CN115600513A - 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 - Google Patents

一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 Download PDF

Info

Publication number
CN115600513A
CN115600513A CN202211616732.4A CN202211616732A CN115600513A CN 115600513 A CN115600513 A CN 115600513A CN 202211616732 A CN202211616732 A CN 202211616732A CN 115600513 A CN115600513 A CN 115600513A
Authority
CN
China
Prior art keywords
module
information
karst
data
collapse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211616732.4A
Other languages
English (en)
Other versions
CN115600513B (zh
Inventor
张云峰
焦玉国
李生清
王延岭
程凤
赵志伟
吴亚楠
赵新村
李海翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Original Assignee
No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources filed Critical No 801 Hydrogeological Engineering Geology Brigade of Shandong Bureau of Geology and Mineral Resources
Priority to CN202211616732.4A priority Critical patent/CN115600513B/zh
Publication of CN115600513A publication Critical patent/CN115600513A/zh
Application granted granted Critical
Publication of CN115600513B publication Critical patent/CN115600513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，涉及信息处理技术领域；解决的技术问题是在岩溶环境安全监测预警和岩溶塌陷因素分析问题，采用的方案是一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，包括岩溶塌陷监测模块、信息化模拟系统、分析决策模块、岩溶塌陷预警模块、塌陷信息可视化模块。通过塌陷信息处理模块对采集到环境信息转化成数据信息，通过监测系统监测岩溶环境，并对异常信息报警，服务器管理模块应用数据挖掘算法对数据信息分析决策；岩溶塌陷信息通过塌陷信息可视化模块对塌陷因素数据分析并将分析结果传输到电脑端。本发明提高了岩溶塌陷监测能力和因素分析能力。

Description

一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统
技术领域
本发明涉及岩溶塌陷监测预警防控领域，且更确切地涉及一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统。
背景技术
岩溶位于地下，被地下水位和自然因素所影响，地下水位变动达到一定幅度，或者是因为一些自然灾害造成岩溶上层塌陷，形成一个塌陷坑。岩溶塌陷不仅破坏了自然环境，还给人们生命造成危害，如果不加以监测，后果难以想象。
为实现岩溶塌陷监测，申请号为201820532688.1的中国专利中提出一种岩溶塌陷监测系统，该系统通过分布式光纤应变传感器应用于多条监测槽技术，大幅度提高覆盖范围，获取大量监测信息。但是大量的光纤应变传感器需要埋入地下才能感测岩溶内部变化，实施工程十分复杂，且光纤对岩溶塌陷环境因素没有分析能力。
发明内容
针对上述技术的不足，本发明公开一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，能够提前预测岩溶塌陷并对塌陷现场进行图像扫描，具有高效岩溶环境分析能力和岩溶塌陷预警能力。
为解决上述技术问题，本发明采用如下技术方案：
一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，其中包括：
岩溶塌陷监测模块，用于监测地面、地下水位、地下洞穴和水库水量的塌陷数据信息，所述岩溶塌陷监测模块包括塌陷信息采集模块、塌陷信息处理模块、塌陷信息传输模块和岩溶感测模块；其中所述塌陷信息采集模块通过传感器感测岩溶地质变化获取塌陷信息；所述塌陷信息处理模块包括蒙特卡罗算法模块和地质雷达扫描模块，所述蒙特卡罗算法模块用于处理采集到的塌陷信息，所述地质雷达扫描模块用于勘测地下岩溶图像；所述塌陷信息传输模块包括接收模块、编码模块和发送模块，所述岩溶感测模块用于感岩溶测物理参数变化；
信息化模拟系统，用于模拟岩溶塌陷，分析岩溶塌陷系数临界值，所述信息化模拟系统包括岩溶物理模拟模型、数据信息收集模块和数据信息统计分析模块；其中所述岩溶物理模型模拟模块通过岩溶物理模型在模拟自然环境下的岩溶状态，所述数据信息收集模块用于检测岩溶物理系数，所述数据信息统计分析模块通过中央处理器对数据信息进行统计分析；
分析决策模块，用于研判岩溶塌陷变化和塌陷范围，所述分析决策模块包括数据加载模块、数据预处理模块、数据分类模块、数据挖掘算法模块、数据库分析模块和服务器数据管理模块；其中所述数据加载模块包括电参数加载模块、光纤传感模块、水位传感器、压力传感器和次声波检测仪，数据预处理模块用于对加载数据规范化，数据分类模块用于整理分类加载数据的类型和变量，数据挖掘算法模块用于从大量数据中提取出对岩溶塌陷有效数据并预制结构化数据，数据库分析模块用于提供挖掘算法运行结果的评估方法，服务器数据管理模块用于调用处理数据并对各模块规范化管理；其中服务器数据管理模块分别与数据处理模块、数据分类模块、数据挖掘算法模块和数据库分析模块连接，数据加载模块分别与数据预处理模块和数据分类模块连接；
