山体滑坡风险监测预警方法和系统与流程

[0001]
本发明涉及地质灾害监测和预警技术领域，具体涉及一种山体滑坡风险监测预警方法和系统。


背景技术：

[0002]
山体滑坡是比较常见的自然灾害之一。山体滑坡，轻则摧毁农田、房舍、伤害人畜、毁坏森林、道路以及农业机械设施和水利水电设施等，给工农业生产以及人民财产造成巨大损失，重则形成毁灭性的灾难，危及人民生命安全。滑坡灾害事故一旦发生，后果不堪设想，相比于抢救性保护的灾后修复，山体滑坡的灾前预防、山体滑坡风险的监测预警更为重要。
[0003]
目前，对于山体滑坡自动化监测方法主要包括以下方式：在山体表面安装传感器，用来监测山体的表面位移幅度和速度，山体表面的倾角加速度，特别位置的裂缝宽度等等，再针对每个传感器类型设定报警门限值，当传感器指示参数超过门限值的时候，安排人员进行现场核查和评估，根据工作人员的经验判断是否有山体滑坡的风险。
[0004]
然而，现有做法在进行山体滑坡风险的监测预警时，依赖人工现场查勘、故障事件排查，会消耗大量人力物力；对山体滑坡风险进行人工研判和评估，主要依赖工作人员的经验，对数据应用不够充分且人工研判结果会存在较大误差。所以，现有的山体滑坡风险监测预警技术存在无法自动分析传感器数据且数据分析推理结果可信度不高的问题，从而导致山体滑坡风险监测预警的效果不理想。


技术实现要素：

[0005]
(一)解决的技术问题
[0006]
针对现有技术的不足，本发明提供了一种山体滑坡风险监测预警方法和系统，解决了现有的山体滑坡风险监测预警技术存在无法自动分析传感器数据且数据分析推理结果可信度不高的问题。
[0007]
(二)技术方案
[0008]
为实现以上目的，本发明通过以下技术方案予以实现：
[0009]
第一方面，本发明提出了一种山体滑坡风险监测预警方法，所述方法包括：
[0010]
基于模拟滑坡体场景获取模拟传感数据，基于所述模拟传感数据训练第一分类器，得到初始微运动单元事件检测模型；
[0011]
基于真实滑坡体场景获取真实传感数据，基于所述真实传感数据训练初始微运动单元事件检测模型，得到微运动单元事件检测模型，基于所述真实传感数据训练第二分类器，得到故障模型；
[0012]
基于所述微运动单元事件检测模型和所述故障模型构建和训练滑坡预警模型，进行滑坡风险预警。
[0013]
优选的，基于模拟滑坡体场景获取模拟传感数据，基于所述模拟传感数据训练第
一分类器，得到初始微运动单元事件检测模型，具体包括：
[0014]
搭建模拟滑坡体场景，将所述模拟滑坡体分离为局部区域，并网格化布置传感器，获取所述模拟传感数据；
[0015]
基于所述模拟传感数据确定模拟微运动单元事件；
[0016]
基于所述模拟传感数据和所述模拟微运动单元事件训练第一分类器，得到初始微运动单元事件检测模型。
[0017]
优选的，所述传感器包括倾角加速度计、gnss位移监测仪、裂缝计、雨量计、摄像机、激光雷达、土压力计；所述微运动单元事件包括凹陷事件、突起事件、裂缝贯通事件、裂缝扩大事件、裂缝缩小事件、滚石事件、垂直位移事件、水平位移事件。
[0018]
优选的，所述模拟传感数据包括每个所述局部区域的xyz三维传感数据。
[0019]
优选的，基于所述模拟传感数据和所述模拟微运动单元事件训练第一分类器，得到初始微运动单元事件检测模型，具体包括：
[0020]
基于每个所述局部区域的xyz三维传感数据，在时间轴上形成时空轴数据序列；
[0021]
将所述局部区域的3d梯度直方图作为空间特征，并将所述空间特征的时空序列和所述模拟微运动单元事件作为数据样本训练第一分类器，得到初始微运动单元事件检测模型。
[0022]
优选的，基于真实滑坡体场景获取真实传感数据，基于所述真实传感数据训练初始微运动单元事件检测模型，得到微运动单元事件检测模型，基于所述真实传感数据训练第二分类器，得到故障模型，具体包括：
