建了耦合地表形变位移、速率和加速度，深部形变位移、速率和加速度，地下水位，微震强度，降雨量，土壤含水量等多元特征的滑坡综合预警判据，有效克服了目前通用的单一判据或双判据的误差大、精度低、虚警高的局限，显著提高了预警精度；
10.(2)本发明将机器学习与滑坡综合预警判据结合，采用机器学习自动挖掘滑坡综合预警判据，实现了滑坡的自动化预警，从而减少了群测群防带来的人力物力的消耗；
11.(3)本发明构建了基于集成学习的滑坡智慧预警模型，能够自动学习变形规律和自动计算预警阈值，减少了目前人为设定阈值带来的误差，提高了结果的可信度；
12.(4)本发明采用加权分析的方法，有效的对机器学习的结果进行集成优化处理，能够确保结果的准确性；
13.(5)本发明采用天气预报数据，实现了滑坡提前预警，保证了预警的时效性。
附图说明
14.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
15.图1为本发明的一种基于多监测场合的全息立体组网滑坡智慧预警方法的流程图。
16.图2为本发明实施例中使用的监测数据，其中图2(a)为形变速率图，图2(b)为切线角图，图2(c)为深部位移图，图2(d)为降雨量图，图2(e)为土壤水分图，图2(f)为水位计图。
17.图3为本发明实例中智慧预警结果。
18.图4(a)为滑坡遥感影像，图4(b)为滑坡3d谷歌影像。
19.图5为滑坡sbas-insar监测结果。
20.图6为滑坡分级预警结果。
具体实施方式
21.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
22.实施例一
23.参照图1所示，本实施例提供一种基于多监测场合的全息立体组网滑坡智慧预警方法，具体包括如下步骤：
24.s1、获取基于空、天、地、地下全方位的监测数据，并基于统计学方法对监测数据进行预处理；
25.本实施例针对滑坡监测区域的地质背景、地形地貌和气象条件等特点，综合采用
高分辨率卫星遥感、卫星sar(合成孔径雷达)、无人机遥感、机载lidar(激光探测及测距系统)、船载移动摄影、地面专业监测设备和地下专业监测设备，实现对滑坡灾害的全方位、全信息立体监测。
26.在遥感监测方面，通过高分辨率卫星遥感获取滑坡宏观形态异常数据，通过卫星sar获取地表形变监测数据，通过无人机遥感获取灾害点高精度地形地貌数据，通过机载lidar获取高植被覆盖区滑坡形态和形变数据。对于三峡库区等地形陡峭地区，综合利用无人机贴近摄影和船载移动摄影等方法获取滑坡侧面遥感信息。在专业监测方面，采用gnss(全球导航卫星系统)监测一体机提供的累计位移监测、形变速率监测，水位计提供的地下水位监测，雨量计提供的降雨量监测，土壤湿度传感器提供的土壤水分监测等，数据采取间隔为24h。
27.本实施例采用的预处理方法为四分位数法，对多场监测数据进行计算，获取分割数据，判断数据是否存在异常值，因此本发明通过预处理，能够有效消除专业监测仪器固有噪音带来的误差和异常数据，提高了数据的准确性和可靠性。
28.s2、基于数理统计方法对滑坡的监测数据进行分析，获取滑坡变形和各种致灾因子之间的相关性，并结合实地调查获取的滑坡宏观变形特征，判断滑坡的致灾机制和变形破坏模式；
29.本实施例采用spss软件(统计产品与服务解决方案软件)和origin软件(函数绘图软件)，对监测数据进行归一化处理，消除量纲产生的影响，将滑坡的变形速率和各种致灾因子(降雨、地下水位、土壤水分等)进行相关性分析，采用spss软件中双变量分析或多变量分析，明确各种致灾因子与该滑坡的形变的显著相关性。
30.其次在实地调查中结合insar监测和地表地下监测中形变位移较大的监测点，明确滑坡的宏观变形特征(如裂缝、台坎、错台等)，分析滑坡成因机制及对应的变形破坏模式。