岩溶塌陷预警模块，用于预测岩溶塌陷情况，所述岩溶塌陷预警模块包括第一监测线系统、第二监测线系统和第三监测线系统；其中所述第一监测线系统通过分布态检测线实时监测监测线所在地的地质和温度变化，所述第二监测线系统通过预警计算机计算地质和温度变化值并建立数据库，所述第三监测线系统通过塌陷的地形应变数据计算监测线所在地的临界应变值后进行实时预警；
塌陷信息可视化模块，用于在岩溶塌陷结构图像上叠加虚拟工艺导引信息，所述塌陷信息可视化模块包括信息化控制模块、选择处理模块和显示计算模块；其中所述信息化控制模块用于提供导引指令，选择处理模块用于选择导引显示类型及具体内容，显示计算模块用于将导引信息结合岩溶塌陷实际相对位叠加在岩溶塌陷结构图像上；
其中岩溶塌陷监测模块与信息化模拟系统、分析决策模块、岩溶塌陷预警模块和塌陷信息可视化模块连接，信息模拟系统与分析决策模块和岩溶塌陷预警模块连接。
作为本发明的进一步方案，地下水位监测装置包括中央处理器、电池装置、GPRS通信模块、GPS定位装置、液位传感器装置、信号转换模块和信号丢失报警模块；其中所述中央处理器用于处理接收到的信号并控制模块工作，所述电池装置用于向各个模块提供正常工作的电压和电流，满足各个模块正常工作需求，所述GPRS通信模块通过固定互联网协议与后台控制端通信，所述GPS定位装置通过卫星信号锁定所在地下水位监测装置所在位置，所述液位传感器装置包括外部壳体、气囊、导磁体、接收线圈、发射线圈和水压孔，所述信号转换模块通过A/D转换模块将液位传感装置产生的电信号转换成数据电子信号，所述信号丢失报警模块用于在液位传感装置信号和电源信号消失时向后台控制端发送报警信息；其中中央处理装置连接电池装置、GPRS通信模块、GPS定位装置、信号转换模块和信号丢失报警模块，信号丢失报警模块与液位传感器装置和电池装置相连。
作为本发明的进一步方案，预警装置包括预警感应器、信息控制模块、信号灯和无线发射器。
作为本发明的进一步方案，所述数据挖掘算法采用改进决策树算法，改进决策树算法流程为：
假设
Figure 939537DEST_PATH_IMAGE001
表示岩溶塌陷监测信息训练样本集，岩溶塌陷信息样本岩溶塌陷信息样本 数量为
Figure 965261DEST_PATH_IMAGE001
个，包括
Figure 701136DEST_PATH_IMAGE002
个监测岩溶塌陷信息样本的不同种类
Figure 352566DEST_PATH_IMAGE003
，
Figure 490287DEST_PATH_IMAGE004
表示岩溶塌 陷监测信息训练样本集的一个属性，属性
Figure 670601DEST_PATH_IMAGE004
的取值范围为
Figure 893772DEST_PATH_IMAGE005
，
Figure 834046DEST_PATH_IMAGE006
表示不同种类的
Figure 91852DEST_PATH_IMAGE007
样本 总数；根据属性
Figure 239806DEST_PATH_IMAGE004
的不同，将岩溶塌陷监测信息训练样本集
Figure 684693DEST_PATH_IMAGE008
区分成
Figure 428658DEST_PATH_IMAGE009
个小的岩溶塌陷监测 信息训练样本子集，
Figure 524659DEST_PATH_IMAGE010
是岩溶塌陷监测信息训练样本子集的第
Figure 328667DEST_PATH_IMAGE011
个子集，
Figure 713381DEST_PATH_IMAGE012
，
Figure 792196DEST_PATH_IMAGE013
为岩溶塌陷监测信息训练样本子集
Figure 759015DEST_PATH_IMAGE014
的样本个数；
岩溶塌陷监测信息训练样本集的信息增益
Figure 733924DEST_PATH_IMAGE015
的计算式如式(1)：
Figure 153404DEST_PATH_IMAGE016
(1)
式(1)中，
Figure 488439DEST_PATH_IMAGE017
表示按照属性
Figure 309765DEST_PATH_IMAGE018
分类后岩溶塌陷监测信息训练样本集
Figure 455575DEST_PATH_IMAGE019
的信 息熵，
Figure 346040DEST_PATH_IMAGE020
表示按照属性
Figure 235498DEST_PATH_IMAGE021
分类后岩溶塌陷监测信息训练样本集
Figure 911330DEST_PATH_IMAGE019
，
Figure 742889DEST_PATH_IMAGE022
表示根据岩 溶塌陷监测信息训练样本集的属性
Figure 871382DEST_PATH_IMAGE021
划分出的个小的岩溶塌陷监测信息训练样本子集的 熵加权和，
Figure 564531DEST_PATH_IMAGE023
表示岩溶塌陷监测信息训练样本集
Figure 78558DEST_PATH_IMAGE019
的熵；
Figure 831751DEST_PATH_IMAGE024
的计算公式如式(2)：
Figure 447540DEST_PATH_IMAGE025
(2)
式(2)中，
Figure 928068DEST_PATH_IMAGE026
表示监测岩溶塌陷信息样本的不同种类
Figure 578493DEST_PATH_IMAGE027
出现的概率，
Figure 971428DEST_PATH_IMAGE028
表示监 测岩溶塌陷信息样本数量，
Figure 589360DEST_PATH_IMAGE029
表示监测岩溶塌陷信息样本的种类，
Figure 358733DEST_PATH_IMAGE030
满足约束条件如 式(3)：
Figure 129243DEST_PATH_IMAGE031
(3)
式(3)中，
Figure 942347DEST_PATH_IMAGE032
表示
Figure 798307DEST_PATH_IMAGE033
个监测岩溶塌陷信息样本的不同种类
Figure 371371DEST_PATH_IMAGE034
出现的概率总 和；
分裂信息项
Figure 714497DEST_PATH_IMAGE035
计算式如式(4)：
Figure 980393DEST_PATH_IMAGE036
(4)
式(4)中，分裂信息项
Figure 792491DEST_PATH_IMAGE037
表示岩溶塌陷监测信息训练样本集
Figure 434825DEST_PATH_IMAGE038
关于 属性
Figure 898036DEST_PATH_IMAGE039
的熵，
Figure 334834DEST_PATH_IMAGE040
表示岩溶塌陷监测信息训练样本子集中的样本数量，