[0023]
基于真实滑坡体安装传感器，获取所述真实传感数据；
[0024]
基于所述真实传感数据确定真实微运动单元事件和故障事件；
[0025]
基于所述真实传感数据和所述真实微运动单元事件训练初始微运动单元事件检测模型，得到微运动单元事件检测模型；
[0026]
对所述故障事件进行分类；
[0027]
对不同种类的所述故障事件进行特征提取，并结合所述真实传感数据训练第二分类器，得到所述故障模型。
[0028]
优选的，所述故障事件为失真的所述真实微运动单元事件，所述故障事件的类别包括漂移事件和设备故障事件。
[0029]
优选的，所述方法还包括：在基于所述微运动单元事件检测模型和所述故障模型构建和训练滑坡预警模型之前，对所述微运动单元事件检测模型和所述故障模型进行验证。。
[0030]
第二方面，本发明还提出了一种山体滑坡风险监测预警系统，所述系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0031]
(三)有益效果
[0032]
本发明提供了一种山体滑坡风险监测预警方法和系统。与现有技术相比，具备以下有益效果：
[0033]
本发明的山体滑坡风险监测预警方法和系统，通过搭建模拟滑坡体场景，获取模拟传感数据训练第一分类器，得到初始微运动单元事件检测模型，然后获取真实滑坡体场
景的真实传感数据，对初始微运动单元事件检测模型进行增强训练和对第二分类器进行训练，分别得到微运动单元事件检测模型和故障模型，最后结合微运动单元事件检测模型和故障模型建立初始滑坡预警模型，并利用卷积神经网络模型对初始滑坡预警模型进行训练，得到滑坡预警模型，用于山体滑坡风险的监测预警。相比于传统技术，本发明能够快速定位山体局部发生的准确微运动事件，能自动对大量传感器数据进行分析，避免了耗费巨大人力物力的问题；其次，本发明能将传感器数据进行加工、分析、处理，然后推理到滑坡体运动趋势，进而对山体滑坡自然灾害进行监测预警，相比于人工研判，对数据运用更加充分，提高了监测预警的可信度和效果。
附图说明
[0034]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
[0035]
图1为本发明实施例一种山体滑坡风险监测预警方法的流程图；
[0036]
图2为本发明实施例中获取初始微运动单元事件检测模型的流程图；
[0037]
图3为本发明实施例中获取微运动单元事件检测模型和故障模型的流程图。
具体实施方式
[0038]
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0039]
本申请实施例通过提供一种山体滑坡风险监测预警方法和系统，解决了现有的山体滑坡风险监测预警技术存在无法自动分析传感数据且数据分析推理结果可信度不高的问题，实现了提高山体滑坡风险监测预警实际效果的目的。
[0040]
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
[0041]
为了实现对山体滑坡风险进行监测预警，首先通过对滑坡体局部区域传感器的数据进行分析，确定局部的微运动单元事件，再通过对局部微运动单元事件的分析处理，找出滑坡体的的整体运动趋势，最后根据滑坡体的整体运动趋势判断滑坡风险等级，以完成滑坡灾害监测预警。
[0042]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0043]
实施例1：
[0044]
本发明实施例首先提出了一种山体滑坡风险监测预警方法，参见图1，该方法包括：
[0045]
s1、基于模拟滑坡体场景获取模拟传感数据，基于上述模拟传感数据训练第一分类器，得到初始微运动单元事件检测模型；
[0046]
s2、基于真实滑坡体场景获取真实传感数据，基于上述真实传感数据训练初始微
