CN113808370A - 一种面向滑坡的多指标耦合监测预警方法 - Google Patents

Abstract

本发明提供了一种面向滑坡的多指标耦合监测预警方法。所述方法包括步骤：采集现场监测到的各类数据；在各类数据的周期频率不一致的情况下，进行数据对齐；进行数据的处理和变量转化，得到高维空间的离散数据；采用PCA方法，将高维空间的离散数据进行转化，得到复合的高级特征：基于所述复合的高级特征建立高斯混合模型；利用高斯混合模型对滑坡进行预警。本发明将地质灾害状态分为两类，减少了预警次数，节省了人力、物力、财力；本发明基于多变量的、海量的地质灾害相关监测数据，并结合动态数据驱动以及数学统计模型，实现了滑坡的预警、决策，并能够持续优化。

Description

一种面向滑坡的多指标耦合监测预警方法

技术领域

本发明涉及地质灾害防治领域，具体来讲，涉及一种面向滑坡的多指标耦合监测预警方法。

背景技术

地质灾害防治领域分为“预防”和“治理”两个阶段，实现地质灾害“治早治小”可以为后期治理节约大量人力、物力、财力，更重要的意义在于从根源上消除安全隐患，从很大程度上保障人民生命财产安全，极大的减小造成的不良社会影响。地质灾害种类多样，包括崩塌、滑坡、泥石流、地面塌陷等，其中，滑坡对正常的生产生活安全具有极大的威胁。它能够引起地表表面的变形，破坏油气管道周围的环境，造成油气管道功能失效，也影响到人民生命财产安全，是地质灾害的主要形式之一。特别是地震带附近区域，广泛分布的滑坡体成为了高危地质灾害，在各种外在触发条件下容易形成新的灾害对象。然而，岩体自身的复杂性，以及外在因素的不确定性，造成滑坡本身的不确定性。同时，滑坡监测预警具有实时性与动态性，因此，尽管滑坡监测预警是最有效的减灾方法，但存在极大的挑战性。

目前，滑坡的监测预警主要基于雨量、位移、应变及其物理特性等多个单独或多指标预警。例如，基于滑坡加速度的临界滑坡预警，基于雨量、地下水位、土的含水率等指标的滑坡预警，基于滑床、滑体对象相对运动的力学特征监测预警等。

《降雨滑坡多指标监测预警方法》(杨宗佶，王礼勇，石莉莉等，《岩石力学与工程学报》，2019年10月)，开展滑坡现场实测数据的物理机制研究及长时间序列边坡稳定性分析，提出了基于降雨强度–概率(I-P)、饱和度、基质吸力、地表倾斜角度和稳定性实时计算分析的多参数指标预警方法体系。该预警体系在理论研究阶段采用实测降雨量(用于I-P模型计算)、体积含水量(用于饱和度Se和稳定系数的计算)和地表倾斜角度三个独立实测指标参数来开展预警，但在实际中，由于暂未实现非饱和土基质吸力长期实测，故在实际预警中暂未考虑这一指标；而且，由于滑坡体异质性强，采用土体含水量指标在预警实践中不易形成统一标准，文献采用了饱和度指标Se对银洞子滑坡进行预警分析。由此可见，该文献中存在的问题是理论研究与实际应用不匹配，因实际应用的成果无法体现出理论研究的合理性。

发明内容

本发明的目的在于解决现有技术存在的上述不足中的至少一项。例如，本发明的目的之一在于降低滑坡预警中误报、漏报的概率。

为了实现上述目的，本发明提供了一种面向滑坡的多指标耦合监测预警方法。

所述方法可包括以下步骤：采集现场监测到的各类数据；在各类数据的周期频率不一致的情况下，进行数据对齐；进行数据的处理和变量转化，得到高维空间的离散数据；采用PCA方法，将高维空间的离散数据进行转化，得到复合的高级特征；基于所述复合的高级特征建立高斯混合模型；利用高斯混合模型对滑坡进行预警。