Figure 634228DEST_PATH_IMAGE038
表示岩溶塌陷信 息样本岩溶塌陷信息样本数量，
Figure 798362DEST_PATH_IMAGE041
表示属性
Figure 132391DEST_PATH_IMAGE039
的最大值，
Figure 474511DEST_PATH_IMAGE042
越小则岩溶塌 陷监测信息训练样本在属性
Figure 776048DEST_PATH_IMAGE039
上的分部结果越不均匀；
信息增益比率
Figure 229026DEST_PATH_IMAGE043
的计算公式是：
Figure 683141DEST_PATH_IMAGE044
(5)
式(5)中，
Figure 445430DEST_PATH_IMAGE045
表示岩溶塌陷监测信息训练样本集中信息增益比 率，在岩溶塌陷监测信息训练样本集
Figure 984996DEST_PATH_IMAGE046
中选取信息增益比率最大的岩溶塌陷信息样本，决 策树算法选择具有最高信息增益比率的属性，定义成分裂属性，决策树算法根据属性
Figure 241665DEST_PATH_IMAGE047
的 取值范围执行最佳分割点，分成
Figure 268395DEST_PATH_IMAGE048
个分枝，循环执行分裂属性的确定和最佳分割点的确定， 生成一棵关于岩溶塌陷监测信息训练样本集的决策树；
基于分类回归树算法进行决策树的划分节点，分类回归树算法通过信息熵
Figure 217897DEST_PATH_IMAGE049
作为度量标准，分类回归树根据最佳分割点划分节点，当前节点用
Figure 713600DEST_PATH_IMAGE050
表示，每个 节点产生两个分枝，划分标准如式(6)所示：
Figure 288807DEST_PATH_IMAGE051
(6)
式(6)中，
Figure 717514DEST_PATH_IMAGE052
表示当前节点
Figure 837917DEST_PATH_IMAGE053
和对节点划分的属性
Figure 86496DEST_PATH_IMAGE055
进行计算，
Figure 199814DEST_PATH_IMAGE056
表示岩溶 塌陷监测信息数据位于左子树概率的大小，
Figure 951869DEST_PATH_IMAGE058
表示岩溶塌陷监测信息数据位于右子树概 率的大小，
Figure 243173DEST_PATH_IMAGE060
和
Figure 228316DEST_PATH_IMAGE062
分别表示岩溶塌陷监测信息训练样本决策树中当前节点的左子树和右子 树，
Figure 630478DEST_PATH_IMAGE063
表示岩溶塌陷监测信息数据所属种类，
Figure 502619DEST_PATH_IMAGE065
和
Figure 214092DEST_PATH_IMAGE067
分别表示分类回归树的左节点和右 节点，
Figure 437263DEST_PATH_IMAGE069
和
Figure 377537DEST_PATH_IMAGE071
分别表示左子树和右子树中属于类别
Figure 353453DEST_PATH_IMAGE073
的概率值，
Figure 252138DEST_PATH_IMAGE074
表示种 类数量；
节点划分度量时的概率值如式(7)所示：
Figure 431447DEST_PATH_IMAGE075
(7)
式(7)中，
Figure 690259DEST_PATH_IMAGE077
表示目标节点左子树和右子树，在计算属性取值在计算节点划分度量 时有先后顺序，选择概率值较大的子树中岩溶塌陷监测信息数据进行检验，概率值较小的 子树中的信息数据进行剪除。
作为本发明的进一步方案，通过EM算法求解最大似然数值，实现决策树算法收敛 得到最优解；假设随机变量由岩溶塌陷监测信息训练样本集
Figure 536992DEST_PATH_IMAGE079
和隐含部分
Figure 341000DEST_PATH_IMAGE080
组成，满足分 布
Figure 522452DEST_PATH_IMAGE082
，训练数据由若干
Figure 70108DEST_PATH_IMAGE084
组成，
Figure 771347DEST_PATH_IMAGE086
，假设
Figure 277415DEST_PATH_IMAGE088
是岩溶塌陷环境信息数 据中一个离散随机变量，满足分布矩阵为
Figure 946163DEST_PATH_IMAGE090
；
EM算法中指数族密度函数和目标似然函数如公式(8)所示：
Figure 297510DEST_PATH_IMAGE091
(8)
式(8)中，
Figure 853256DEST_PATH_IMAGE093
表示离散随机变量
Figure 264646DEST_PATH_IMAGE095
分布矩阵中的一个数值，
Figure 155110DEST_PATH_IMAGE097
是岩溶塌陷监测信 息数据的预估似然数，
Figure 44569DEST_PATH_IMAGE099
表示岩溶塌陷环境信息数据中的变量值
Figure 720401DEST_PATH_IMAGE101
关于岩溶塌陷监 测信息数据的预估似然数
Figure 286380DEST_PATH_IMAGE103
的指数族密度函数，
Figure 414873DEST_PATH_IMAGE105
表示岩溶塌陷监测信息训练样本 集
Figure 842443DEST_PATH_IMAGE107
关于岩溶塌陷监测信息数据的相对熵，
Figure 169520DEST_PATH_IMAGE109
表示岩溶塌陷监测信息数据预估似然数的 目标似然函数；
固定
Figure 171980DEST_PATH_IMAGE111
数值，对
Figure 787769DEST_PATH_IMAGE113
进行优化，设该函数在
Figure 19030DEST_PATH_IMAGE115
处取得最大值，则有：
Figure 653142DEST_PATH_IMAGE117
(9)
式(9)中，
Figure 108395DEST_PATH_IMAGE119
表示可以取最大指数密度值的似然数；
固定
Figure 477059DEST_PATH_IMAGE121
值，则
Figure 246432DEST_PATH_IMAGE122
为
Figure 758488DEST_PATH_IMAGE124
的函数，则有：
Figure 853483DEST_PATH_IMAGE126
(10)
式(10)中，
Figure 240602DEST_PATH_IMAGE127
