基于神经网络和多参数信息融合的地质灾害预报方法与流程

本发明属于地质灾害预报技术领域，涉及基于神经网络和多参数信息融合的地质灾害预报方法。

背景技术：

近年来，我国大型地质灾害事故频发，如泥石流、崩塌滑坡等，这些地质灾害的发生具有随机性和突发性，并且规模巨大，其往往会导致很严重的人员伤亡和经济损失。我国是多山国家，很多地方都存在地质灾害的隐患，如果不能将预报的问题解决，那么地质灾害还将影响更多的人。

发生地质灾害事故的地方经过多方面的分析后得到的结论如下：1)事故原因主要受地质演化和气象影响，另外还有个别事故的发生是属于人为因素造成的；2)造成巨大的人员伤亡和经济损失的结果主要是因为没有可靠的监测设备；3)有的地区布设有监测设备，由于没有合适的预报方法，使得采集来的数据不能发挥其最大的作用，导致资源的浪费。

经过调研分析和研究，发现影响崩塌滑坡发生的因素有如下几个：降雨量、土壤含水率、裂缝、孔隙水压力和沉降变化等；影响泥石流发生的因素有如下几个：降雨量、土壤含水率、泥位、泥速、次声和地声等。这些因素对应的数据可以通过传感器采集到，接下来很重要的工作就是对这些数据进行分析，得出其与地质灾害发生概率之间的关系，如果能够通过建立数学模型的方式对地质灾害进行预报，那么就能够在地质灾害发生前对地质灾害进行预警，从而避免严重的人员伤亡和经济损失。

技术实现要素：

本发明的目的是提供基于神经网络和多参数信息融合的地质灾害预报方法，建立多参数地质灾害监测系统和地质灾害预报模型，实现对多参数的分析、规律统计以及地质灾害的预警。

本发明所采用的技术方案是，基于神经网络和多参数信息融合的地质灾害预报方法，具体按照以下步骤实施：

步骤1，建立基于神经网络和多参数信息融合的地质灾害预报模型；

步骤2，建立地质灾害发生概率与地质灾害等级之间的关系；

步骤3，利用多参数地质灾害监测系统进行数据采集，将采集到的数据输入步骤1和步骤2中，实现地质灾害的预报。

本发明的特征还在于，

步骤1地质灾害预报模型建立过程为：

步骤1.1：训练数据整理及阈值的设置；

步骤1.2：基于径向基(RBF)神经网络的预报模型的建立；

步骤1.1的具体过程为：

分别统计发生过地质灾害地区的泥石流因子、滑坡因子与危害程度的关系，并将各参数因子作为训练数据，随后选择相应参数测量传感器的最大量程，并将0-最大量程之间安装训练数据的点数划分等级，确定各参数与地质灾害发生概率的初始关系分布，将成灾机率分为0-5％、5-2-％、20-40％和40-90％四个范围，从而确定各参数的阈值。

泥石流因子包括有效降雨量、土壤含水量、泥位和次声频率；滑坡因子包括日综合雨量、土壤含水率、孔隙水压力和裂缝移位。

步骤1.2的具体过程为：

预报模型分为输入层、隐含层和输出层，其输入为多参数和对应的地质灾害发生概率，通过给定的输入层、输出层数据计算出隐含层中的权值参数，从而得到输入与输出之间的关系式，具体公式如下：

a{1}＝radbas(netprod(dist(net,IW{1,1},p),net,b{1})) (1)

其中a为输出--地质灾害发生概率，p为输入--训练数据，求得net；随后将其带入调用MATLAB函数库中的训练模型公式：

net＝newrb(p1,a1) (2)

其中，net为得到的地质灾害预报模型，a1为输出—当前地质灾害发生概率，p1为输入--实时采集数据。

步骤2的具体过程为：

依据地质灾害突然发生灾情造成的损失状况、成灾机率和极易产生的危害程度，将地质灾害等级分为四级：特别严重突发灾情为四级，地质灾害发生概率为40-90％，为红色预警，严重性突发灾情为三级，地质灾害发生概率为20-40％，为橙色预警，大型突发灾情为二级，地质灾害发生概率为5-20％，为黄色预警，通常性突发灾情为一级，地质灾害发生概率为0-5％，为蓝色预警。

步骤3中，多参数地质灾害监测系统包括监测终端，监测终端分别与传感器、电源模块、存储模块连接，监测终端与监控中心通过无线网络连接，监控中心与现场报警器连接，其中，监测终端为以STM32F103为核心器件的最小系统，内部包含16路A/D转换器；传感器包括土壤含水率传感器、降雨量传感器、泥速传感器、泥位传感器和地声、次声传感器、裂缝传感器、渗透压和沉降位移传感器。