进一步地，所述各类数据可包括由各类传感器获得的历史监测数据。

进一步地，所述各类监测数据可包括：雨量计、深部位移计、应力应变计和抗滑桩变形监测装置中的至少一种。

进一步地，所述数据对齐可包括：按照相同的时间粒度来对齐数据。

进一步地，所述数据的处理可包括数据的补全和异常数据的剔除中的至少一种，例如同时包括了数据的补全和异常数据的剔除。

进一步地，所述数据的处理还可包括：卷积雨量。

进一步地，所述变量转换可包括：在数据具有不同方向N维变量的情况下，将该数据转换成N维数据；在数据具有不同深度M维变量的情况下，将该数据转换成M维数据。

进一步地，所述变量转换可包括：在数据具有不同方向N维和不同深度M维的监测数据的情况下，将该类数据转换为N*M维数据。

进一步地，所述建立高斯混合模型的步骤可包括：将所述数据库分为训练集和测试集；利用训练集建立高斯混合模型；利用测试集来测试建立的高斯混合模型是否有效。

进一步地，训练集和测试集的比例为80～95：5～20，例如90：10。

进一步地，在建立高斯混合模型的过程中，利用EM算法实施迭代计算，以获得高斯混合模型的相对最优参数。

进一步地，所述利用高斯混合模型对滑坡进行预警的步骤可包括：将新采集的数据输入到所述高斯混合模型，获得概率；若该概率值小于阈值，则需进行预警，否则不需进行预警。

与现有技术相比，本发明的有益效果包括以下内容中的至少一项：

(1)本发明建立起不同设备不同变量之间的耦合关系，将多种指标耦合成为一种新的复合多维空间数据；

(2)传统地质灾害预警所述按照关注等级发布预警，比如正常级，关注级，警示级，警报级；而本发明将地质灾害状态分为两类，正常类和预警类，减少预警次数，节省人力、物力、财力；

(3)本发明建立了可实施的数学-物理模型；本发明基于多变量的、海量的地质灾害相关监测数据，并结合动态数据驱动以及数学统计模型，实现滑坡的预警、决策，还能够实现预警和决策的持续优化。

具体实施方式

在下文中，将结合示例性实施例来详细说明本发明的面向滑坡的多指标耦合监测预警方法。

示例性实施例1

现有滑坡监测预警领域中单指标预警指数单一，而仅依靠单一指标的预警阈值进行预警预报方法，存在误报、错报的概率较大的缺陷。对此，本发明提出了一种面向滑坡的多指标耦合监测预警方法。该方法利用滑坡点现场监测的雨量、位移、应变等变量实时监测的数据，采用PCA模型提取数据复合的高级特征，并采用GMM模型学习数据分布和事件规则，从而实现对滑坡体实时监测数据的预测。

具体地，所述面向滑坡的多指标耦合监测预警方法可包括以下步骤：

步骤一：通过现场的各类传感器获得实际的监测数据，例如雨量计、深部位移计和应力应变计等。其中，监测数据为设备现场实时监测数据，皆为正常状况的数据。

步骤二：进行数据对齐。由于各类监测设备回传数据的周期频率可能不一致，因此数据处理的第一步就是数据对齐。可按照相同的时间粒度对齐数据，例如按照1小时确定，将所有监测的数据转化到每天24小时的数据点上。

步骤三：完成异常数据的处理和变量转化，确保准确的事件预测。由于现场条件的复杂性，一些传感器获得的数据不全，某个时刻或某段时间没有数据，需要对数据补全。另外，现场的一些偶然因素，如撞击导致某个时刻的监测数据异常，因此不能将此类数据作为滑坡异常事件，需要根据先验知识将此类异常值剔除。

步骤四：采用PCA方法，将高维空间的数据转化到低维度的、复合的高级特征。换而言之，利用PCA方法获得滑坡事件的复合高级描述，能够对处理后的现场监测数据实现特征提取，形成复合的高级特征。