表示最大指数密度值的似然数的目标似然函数；
综合式(8)~(10)，得式(11)：
Figure 548087DEST_PATH_IMAGE128
(11)
式(11)表明，EM算法的每轮运算，都会使岩溶塌陷监测信息数据的目标似然函数
Figure 422371DEST_PATH_IMAGE129
值增加，实现岩溶塌陷监测信息在运算过程中收敛到局部最优解。
作为本发明的进一步方案，数据分类模块包括嵌入式处理控制器和与所述嵌入式处理控制器连接的统分类模块、数据存储模块和输出模块。
作为本发明的进一步方案，数据预处理模块包括预处理匹配库、聚类处理模块、预处理模块和存储模块，所述预处理模块用于对数据进行标准化、归类化和清洗化的预处理。
作为本发明的进一步方案，岩溶物理模拟模型包括水动力模拟装置、岩溶模拟装置和监控装置。
本发明有益的积极效果在于：
区别于常规的岩溶塌陷已经技术，本发明能够实现岩溶环境的监测，通过岩溶塌陷监测模块监测岩溶内部环境信息；通过信息化模拟系统分析出岩溶塌陷与各个环境因素系数临界值关系；地下水位监测装置通过液位传感器监测到水位变化，通过GPRS模块传输到后台控制端，通过分析决策模块处理分析接收到的环境信息，引用数据挖掘算法对岩溶塌陷监测数据信息进行关键数据筛选和优化处理；处理后的数据超过环境因素系数临界值启动岩溶塌陷预警；通过塌陷信息可视化模块对岩溶塌陷进行塌陷因素分析。本发明提高岩溶塌陷预警效率，增强岩溶塌陷分析能力。
附图说明
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性的前提下，还可以根据这些附图获得其他的附图，其中：
图1为本发明岩溶塌陷监测预警及防控一体化图；
图2为本发明地下水位监测装置图；
图3为本发明决策树算法流程图；
图4为本发明标准决策树算法和改进后决策树算法的分类准确率对比图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
在具体实施例中，如图1所示，一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统包括岩溶塌陷监测模块、信息化模拟系统、分析决策模块、岩溶塌陷预警模块、塌陷信息可视化模块。
其中，岩溶塌陷监测模块用于监测地面、地下水位、地下洞穴和水库水量的塌陷数据信息，所述岩溶塌陷监测模块包括塌陷信息采集模块、塌陷信息处理模块、塌陷信息传输模块和岩溶感测模块；其中所述塌陷信息采集模块通过传感器感测岩溶地质变化获取塌陷信息；所述塌陷信息处理模块包括蒙特卡罗算法模块和地质雷达扫描模块，所述蒙特卡罗算法模块用于处理采集到的塌陷信息，所述地质雷达扫描模块用于勘测地下岩溶图像；所述塌陷信息传输模块包括接收模块、编码模块和发送模块，所述岩溶感测模块用于感岩溶测物理参数变化；目前,岩溶塌陷的监测方法可分为直接监测法和间接监测法两类，直接监测方法通过直接监测地下土体或地面的変形来判断地面塌陷的方法,如监测地面沉降地面和房屋开裂等常规方法,以及地质雷达和光导纤维等监测地下土体变形的非常规方法。间接监测方法主要有岩溶管道系统中水气压力的动态変化传感器自动监测技术，由于塌陷具有突发性,地质雷达等直接监测方法和岩溶管道系统中水压的动态变化传感器自动监测的间接监测技术监测塌陷则取得了较好效果。本发明采用地质雷达监测技术，地质雷达监测的工作原理是由发射天线向地下发射高频电磁波，通过接收天线接收从地下不同电性界面上反射回来的信号。当地下物体的介电常数差异较大时，就会形成反射界面，电磁波在介质中传播时，其路径、电磁场强度等随介质的电磁性质及几何形态而变化。所以,根据接收波的旅行时间、频率等信息，可推断介质的结构。由于发生扰动形成土洞的地下土体与其周围的原状土体具有明显不同的介电常数异常。因此，通过地质雷达定期、定线路的探测扫描对比，就可以推断地下土体的变化，从而达到监测土洞的形成、发展过程，进而预测岩溶塌陷。
其中，信息化模拟系统用于模拟岩溶塌陷，分析岩溶塌陷系数临界值，所述信息化模拟系统包括岩溶物理模拟模型、数据信息收集模块和数据信息统计分析模块；其中所述岩溶物理模型模拟模块通过岩溶物理模型在模拟自然环境下的岩溶状态，所述数据信息收集模块用于检测岩溶物理系数，所述数据信息统计分析模块通过中央处理器对数据信息进行统计分析。
分析决策模块，用于研判岩溶塌陷变化和塌陷范围，所述分析决策模块包括数据加载模块、数据预处理模块、数据分类模块、数据挖掘算法模块、数据库分析模块和服务器数据管理模块；其中所述数据加载模块包括电参数加载模块、光纤传感模块、水位传感器、压力传感器和次声波检测仪，数据预处理模块用于对加载数据规范化，数据分类模块用于整理分类加载数据的类型和变量，数据挖掘算法模块用于从大量数据中提取出对岩溶塌陷有效数据并预制结构化数据，数据库分析模块用于提供挖掘算法运行结果的评估方法，服务器数据管理模块用于调用处理数据并对各模块规范化管理；其中服务器数据管理模块分别与数据处理模块、数据分类模块、数据挖掘算法模块和数据库分析模块连接，数据加载模块分别与数据预处理模块和数据分类模块连接；
岩溶塌陷预警模块，用于预测岩溶塌陷情况，所述岩溶塌陷预警模块包括第一监测线系统、第二监测线系统和第三监测线系统；其中所述第一监测线系统通过分布态检测线实时监测监测线所在地的地质和温度变化，所述第二监测线系统通过预警计算机计算地质和温度变化值并建立数据库，所述第三监测线系统通过塌陷的地形应变数据计算监测线所在地的临界应变值后进行实时预警。本发明中岩溶塌陷预警是结合监测线系统明确预警范围和预警对象，根据塌陷区域和实际情况选取预警手段和设备，建立一个完善的预警系统，能够实时地对监测范围内的各种正在发育变形的塌陷和高风险易发区域进行塌陷预警，结合地质情祝、外在因素总结不同地面塌陷的趋势和特点，对地面塌陷的变形进行预警预报，达到有效塌陷预警目的。
塌陷信息可视化模块，用于在岩溶塌陷结构图像上叠加虚拟工艺导引信息，所述塌陷信息可视化模块包括信息化控制模块、选择处理模块和显示计算模块；其中所述信息化控制模块用于提供导引指令，选择处理模块用于选择导引显示类型及具体内容，显示计算模块用于将导引信息结合岩溶塌陷实际相对位叠加在岩溶塌陷结构图像上；
其中岩溶塌陷监测模块与信息化模拟系统、分析决策模块、岩溶塌陷预警模块和塌陷信息可视化模块连接，信息模拟系统与分析决策模块和岩溶塌陷预警模块连接。