存储模块为K9F2G08UOC-SCBO可编程存储器；电源模块为太阳能电池板加蓄电池的供电方式。

无线网络为GSM、GPRS或北斗卫星通信。

步骤3的具体过程为：

多参数地质灾害监测系统中的监测终端对土壤含水率传感器、降雨量传感器、泥速传感器、泥位传感器、次声传感器、裂缝传感器、渗透压和沉降位移传感器采集到的数据进行收集，并将收集的数据存储到扩展的存储模块中，当监控中心通过无线网络要求监测终端将采集数据发送，或者监测终端自设定的发送时间到达的时候，监测终端可以通过无线网络将采集数据发送给监控中心，监控中心接收到之后，将其输入到步骤1.2中的公式(2)中，得地质灾害发生概率值a，随后通过步骤2的方法可得地质灾害等级。

本发明的有益效果是，采用RBF神经网络进行预报模型的建立，能够计算出当前条件下对应的地质灾害发生概率，并能够根据发生概率，推算出地质灾害等级，从而可以采取对应等级的措施来预防和减少灾害的发生；充分考虑影响崩塌滑坡、泥石流地质灾害的多个因素，对做出预报决策提供了更加准确的依据，改善了传统地质监测系统只能采集数据而不能进行分析的缺陷；加入自学习功能，纠正由于初始阈值设置与实际不符所带来的预报不准确的问题，提高了地质灾害预报的准确性。

附图说明

图1是本发明基于神经网络和多参数信息融合的地质灾害预报方法的流程图；

图2是本发明基于神经网络和多参数信息融合的地质灾害预报方法中多参数地质灾害监测系统结构示意图。

图2中，1.监测终端，2.电源模块，3.存储模块，4.监控中心，5.报警器，6.土壤含水率传感器，7.降雨量传感器，8.泥速传感器，9.泥位传感器，10.地声传感器，11.次声传感器，12.裂缝传感器，13.渗透压传感器，14.沉降位移传感器。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明基于神经网络和多参数信息融合的地质灾害预报方法的流程如图1所示，具体按照以下步骤实施：

步骤1，建立基于神经网络和多参数信息融合的地质灾害预报模型；

步骤1.1：训练数据整理及阈值的设置；

分别统计发生过地质灾害地区的泥石流因子、滑坡因子与危害程度的关系，并将各参数因子作为训练数据，随后选择相应参数测量传感器的最大量程，并将0-最大量程之间安装训练数据的点数划分等级，确定各参数与地质灾害发生概率的初始关系分布，将成灾机率分为0-5％、5-2-％、20-40％和40-90％四个范围，从而确定各参数的阈值，其中，泥石流因子包括有效降雨量、土壤含水量、泥位和次声频率；滑坡因子包括日综合雨量、土壤含水率、孔隙水压力和裂缝移位。泥石流因子、滑坡因子与成灾几率的关系分别如图1和图2所示：

表1泥石流各因子与成灾几率的关系

表2滑坡各因子与成灾几率的关系

步骤1.2：基于径向基(RBF)神经网络的预报模型的建立；

RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等，预报模型所依托的运行环境为中心服务站的微型计算机。

预报模型分为输入层、隐含层和输出层，其输入为多参数和对应的地质灾害发生概率，通过给定的输入层、输出层数据计算出隐含层中的权值参数，从而得到输入与输出之间的关系式，具体公式如下：

a{1}＝radbas(netprod(dist(net,IW{1,1},p),net,b{1})) (1)

其中a为输出--地质灾害发生概率，p为输入--训练数据，求得net；随后将其带入调用MATLAB函数库中的训练模型公式：

net＝newrb(p1,a1) (2)

其中，net为得到的地质灾害预报模型，a1为输出—当前地质灾害发生概率，p1为输入--实时采集数据；

地质灾害模型公式(2)建立起来之后，基于实时数据自动更新地质灾害预报模型的自学习是这样实现的，每次采集来的实时数据，除了用于分析当前的地质灾害发生概率和等级之外，还用于对训练数据的更新，即公式(1)中的p中的部分数据被实时数据代替，然后重新用更新后的p进行模型的训练，得到更加准确的预报模型。

步骤2，建立地质灾害发生概率与地质灾害等级之间的关系；

依据地质灾害突然发生灾情造成的损失状况、成灾机率和极易产生的危害程度，将地质灾害等级分为四级：进入加速蠕变阶段中后期的滑坡险情预报等级为警报级，特别严重突发灾情为四级，地质灾害发生概率为40-90％，为红色预警，进入加速蠕变阶段中期的滑坡险情预报等级为警戒级，严重性突发灾情为三级，地质灾害发生概率为20-40％，为橙色预警，进入初始加速蠕变阶段中后期的滑坡险情预报等级为警示级，大型突发灾情为二级，地质灾害发生概率为5-20％，为黄色预警，进入等速蠕变阶段的滑坡险情预报等级为注意级，通常性突发灾情为一级，地质灾害发生概率为0-5％，为蓝色预警，具体见表3：