步骤五：实现变量高斯分布，求出基于当前训练数据集的混合高斯模型(可简称为GMM模型)。基于GMM模型，能够对多参数事件实施建模，从而能够形成对现场滑坡事件的建模和抽象描述。

步骤六：依据GMM模型计算事件的概率p(x_n)，如果p(x_n)小于一个预先定义的阈值θ，也就是p(x_n)＜θ，则该事件分类为异常事件，发布预警。

在本实施例中，所述步骤四具体可包括：

基于滑坡现场检测数据，将所有的检测数据可以放入一个i行j列的一个矩阵X：

x_ij表示第j个变量的第i次检测的数据；其中，i＝1,2,…,n；j＝1,2,…,p。

基于检测数据矩阵X，可以计算协方差矩阵S：

其中，s_j表示第j个检测变量的方差，s_ij是两个变量之间(即变量s_i和s_j)的协方差；i＝1,2,…,p；j＝1,2,…,p。

因此，可以进一步求得数据的标准化矩阵X_s：

其中，

表示第j个检测变量的均值，i＝1,2,…,p。

基于标准化矩阵，可以求得相关矩阵C：

其中，x_s为上述标准化矩阵X_s，x_s′为上述标准化矩阵X_s的转置。

基于相关矩阵C，则能够求得其特征值λ₁≥λ₂≥…和特征矢量e₁≥e₂≥…，然后根据先验知识和累积贡献度等确定维度k。

最后，将所有的高维空间数据投影到新的k维空间，形成复合的高级特征。

在本实施例中，对于步骤五中的高斯分布为多变量高斯分布，可以表示为：

其中，d为变量空间维数，u为d×1维均值矢量，∑为d×d维矩阵。

现有数据点集D＝{x_n}，n＝1,…,N，则建立数据点集的空间混合高斯模型为：

k为空间高斯模型数，限于矩阵正则化和正定的需要，则有：

建立数据的对数似然函数：

这个模型无法使用最大似然法获得封闭解，因此可以采用迭代的EM(ExpectationMaximizatio)算法获得一个相对最优解。基于贝叶斯定理能够求得任意样本属于第k个高斯分布的概率：

N_k为指定到第k个高斯分布的点数。

因此，针对已有的数据点，我们期望能够基于公式(7)具有最大的似然，从而求得相应的混合高斯分布参数，其迭代过程如下：

(1)初始化所有参数，包括u_j、∑_j和π_j，并利用公式(7)计算对数似然；

(2)计算基于当前参数的样本后验概率：

(3)使用当前后验概率重新计算模型参数：

(4)计算对数似然：

如果没有收敛，则返回(2)。

通过以上的EM算法，能够求出基于当前训练数据集的混合高斯模型。

为了更好地理解上述示例性实施例，下面结合具体示例来对其做进一步说明。

在某管道沿线所有监测点中选择了一个典型的滑坡监测点，该监测点能够监测的物理量包括：3个管道应变、5个抗滑桩形变、1个深部位移和1个雨量。其中，每个点管道应变包括了4个方向的应变监测，即具有12个监测变量。每个深部位移包括了2米、7米和11米深度的监测，具有3个变量。因此总体有21个监测量(也可称为监测变量)。同时，监测的时间段数据为2018年6月1日至2019年11月11日，以小时为周期，每天每个监测变量可以有24个监测数据。