在具体实施例中，如图2所示，地下水位监测装置包括中央处理器、电池装置、无线通信分组(General packet radio service,GPRS)模块、GPS定位装置、液位传感器装置、信号转换模块和信号丢失报警模块；其中所述中央处理器用于处理接收到的信号并控制模块工作，所述电池装置用于向各个模块提供正常工作的电压和电流，满足各个模块正常工作需求，所述无线通信分组模块通过固定互联网协议与后台控制端通信，所述GPS定位装置通过卫星信号锁定所在地下水位监测装置所在位置，所述液位传感器装置包括外部壳体、气囊、导磁体、接收线圈、发射线圈和水压孔，所述信号转换模块通过A/D转换模块将液位传感装置产生的电信号转换成数据电子信号，所述信号丢失报警模块用于在液位传感装置信号和电源信号消失时向后台控制端发送报警信息；其中中央处理装置连接电池装置、无线通信分组模块、GPS定位装置、信号转换模块和信号丢失报警模块，信号丢失报警模块与液位传感器装置和电池装置相连。
在具体实施例中，无线通信分组模块的通信有非争用型和争用型两种公用信道方式。争用型即采用随接入方式来争用信道，本发明中争用型遵守分时隙协议优先于载波监听多址接入协议，减少分组碰撞概率。无线通信分组技术具有GSM通信系统覆盖围广、通信质量高、分组传输数据传输快、信道利用率高等优点，无线通信分组技术支持TCP/IP协议，直接与Internet互通，特别适合中低速率的岩溶环境监测及监控领域。
在具体实施例中，预警装置包括预警感应器、信息控制模块、信号灯和无线发射器。本发明中射频识别技术(Radio frequency Identification,RFID)是无线发射技术的一种，通过无线射频方式进行非接触双向数据通信。射频识别技术作为物理世界与IT信息系统的桥梁，可以将每个运维对象的日常管理活动与业务系统有效地整合在一起，实现运维对象的自动化信息数据服务。射频识别技术具备一定的穿透性，非接触式数据采集射频识别技术能够穿透纸张、木材和塑料等非金属或非透明的材质，并能够进行穿透性通信。射频识别技术极大地增强了系统对运维对象的信息收集、交换与跟踪能力，射频识别技术在任何有效距离内，即可立即传输无线发射信息，提高了工作效率，从而有助于动态化管理。密码保护机制射频识别技术的标签数据存取具有密码保护，识别码独一无无法仿造，这种高度安全的保护措施使得标签上的数据不易被伪造和篡改，无线发射器体积小型化、形状多样化。
在具体实施例中，所述数据挖掘算法采用改进决策树算法，决策树是一种有监督学习的方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的来呈现这些规则，以解决分类和回归问题，决策树算法适用各种数据,在解决各种问题时都有良好表现，以树模型为核心的各种集成算法，决策树算法的本质是一种树结构，可以根据属性对数据进行分类，最基本的属性叫做叶子结点，节点包括根节点、中间节点、叶子节点、子节点和父节点，根节点是没有进边,有出边,包含最初的属性；中间节点是既有进边又有出边,进边只有一条，而出边可以有多条，都具有独特属性；叶子节点是有进边，无出边，每个叶子结点都是一个类别；子节点和父节点是在两个相连的节点中，更接近根节点的是父节点，另一个是子节点。决策树的根节点和中间节点对应的是某一类属性特征，这些节点自上而下的重要性是由大到小进行排列的。改进决策树算法流程为：
假设
Figure 422688DEST_PATH_IMAGE130
表示岩溶塌陷监测信息训练样本集，岩溶塌陷信息样本岩溶塌陷信息样本 数量为
Figure 500365DEST_PATH_IMAGE130
个，包括
Figure 673858DEST_PATH_IMAGE131
个监测岩溶塌陷信息样本的不同种类
Figure 137069DEST_PATH_IMAGE133
，
Figure 573866DEST_PATH_IMAGE134
表示岩溶 塌陷监测信息训练样本集的一个属性，属性
Figure 873261DEST_PATH_IMAGE134
的取值范围为
Figure 319286DEST_PATH_IMAGE135
，
Figure 902583DEST_PATH_IMAGE136
表示不同种类的
Figure 510281DEST_PATH_IMAGE137
样 本总数；根据属性
Figure 296972DEST_PATH_IMAGE134
的不同，将岩溶塌陷监测信息训练样本集
Figure 546688DEST_PATH_IMAGE138
区分成
Figure 718912DEST_PATH_IMAGE139
个小的岩溶塌陷监 测信息训练样本子集，
Figure 497512DEST_PATH_IMAGE140
是岩溶塌陷监测信息训练样本子集的第
Figure 37078DEST_PATH_IMAGE141
个子集，
Figure 824905DEST_PATH_IMAGE142
，
Figure 664685DEST_PATH_IMAGE143
为岩溶塌陷监测信息训练样本子集
Figure 597875DEST_PATH_IMAGE144
的样本个数；
岩溶塌陷监测信息训练样本集的信息增益
Figure 359158DEST_PATH_IMAGE145
的计算式如式(1)：
Figure 419518DEST_PATH_IMAGE016
(1)
式(1)中，
Figure 831913DEST_PATH_IMAGE146
表示按照属性
Figure 686737DEST_PATH_IMAGE147
分类后岩溶塌陷监测信息训练样本集
Figure 732053DEST_PATH_IMAGE148
的信 息熵，
Figure 330525DEST_PATH_IMAGE149
表示按照属性
Figure 597427DEST_PATH_IMAGE150
分类后岩溶塌陷监测信息训练样本集
Figure 888731DEST_PATH_IMAGE151
，
Figure 155764DEST_PATH_IMAGE152
表示根据岩 溶塌陷监测信息训练样本集的属性
Figure 557927DEST_PATH_IMAGE150
划分出的个小的岩溶塌陷监测信息训练样本子集的 熵加权和，
Figure 679335DEST_PATH_IMAGE153
表示岩溶塌陷监测信息训练样本集
Figure 407120DEST_PATH_IMAGE151
的熵；在具体实施例中，式 (1)信息增益是岩溶塌陷监测信息训练样本集的属性统计量，描述样本的一个属性区分数 据样本的能力，信息增益越大，表示在信息不确定性减少程度越大，生成的决策树越简洁；
Figure 99132DEST_PATH_IMAGE154
的计算公式如式(2)：
Figure 570565DEST_PATH_IMAGE025
(2)
式(2)中，
Figure 93950DEST_PATH_IMAGE155
表示监测岩溶塌陷信息样本的不同种类
Figure 710745DEST_PATH_IMAGE156
出现的概率，
Figure 155633DEST_PATH_IMAGE157
表示监 测岩溶塌陷信息样本数量，