运动单元事件检测模型，得到微运动单元事件检测模型，基于上述真实传感数据训练第二分类器，得到故障模型；
[0047]
s3、基于上述微运动单元事件检测模型和上述故障模型构建和训练滑坡预警模型，进行滑坡风险预警。
[0048]
可见，本发明的山体滑坡风险监测预警方法和系统，通过搭建模拟滑坡体场景，获取模拟传感数据训练第一分类器，得到初始微运动单元事件检测模型，然后获取真实滑坡体场景的真实传感数据，对初始微运动单元事件检测模型进行增强训练和对第二分类器进行训练，分别得到微运动单元事件检测模型和故障模型，最后结合微运动单元事件检测模型和故障模型建立初始滑坡预警模型，并利用卷积神经网络模型对初始滑坡预警模型进行训练，得到滑坡预警模型，用于山体滑坡风险的监测预警。相比于传统技术，本发明能够快速定位山体局部发生的准确微运动事件，能自动对大量传感器数据进行分析，避免了耗费巨大人力物力的问题；其次，本发明能将传感器数据进行加工、分析、处理，然后推理到滑坡体运动趋势，进而对山体滑坡自然灾害进行监测预警，相比于人工研判，对数据运用更加充分，提高了监测预警的可信度和效果。
[0049]
在本发明实施例的上述方法中，在基于模拟滑坡体场景获取模拟传感数据，基于上述模拟传感数据训练第一分类器，得到初始微运动单元事件检测模型时，一种较佳的处理方式，包括如下步骤：
[0050]
搭建模拟滑坡体场景，将上述模拟滑坡体分离为局部区域，并网格化布置传感器，获取上述模拟传感数据；
[0051]
基于上述模拟传感数据确定模拟微运动单元事件；
[0052]
基于上述模拟传感数据和上述模拟微运动单元事件训练第一分类器，得到初始微运动单元事件检测模型。
[0053]
其中，根据实际应用的需要，上述传感器包括倾角加速度计、gnss位移监测仪、裂缝计、雨量计、摄像机、激光雷达、土压力计；上述微运动单元事件包括凹陷事件、突起事件、裂缝贯通事件、裂缝扩大事件、裂缝缩小事件、滚石事件、垂直位移事件、水平位移事件等。
[0054]
另外，在获取模拟传感数据时，上述模拟传感数据包括每个上述局部区域的xyz三维传感数据。在基于上述模拟传感数据训练第一分类器，得到初始微运动单元事件检测模型时，一种更优的处理方式，具体包括：
[0055]
基于每个上述局部区域的xyz三维传感数据，在时间轴上形成时空轴数据序列；
[0056]
将上述局部区域的3d梯度直方图作为空间特征，并将上述空间特征的时空序列和上述模拟微运动单元事件作为数据样本训练第一分类器，得到初始微运动单元事件检测模型。
[0057]
在本发明的一个实施例中，基于真实滑坡体场景获取真实传感数据，基于上述真实传感数据训练初始微运动单元事件检测模型，得到微运动单元事件检测模型，基于上述真实传感数据训练第二分类器，得到故障模型，具体包括：
[0058]
基于真实滑坡体安装传感器，获取上述真实传感数据；
[0059]
基于上述真实传感数据确定真实微运动单元事件和故障事件；
[0060]
基于上述真实传感数据和上述真实微运动单元事件训练初始微运动单元事件检测模型，得到微运动单元事件检测模型；
[0061]
对上述故障事件进行分类；
[0062]
对不同种类的所述故障事件进行特征提取，并结合上述真实传感数据训练第二分类器，得到上述故障模型。其中，上述故障事件的类别包括漂移事件和设备故障事件。
[0063]
在本发明的再一个实施例中，为了保证滑坡预警模型的监测预警准确性达到预期效果，上述方法还包括：在基于所述微运动单元事件检测模型和所述故障模型构建和训练滑坡预警模型之前，对所述微运动单元事件检测模型和所述故障模型进行验证。
[0064]
下面结合对s1-s3的步骤的详细阐述，来说明本发明一个实施例具体的实现过程：
[0065]
s1、基于模拟滑坡体场景获取模拟传感数据，基于上述模拟传感数据训练第一分类器，得到初始微运动单元事件检测模型。