表3等级划分

步骤3，利用多参数地质灾害监测系统进行数据采集，将采集到的数据输入步骤1和步骤2中，实现地质灾害的预报：

多参数地质灾害监测系统包括监测终端1，监测终端1分别与传感器、电源模块2、存储模块3连接，监测终端1与监控中心4通过无线网络连接，监控中心4与现场报警器5连接，其中，传感器包括土壤含水率传感器6、降雨量传感器7、泥速传感器8、泥位传感器9和地声传感器10、次声传感器11、裂缝传感器12、渗透压传感器13和沉降位移传感器14，其结构示意图如图2所示。

具体过程为：多参数地质灾害监测系统中的监测终端对土壤含水率传感器、降雨量传感器、泥速传感器、泥位传感器、地声传感器、次声传感器、裂缝传感器、渗透压和沉降位移传感器采集到的数据进行收集，并将收集的数据存储到扩展的存储模块中，当监控中心通过无线网络要求监测终端将采集数据发送，或者监测终端自设定的发送时间到达的时候，监测终端可以通过无线网络将采集数据发送给监控中心，监控中心接收到之后，将其输入到步骤1.2中的公式(2)中，得地质灾害发生概率值a，随后通过步骤2的方法可得地质灾害等级。

其中，监测终端为以STM32F103为核心器件的最小系统，内部包含16路A/D转换器，该芯片具有：32位的Cortex-M3CPU、最高72MHZ工作频率、单周期乘法和硬件除法、256K字节的闪存程序存储器、48K字节的SRAM等特点。雨量传感器应该布设在泥石流形成区及其暴雨带内四周空旷、平坦且风力影响小的地段，有条件时还应按照海拔梯度进行站点布设。土体孔隙水压力及含水量传感器应布设在流域中上游在强降雨下较易启动且细颗粒较多的物源区开阔坡体上。泥石流小流域中沟道较规则顺直的地段较少、沟床比降较大，同时较低沟岸都有被淤埋和掏蚀的危险，因此非接触式泥位传感器、位移传感器和振动传感器应布设在顺直、通透性较好、比降小的流域中下游流通区沟段内，以基础稳定、同时处于洪峰线以上的巨砾、基岩、堤坝、拦砂坝、桥梁等为宜。尤其泥位传感器及位移传感器在其布设区间河段内应无其他径流补给或补给量可以忽略不计，并根据泥石流运动速度考虑下游施工区域撤离所需提前警报的时间。所有接线采用防水防尘的航空接插头进行连接。存储模块为K9F2G08UOC-SCBO可编程存储器；

数据传输主要包括短程无线数据传输及远程无线数据传输两个部分，短程无线数据传输设备包括短程无线数据传输和中继站，远程无线数据传输包括GPRS、GSM及北斗卫星终端传输，数据传输系统是将现场数据通过有效的通信方式将数据传回，同时将预警信号传输至现场报警设备实现报警，即现场根据传感器采集数据进行分析，达到设定的阈值后通过红绿灯及预警广播实现报警，同时采集数据可以通过公网传输或者北斗卫星至室内数据中心存储分析，在短程无线通讯无效后可由数据中心直接对现场进行预警的信息发布。对于现场数据量小、紧急性高的业务，采用短程无线传输将预警信号传输至现场报警设备，及时进行预警，短程无线预警传播距离在2千米以内，且中间无大的建筑物或者山川阻隔，如果有阻隔导致无法收到数据，还需要架设无线中继站。对于有公网覆盖的地区，一般应选用公网进行组(GSM/GPRS)；对于公网未能覆盖的地区，一般选用北斗卫星通信方式进行组网，对于重点监测区域且有条件的地区，可选用两种不同通信方式予以组网，实现互为备份、自动切换的功能，确保信息传输信道的畅通。

考虑到现场应急供电实际情况，均采用太阳能电池板加蓄电池的供电方式，蓄电池采用锂离子电池组，其具有安全可靠，体积小，重量轻，使用方便，自放电小，可使用长久等特点，在现场有条件的地方太阳能电池板可直接锂电池充电，可供设备正常工作10天以上的时间，在无条件的地方，可直接使用锂电池进行供电，锂电池在充满状态下无充电条件下可供设备正常工作3天以上的时间。