Figure 165177DEST_PATH_IMAGE158
表示监测岩溶塌陷信息样本的种类，在本发明中，式(2)熵反 映岩溶塌陷监测信息训练样本子集的混乱程度，熵越大，岩溶塌陷监测到的信息越混乱，表 明岩溶环境不适合继续监测；
Figure 995599DEST_PATH_IMAGE159
满足约束条件如式(3)：
Figure 65186DEST_PATH_IMAGE160
(3)
式(3)中，
Figure 731791DEST_PATH_IMAGE161
表示
Figure 76185DEST_PATH_IMAGE162
个监测岩溶塌陷信息样本的不同种类
Figure 292271DEST_PATH_IMAGE163
出现的概率总 和；
分裂信息项
Figure 1601DEST_PATH_IMAGE164
计算式如式(4)：
Figure 686660DEST_PATH_IMAGE165
(4)
式(4)中，分裂信息项
Figure 21696DEST_PATH_IMAGE166
表示岩溶塌陷监测信息训练样本集
Figure 374180DEST_PATH_IMAGE167
关于 属性
Figure 254411DEST_PATH_IMAGE168
的熵，
Figure 161187DEST_PATH_IMAGE169
表示岩溶塌陷监测信息训练样本子集中的样本数量，
Figure 299913DEST_PATH_IMAGE167
表示岩溶塌陷信息 样本岩溶塌陷信息样本数量，
Figure 506904DEST_PATH_IMAGE170
表示属性
Figure 89195DEST_PATH_IMAGE171
的最大值，
Figure 217688DEST_PATH_IMAGE172
越小则岩溶塌陷监 测信息训练样本在属性
Figure 160105DEST_PATH_IMAGE171
上的分部结果越不均匀；在本发明中，式(4) 分裂信息项是根据 岩溶塌陷信息样本子集中属性信息增益中最大的进行分裂，形成较小的岩溶塌陷信息样本 子集，提高信息分析效率。
信息增益比率
Figure 487181DEST_PATH_IMAGE173
的计算公式是：
Figure 974794DEST_PATH_IMAGE174
(5)
式(5)中，
Figure 325004DEST_PATH_IMAGE175
表示岩溶塌陷监测信息训练样本集中信息增益比率，在 岩溶塌陷监测信息训练样本集
Figure 71112DEST_PATH_IMAGE176
中选取信息增益比率最大的岩溶塌陷信息样本，决策树算 法选择具有最高信息增益比率的属性，定义成分裂属性，决策树算法根据属性
Figure 455957DEST_PATH_IMAGE177
的取值范 围执行最佳分割点，分成
Figure 911209DEST_PATH_IMAGE178
个分枝，循环执行分裂属性的确定和最佳分割点的确定，生成一 棵关于岩溶塌陷监测信息训练样本集的决策树；
基于分类回归树算法进行决策树的划分节点，其中分类回归树算法对于一般的线 性回归，其拟合的模型是基于全部的数据集。这种全局的数据建模对于一些复杂的数据来 说，建模难度很大，本发明中有局部加权线性回归，利用数据点周围的局部数据进行建模， 简化了建模的难度，提高了模型的准确性。树回归也是一种局部建模的方法，其通过构建决 策点将数据划分，在划分后的局部数据集上回归操作。分类回归树是一种树构建算法，处理 连续型问题时主要通过二元切分来处理连续型变量，即根据信息走左右子书概率，左子树 概率大就走左子树,或者就走右子树。分类回归树算法通过信息熵
Figure 279873DEST_PATH_IMAGE179
作为度量标准， 分类回归树根据最佳分割点划分节点，当前节点用
Figure 298514DEST_PATH_IMAGE180
表示，每个节点产生两个分枝，划分标 准如式(6)所示：
Figure 803445DEST_PATH_IMAGE181
(6)
式(6)中，
Figure 429598DEST_PATH_IMAGE182
表示当前节点
Figure 754400DEST_PATH_IMAGE183
和对节点划分的属性
Figure 593043DEST_PATH_IMAGE184
进行计算，
Figure 201748DEST_PATH_IMAGE185
表示岩溶塌 陷监测信息数据位于左子树概率的大小，
Figure 202065DEST_PATH_IMAGE186
表示岩溶塌陷监测信息数据位于右子树概率的 大小，
Figure 404376DEST_PATH_IMAGE187
和
Figure 30398DEST_PATH_IMAGE188
分别表示岩溶塌陷监测信息训练样本决策树中当前节点的左子树和右子树，
Figure 244342DEST_PATH_IMAGE189
表示岩溶塌陷监测信息数据所属种类，
Figure 212298DEST_PATH_IMAGE190
和
Figure 777272DEST_PATH_IMAGE191
分别表示分类回归树的左节点和右节点，
Figure 941406DEST_PATH_IMAGE192
和
Figure 275435DEST_PATH_IMAGE193
分别表示左子树和右子树中属于类别
Figure 883134DEST_PATH_IMAGE194
的概率值，
Figure 200983DEST_PATH_IMAGE195
表示种类数量；
节点划分度量时的概率值如式(7)所示：
Figure DEST_PATH_IMAGE196
(7)
式(7)中，
Figure 372070DEST_PATH_IMAGE197
表示目标节点左子树和右子树，在计算属性取值在计算节点划分度量 时有先后顺序，选择概率值较大的子树中岩溶塌陷监测信息数据进行检验，概率值较小的 子树中的信息数据进行剪除。
在具体实施例中，通过期望最大化(Expectation Maximization,EM)算法求解最 大似然数值，本发明中采用最大似然值估计法对目标参数进行估计，最大似然估计算法有 较强的优势，能实现联合参量数值大小和正负性的双重估计，而且趋于真值的收做速度快， 但计算复杂度的问题使得实现比较困难。期望最大化算法是一种当观测数据为不完全数据 时求解最大似然估计的迭代算法，大大降低了最大似然估计的计算复杂度，但性能却与最 大似然估计相近，具有很好的实际应用价值。实现决策树算法收敛得到最优解；假设随机变 量由岩溶塌陷监测信息训练样本集
Figure DEST_PATH_IMAGE198
和隐含部分
Figure 560606DEST_PATH_IMAGE199
组成，满足分布
Figure 588473DEST_PATH_IMAGE200