31.s3、根据滑坡致灾因子和变形破坏模式，明确滑坡致灾的驱动力，并根据多监测场全息数据构建滑坡综合预警判据；
32.本实施例中首先根据步骤s2中获取的滑坡致灾因子相关性及野外实地调查的宏观特征，分析滑坡致灾的驱动力(如降雨型滑坡其驱动力与降雨、地下水、灌溉相关)，将与驱动力相关的数据作为综合判据的组成特征之一，与滑坡的变形速率、加速度、倾斜角、深部位移等变形特征判据，构建耦合变形特征和致灾特征的滑坡预警综合判据。
33.s4、综合滑坡地表与地下位移监测数据、滑坡宏观变形特征明确滑坡的分级预警标准；
34.本实施例中采用的分级预警标准主要依托于：(1)滑坡的累计形变曲线，根据曲线获取滑坡的形变速率、切线角、加速度等，以[0，45
°
]，[45
°
，80
°
]，[80
°
，85
°
]，[85
°
，90
°
]为切线角判断区间结合实地考察裂缝的贯通程度和大小，依次划分为蓝色预警、黄色预警、橙色预警、红色预警。
[0035]
s5、构建基于集成机器学习的滑坡智慧预警模型，建立耦合支持向量机、随机森林、c5.0机器学习的集成学习算法，自动学习变形规律和自动计算预警阈值；
[0036]
本实施例中将机器学习方法引入到滑坡预警中，集成学习算法能够将弱学习器集成为一个强学习器，能够充分综合各机器学习算法的优势，从而显著提高滑坡预警结果的
准确性。此外，集成学习具有自学习、自组织和自推理的特点，能够支撑滑坡智慧预警。
[0037]
s5.1、构建svm(support vector machine)机器学习方法，通过输入综合预警判据实现初次滑坡自动分级预警；
[0038]
本实施例中构建svm机器学习算法，将综合预警判据(降雨量、地下水位、土壤水分、形变速率、加速度、切线角等)作为输入，将蓝色预警、黄色预警、橙色预警、红色预警四种预警级别作为输出，自动学习变形规律和计算预警阈值，实现滑坡自动分级预警。
[0039]
s5.2、构建rdf(random decision forests)机器学习方法，通过输入综合预警判据实现第二次滑坡自动分级预警；
[0040]
本实施例中构建rdf机器学习算法，将综合预警判据(降雨量、地下水位、土壤水分、形变速率、加速度、切线角等)作为输入，将蓝色预警、黄色预警、橙色预警、红色预警四种预警级别作为输出，自动学习变形规律和计算预警阈值，实现滑坡自动分级预警。
[0041]
s5.3、构建c5.0机器学习方法，通过输入综合预警判据实现第三次滑坡自动分级预警；
[0042]
本实施例中构建c5.0机器学习算法，将综合预警判据(降雨量、地下水位、土壤水分、形变速率、加速度、切线角等)作为输入，将蓝色预警、黄色预警、橙色预警、红色预警四种预警级别作为输出，自动学习变形规律和计算预警阈值，实现滑坡自动分级预警。
[0043]
s5.4、基于自动加权算法，对三种机器学习获取的自动分级预警结果进行综合分析，自动获取精度高、效果好的分级预警结果作为滑坡最终的自动分级预警结果。
[0044]
本实施例中对步骤s5.1、s5.2和步骤s5.3中三种机器学习得到的结果进行加权计算，精度最高的学习器赋予最大的权值，按照精度从高到低，将三种学习器按照准确度依次赋予权重0.5，0.3，0.2，在此基础进行加权计算，将权重最高的结果作为预警结果。
[0045]
s6、基于步骤s3、s4和步骤s5对滑坡实现自动分级预警，通过实时更新的监测数据对滑坡进行实时分级预警。
[0046]
本实施例中采用的监测数据为可实时动态更新的监测数据，通过将后续时间的数据添加进现有的数据集中即可完成一次数据的动态更新，运用训练好的智慧预警模型即可实现动态滑坡预警。将天气预报的降雨量数据，耦合其他多场监测数据，可以实现滑坡提前预警。
[0047]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。