对所有的监测数据实施预处理，包括了数据补齐、去除异常数据和卷积雨量。其中，雨量也是滑坡影响重要因素之一，但由于雨量值是累积数据，而传感器传回的数据是1小时或一个时间段的雨量，该时间段的雨量无法真实反映雨量对滑坡造成的影响。因此，使用卷积雨量将当前的雨量值与之前的雨量值进行累加。卷积雨量用Acc(t)表示，其中g(t)表示原始雨量数据，eff(τ)表示雨量的累积影响因素，

eff(τ)＝e^-τ/16。

然后实施PCA获得复合的高级特征，将21维空间的离散数据转换到7维空间复合的高级特征，为GMM建模提供了高效的数据量。

将转换到的7维空间复合的高级特征作为整个监测数据集。在整个监测数据集上随机选取所有数据的90％作为训练集，用于模型的建立，剩余的10％作为测试数据，测试获得的GMM模型参数是否有效。训练过程按照前述EM算法实施迭代计算，最后获得GMM的模型参数。模型参数包括了u_j、∑_j和π_j，然后将这些训练数据代入模型参数所对应的GMM模型中，并计算所有数据的概率密度值，选取最小值作为阈值，将此获得的阈值作为判断滑坡异常事件的基点。

对于新的采样事件，按照GMM模型获得的概率，若概率小于阈值，表明监测点出现了大概率滑坡事件。通过将该方法所预警的情况与已知预警情况进行对比分析，可知预警效果良好。

综上，本发明适用于针对一处灾害点位上布设有多种监测设备的情况，可对监测数据进行多指标耦合，形成新的空间特征向量，生成针对地质灾害数据层面的阈值信息，实现真正意义上对监测数据本身的数据挖掘，找寻灾害发展规律，精准预警，极大程度减少预警误报、漏报的情况。

尽管上面已经结合示例性实施例描述了本发明，但是本领域普通技术人员应该清楚，在不脱离权利要求的精神和范围的情况下，可以对上述实施例进行各种修改。

Claims (10)

1.一种面向滑坡的多指标耦合监测预警方法，其特征在于，所述方法包括以下步骤：

采集现场监测到的各类数据；

在各类数据的周期频率不一致的情况下，进行数据对齐；

进行数据的处理和变量转化，得到高维空间的离散数据；

采用PCA方法，将高维空间的离散数据进行转化，得到复合的高级特征；

基于所述复合的高级特征建立高斯混合模型；

利用高斯混合模型对滑坡进行预警。

2.根据权利要求1所述的面向滑坡的多指标耦合监测预警方法，其特征在于，所述各类数据包括由各类传感器获得的历史监测数据。

3.根据权利要求2所述的面向滑坡的多指标耦合监测预警方法，所述各类监测数据包括：雨量计、深部位移计、应力应变计和抗滑桩变形监测装置中的至少一种。

4.根据权利要求1所述的面向滑坡的多指标耦合监测预警方法，其特征在于，所述数据对齐包括：按照相同的时间粒度来对齐数据。

5.根据权利要求1所述的面向滑坡的多指标耦合监测预警方法，其特征在于，所述数据的处理包括数据的补全和异常数据的剔除中的至少一种。

6.根据权利要求5所述的面向滑坡的多指标耦合监测预警方法，其特征在于，所述数据的处理还包括：卷积雨量。

7.根据权利要求1所述的面向滑坡的多指标耦合监测预警方法，其特征在于，所述变量转换包括：在数据具有不同方向N维变量的情况下，将该数据转换成N维数据；在数据具有不同深度M维变量的情况下，将该数据转换成M维数据。

8.根据权利要求1所述的面向滑坡的多指标耦合监测预警方法，其特征在于，所述建立高斯混合模型的步骤包括：将所述数据库分为训练集和测试集；利用训练集建立高斯混合模型；利用测试集来测试建立的高斯混合模型是否有效。

9.根据权利要求1所述的面向滑坡的多指标耦合监测预警方法，其特征在于，在建立高斯混合模型的过程中，利用EM算法实施迭代计算，以获得高斯混合模型的相对最优参数。

10.根据权利要求1所述的面向滑坡的多指标耦合监测预警方法，其特征在于，所述利用高斯混合模型对滑坡进行预警的步骤包括：将新采集的数据输入到所述高斯混合模型，获得概率；若该概率值小于阈值，则需进行预警，否则不需进行预警。