，训练数据 由若干
Figure 596881DEST_PATH_IMAGE201
组成，
Figure DEST_PATH_IMAGE202
，假设
Figure 119129DEST_PATH_IMAGE203
是岩溶塌陷环境信息数据中一个离散随机变 量，满足分布矩阵为
Figure DEST_PATH_IMAGE204
；
EM算法中指数族密度函数和目标似然函数如公式(8)所示：
Figure 880280DEST_PATH_IMAGE091
(8)
式(8)中，
Figure 564203DEST_PATH_IMAGE205
表示离散随机变量
Figure DEST_PATH_IMAGE206
分布矩阵中的一个数值，
Figure 574753DEST_PATH_IMAGE207
是岩溶塌陷监测信息 数据的预估似然数，
Figure DEST_PATH_IMAGE208
表示岩溶塌陷环境信息数据中的变量值
Figure 635113DEST_PATH_IMAGE209
关于岩溶塌陷监测 信息数据的预估似然数
Figure DEST_PATH_IMAGE210
的指数族密度函数，
Figure 516350DEST_PATH_IMAGE211
表示岩溶塌陷监测信息训练样本集
Figure DEST_PATH_IMAGE212
关于岩溶塌陷监测信息数据的相对熵，
Figure 371174DEST_PATH_IMAGE213
表示岩溶塌陷监测信息数据预估似然数的目 标似然函数；本发明中式(8)是根据已观测到岩溶塌陷监测信息数据的似然性对信息数据 的性质参数进行的说明，通过岩溶塌陷监测信息训练样本集
Figure DEST_PATH_IMAGE214
关于岩溶塌陷监测信息数据 的相对熵寻求目标信息出现的最大可能性。
固定
Figure 72282DEST_PATH_IMAGE215
数值，对
Figure DEST_PATH_IMAGE216
进行优化，设该函数在
Figure 936333DEST_PATH_IMAGE217
处取得最大值，则有：
Figure 953968DEST_PATH_IMAGE218
(9)
式(9)中，
Figure 228960DEST_PATH_IMAGE219
表示可以取最大指数密度值的似然数；在本发明中式(9)表示出现 一个岩溶塌陷监测信息数据的预估似然数
Figure DEST_PATH_IMAGE220
，在这个参数出现的时候指数族密度函数进 行优化。
固定
Figure 964835DEST_PATH_IMAGE221
值，则
Figure DEST_PATH_IMAGE222
为
Figure 835839DEST_PATH_IMAGE223
的函数，则有：
Figure 504718DEST_PATH_IMAGE225
(10)
式(10)中，
Figure DEST_PATH_IMAGE226
表示最大指数密度值的似然数的目标似然函数；在本发明中式 (10)表示在选择预估似然数
Figure 419453DEST_PATH_IMAGE227
时，目标似然函数通过指数族密度函数的优化实现自我优 化。
综合式(8)~(10)，得式(11)：
Figure 377044DEST_PATH_IMAGE128
(11)
式(11)表明，EM算法的每轮运算，都会使岩溶塌陷监测信息数据的目标似然函数
Figure DEST_PATH_IMAGE228
值增加，实现岩溶塌陷监测信息在运算过程中收敛到局部最优解。
在具体实施例中，数据分类模块包括嵌入式处理控制器、分类模块、数据存储模块和输出模块。数据预处理模块包括预处理匹配库、聚类处理模块、预处理模块和存储模块，所述预处理模块用于对数据进行标准化、归类化和清洗化的预处理。岩溶物理模拟模型包括水动力模拟装置、岩溶模拟装置和监控装置。
在具体实施例中，对本发明岩溶塌陷监测预警及防控一体化信息模拟研判系统进行分析和验证，下面进行具体实验：
实验硬件环境：处理器为Intel Core i72.2GHz，图像处理设备为内存为8G的GTX970@2G显存。
实验软件环境：Windows7操作系统、MATLAB7.0仿真软件。
为了验证所提改进的决策树算法的性能，用UCI机器学习数据集进行了分类测试验证。以各省区岩溶塌陷信息数据作为测试数据测试集，随机选择20组小数据集，共2400个样本进行了测试。
表1示例性省区岩溶塌陷信息数据测试集
Figure 97745DEST_PATH_IMAGE229
训练样本为随机选取的1000个样本,其余为测试样本。每组实验重复10次并去平均值作为最终结果。标准决策树算法和改进后决策树算法的分类准确率对比如图4所示。从图4可以看出，随着测试样本数量的不断增多，2种算法分类的准确率几乎一致，但是改进后C5.0决策树算法的分类效率更高。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变；例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围；因此，本发明的范围仅由所附权利要求书限定。

Claims (8)

1.一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，其特征在于：包括：
岩溶塌陷监测模块，用于监测地面、地下水位、地下洞穴和水库水量的塌陷数据信息，所述岩溶塌陷监测模块包括塌陷信息采集模块、塌陷信息处理模块、塌陷信息传输模块和岩溶感测模块；其中所述塌陷信息采集模块通过传感器感测岩溶地质变化获取塌陷信息；所述塌陷信息处理模块包括蒙特卡罗算法模块和地质雷达扫描模块，所述蒙特卡罗算法模块用于处理采集到的塌陷信息，所述地质雷达扫描模块用于勘测地下岩溶图像；所述塌陷信息传输模块包括接收模块、编码模块和发送模块，所述岩溶感测模块用于感岩溶测物理参数变化；
信息化模拟系统，用于模拟岩溶塌陷，分析岩溶塌陷系数临界值，所述信息化模拟系统包括岩溶物理模拟模型、数据信息收集模块和数据信息统计分析模块；其中所述岩溶物理模型模拟模块通过岩溶物理模型在模拟自然环境下的岩溶状态，所述数据信息收集模块用于检测岩溶物理系数，所述数据信息统计分析模块通过中央处理器对数据信息进行统计分析；
分析决策模块，用于研判岩溶塌陷变化和塌陷范围，所述分析决策模块包括数据加载模块、数据预处理模块、数据分类模块、数据挖掘算法模块、数据库分析模块和服务器数据管理模块；其中所述数据加载模块包括电参数加载模块、光纤传感模块、水位传感器、压力传感器和次声波检测仪，数据预处理模块用于对加载数据规范化，数据分类模块用于分类整理加载数据的类型和变量，数据挖掘算法模块用于从大量数据中提取出对岩溶塌陷有效数据并预制结构化数据，数据库分析模块用于提供挖掘算法运行结果的评估方法，服务器数据管理模块用于调用处理数据并对各模块规范化管理；其中服务器数据管理模块分别与数据处理模块、数据分类模块、数据挖掘算法模块和数据库分析模块连接，数据加载模块分别与数据预处理模块和数据分类模块连接；