[0066]
在实验室中搭建模拟滑坡体场景，利用实验室环境搭建沙土高边坡、沙土缓坡、岩质边坡三种典型环境模拟模型。将模拟滑坡体区域分为三纵三横的网状区域，从上至下分别为上缘、中段、下缘，从左到右为左轴、中轴、右轴，并根据踏勘情况，在网状区中分离出裂缝区、排水区、岩体区，从而得到若干标注的局部区域。然后按照网格化布置传感器，利用传感器获取每个上述局部区域的xyz三维传感数据作为模拟传感数据。其中，在具体操作时，传感器可以根据实际需要选择倾角加速度计、gnss位移监测仪、裂缝计、雨量计、摄像机、激光雷达、土压力计等多种传感器中的一种或几种；
[0067]
模拟局部降雨、全域降雨，以及模拟不同降雨量进行试验，采集100组以上不同形式的模拟滑坡运动场景数据，将模拟滑坡体表面的微运动单元事件进行分类。此时，按照实际操作需要，可将微运动单元事件分为凹陷事件、突起事件、裂缝贯通事件、裂缝扩大事件、裂缝缩小事件、滚石事件、垂直位移事件、水平位移事件等等；
[0068]
将模拟传感数据导入第一分类器进行训练，得到初始微运动单元事件检测模型。通过该模型，可以由实验室模拟环境中采集的传感器时序波形数据得到模拟滑坡体的模拟微运动单元事件数据的映射关系。具体的训练过程为：针对每个上述局部区域的xyz三维传感数据，在时间轴上形成时空轴数据序列，然后将上述局部区域的3d梯度直方图作为空间特征，将上述空间特征的时空序列作为数据样本导入第一分类器进行训练，得到初始微运动单元事件检测模型。其中，在训练样本时，可以利用releaff算法，即一种有监督特征选择算法，或者利用随机森林分类器对样本进行训练。
[0069]
参见图2，基于模拟传感数据获得初始微运动单元事件检测模型，整个过程具体如下：
[0070]
s11、搭建模拟滑坡体场景，将上述模拟滑坡体分离为局部区域，并网格化布置传感器，获取上述模拟传感数据；
[0071]
s12、基于上述模拟传感数据确定模拟微运动单元事件；
[0072]
s13、基于上述模拟传感数据和上述模拟微运动单元事件训练第一分类器，得到初始微运动单元事件检测模型。
[0073]
s2、基于真实滑坡体场景获取真实传感数据，基于上述真实传感数据训练初始微运动单元事件检测模型，得到微运动单元事件检测模型，基于上述真实传感数据训练第二分类器，得到故障模型。
[0074]
在丘陵地区选取30个真实滑坡体隐患点安装倾角加速度计、gnss位移监测仪、裂缝计、雨量计、摄像机、激光雷达、土压力计等等，持续监测一个水文年，采集综合传感器数
据，气象数据，并定时人工巡检，然后利用专用测绘仪器确定真实微运动单元事件；
[0075]
对上述30个真实滑坡体进行3d空间建模，并引入真实微运动单元事件数据，并将滑坡体山体表面分割为矩阵；
[0076]
将对上述30个真实滑坡体进行监测获取的真实传感数据，按照利用模拟传感数据训练分类器得到初始微运动单元事件检测模型过程相同的方法，提取时空轴数据序列，并将时间轴维度扩展到一个水文年，同时增加气象数据，以获得更多更真实的数据。基于上述数据对初始微运动单元事件检测模型进行增强训练，得到山体的微运动事件检测模型。
[0077]
在利用传感器对真实滑坡体进行监测过程中，由于各种原因，传感器会出现故障，这些故障事件数据会影响滑坡风险监测预警结果的准确性。为了避免这种影响，需要构建故障模型对故障事件进行检测和滤除。具体地，将采集得到的真实微运动单元事件和整个山体发生的真实情况对照分析，获取故障事件，并对故障事件进行分类。故障事件是指真实滑坡体场景中的传感器故障导致的微运动单元事件失真，这类失真的微运动单元事件被称为故障事件。按照传感器的故障原因，故障事件可分为数据漂移事件和设备故障事件两大类，数据漂移具体是因为部分传感器由于外界环境(包括温度、湿度、大气电离层变化)、卫星数据误差等导致传感器数据的漂移，称之为数据漂移事件；设备故障事件具体是因为仪器的瞬时故障产生的传感器数据错误，以及仪器长时间故障导致的传感器数据丢失，称之为设备故障事件。对两大类故障事件数据的特征进行抽取，并结合真实传感数据训练第二分类器，获得故障模型。
[0078]
参照图3，基于真实传感数据增强训练初始微运动单元事件检测模型，得到微运动单元事件检测模型，基于真实传感数据和故障事件训练第二分类器，得到故障模型，整体过程具体如下：
[0079]
s21、基于真实滑坡体安装传感器，获取上述真实传感数据；
[0080]
s22、基于上述真实传感数据确定真实微运动单元事件和故障事件；
[0081]
s23、基于上述真实传感数据和上述真实微运动单元事件训练初始微运动单元事件检测模型，得到微运动单元事件检测模型；
[0082]
s24、对上述故障事件进行分类；
[0083]
s25、对不同种类的上述故障事件进行特征提取，并结合上述真实传感数据训练第二分类器，得到上述故障模型。
[0084]
s3、基于上述微运动单元事件检测模型和上述故障模型构建和训练滑坡预警模型，进行滑坡风险预警。
[0085]
为了保证滑坡预警模型监测、预警的准确性，在利用微运动单元事件检测模型和故障模型构建和训练滑坡预警模型之前，对微运动单元事件检测模型和故障模型进行3个月的验证，确保准确性大于85％。当上述两个模型的准确性达到预期后，根据深度卷积神经网络设计一个险情分类器，即滑坡预警模型。采集100组以上关于同一地区发生山体滑坡的真实滑坡事件数据，然后根据滑坡险情的严重性等级(例如，按照滑坡风险发生的可能性大小从高到低可分为4级)对真实滑坡事件数据进行分类，并将该分类结果，结合经过微运动单元事件检测模型得到的微运动单元事件，以及经过故障模型得到故障事件，共同组成一个训练集，训练上述深度卷积神经网络和分类器，直到分类器模型的精度超过95％以上结束，获得最终的滑坡预警模型。利用该模型对山体滑坡的可能性结果进行准确预测。实际应
用时，可结合短信自动报警、现场声光报警、软件数据报警等方式进行滑坡风险报警，提醒工作人员预先进行人员疏散和及时采取滑坡灾害预防措施。
[0086]
实施例2：
[0087]
本发明还提供了一种山体滑坡风险监测预警系统，所述系统包括：存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0088]
可理解的是，本发明实施例提供的山体滑坡风险监测预警系统与上述山体滑坡风险监测预警方法相对应，其有关内容的解释、举例、有益效果等部分可以参考山体滑坡风险监测预警方法中的相应内容，此处不再赘述。
[0089]
综上所述，与现有技术相比，具备以下有益效果：
[0090]
本发明的山体滑坡风险监测预警方法和系统，通过搭建模拟滑坡体场景，获取模拟传感数据训练第一分类器，得到初始微运动单元事件检测模型，然后获取真实滑坡体场景的真实传感数据，对初始微运动单元事件检测模型进行增强训练和对第二分类器进行训练，分别得到微运动单元事件检测模型和故障模型，最后结合微运动单元事件检测模型和故障模型建立初始滑坡预警模型，并利用卷积神经网络模型对初始滑坡预警模型进行训练，得到滑坡预警模型，用于山体滑坡风险的监测预警。相比于传统技术，本发明能够快速定位山体局部发生的准确微运动事件，能自动对大量传感器数据进行分析，避免了耗费巨大人力物力的问题；其次，本发明能将传感器数据进行加工、分析、处理，然后推理到滑坡体运动趋势，进而对山体滑坡自然灾害进行监测预警，相比于人工研判，对数据运用更加充分，提高了监测预警的可信度和效果。
[0091]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0092]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。