岩溶塌陷预警模块，用于预测岩溶塌陷情况，所述岩溶塌陷预警模块包括第一监测线系统、第二监测线系统和第三监测线系统；其中所述第一监测线系统通过分布态检测线实时监测线所在地的地质和温度变化，所述第二监测线系统通过预警计算机计算地质和温度变化值并建立数据库，所述第三监测线系统通过塌陷的地形应变数据计算监测线所在地的临界应变值后进行实时预警；
塌陷信息可视化模块，用于在岩溶塌陷结构图像上叠加虚拟工艺导引信息，所述塌陷信息可视化模块包括信息化控制模块、选择处理模块和显示计算模块；其中所述信息化控制模块用于提供导引指令，选择处理模块用于选择导引显示类型及具体内容，显示计算模块用于将导引信息结合岩溶塌陷实际相对位叠加在岩溶塌陷结构图像上；
其中岩溶塌陷监测模块与信息化模拟系统、分析决策模块、岩溶塌陷预警模块和塌陷信息可视化模块连接，信息模拟系统与分析决策模块和岩溶塌陷预警模块连接。
2.根据权利要求1所述的一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，其特征在于：地下水位监测装置包括中央处理器、电池装置、GPRS通信模块、GPS定位装置、液位传感器装置、信号转换模块和信号丢失报警模块；其中所述中央处理器用于处理接收到的信号并控制模块工作，所述电池装置用于向各个模块提供正常工作的电压和电流，满足各个模块正常工作需求，所述GPRS通信模块通过固定互联网协议与后台控制端通信，所述GPS定位装置通过卫星信号锁定所在地下水位监测装置所在位置，所述液位传感器装置包括外部壳体、气囊、导磁体、接收线圈、发射线圈和水压孔，所述信号转换模块通过A/D转换模块将液位传感装置产生的电信号转换成数据电子信号，所述信号丢失报警模块用于在液位传感装置信号和电源信号消失时向后台控制端发送报警信息；其中中央处理装置连接电池装置、GPRS通信模块、GPS定位装置、信号转换模块和信号丢失报警模块，信号丢失报警模块与液位传感器装置和电池装置相连。
3.根据权利要求1所述的一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，其特征在于：预警装置包括预警感应器、信息控制模块、信号灯和无线发射器。
4.根据权利要求1所述的一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，其特征在于：所述数据挖掘算法采用改进决策树算法，改进决策树算法流程为：
假设S表示岩溶塌陷监测信息训练样本集，岩溶塌陷信息样本岩溶塌陷信息样本数量为s个，包括m个监测岩溶塌陷信息样本的不同种类x i (i=1,2,3…m)，D表示岩溶塌陷监测信息训练样本集的一个属性，属性D的取值范围为[1,k]，v i 表示不同种类的x i 样本总数；根据属性D的不同，将岩溶塌陷监测信息训练样本集S区分成k个小的岩溶塌陷监测信息训练样本子集，si是岩溶塌陷监测信息训练样本子集的第i个子集，i=1,2,3…k，[S i ]为岩溶塌陷监测信息训练样本子集s i 的样本个数；
岩溶塌陷监测信息训练样本集的信息增益
Figure 822460DEST_PATH_IMAGE001
的计算式如式(1)：
Figure 942863DEST_PATH_IMAGE002
(1)
式(1)中，
Figure 112813DEST_PATH_IMAGE003
表示按照属性D分类后岩溶塌陷监测信息训练样本集S的信息熵，
Figure 711285DEST_PATH_IMAGE004
表示按照属性D分类后岩溶塌陷监测信息训练样本集S，
Figure 712608DEST_PATH_IMAGE005
表示根据岩溶塌陷监 测信息训练样本集的属性D划分出的个小的岩溶塌陷监测信息训练样本子集的熵加权和，
Figure 66229DEST_PATH_IMAGE006
表示岩溶塌陷监测信息训练样本集S的熵；
Figure 474207DEST_PATH_IMAGE007
的计算公式如式(2)：
Figure 125638DEST_PATH_IMAGE008
(2)
式(2)中，
Figure 60095DEST_PATH_IMAGE009
表示监测岩溶塌陷信息样本的不同种类x i 出现的概率，m表示监测岩 溶塌陷信息样本数量，
Figure 256722DEST_PATH_IMAGE010
表示监测岩溶塌陷信息样本的种类，
Figure 392475DEST_PATH_IMAGE011
满足约束条件如式 (3)：
Figure 332749DEST_PATH_IMAGE012
(3)
式(3)中，
Figure 387293DEST_PATH_IMAGE013
表示m个监测岩溶塌陷信息样本的不同种类x i 出现的概率总和；
分裂信息项
Figure 4088DEST_PATH_IMAGE014
计算式如式(4)所示：
Figure 652238DEST_PATH_IMAGE015
(4)
式(4)中，分裂信息项
Figure 192941DEST_PATH_IMAGE016
表示岩溶塌陷监测信息训练样本集S关于属 性D的熵，
Figure 288942DEST_PATH_IMAGE017
表示岩溶塌陷监测信息训练样本子集中的样本数量，s表示岩溶塌陷信息样 本岩溶塌陷信息样本数量，k表示属性D的最大值，
Figure 765053DEST_PATH_IMAGE018
越小则岩溶塌陷监测 信息训练样本在属性D上的分部结果越不均匀；
信息增益比率
Figure 946505DEST_PATH_IMAGE019
的计算公式是：
Figure 290899DEST_PATH_IMAGE020
(5)
式(5)中，
Figure 726559DEST_PATH_IMAGE021
表示岩溶塌陷监测信息训练样本集中信息增益比率，在岩溶塌 陷监测信息训练样本集S中选取信息增益比率最大的岩溶塌陷信息样本，决策树算法选择 具有最高信息增益比率的属性，定义成分裂属性，决策树算法根据属性D的取值范围执行最 佳分割点，分成k个分枝，循环执行分裂属性的确定和最佳分割点的确定，生成一棵关于岩 溶塌陷监测信息训练样本集的决策树；
基于分类回归树算法进行决策树的划分节点，分类回归树算法通过信息熵
Figure 953666DEST_PATH_IMAGE022
作 为度量标准，分类回归树根据最佳分割点划分节点，当前节点用
Figure 45250DEST_PATH_IMAGE023
表示，每个节点产生两个 分枝，划分标准如式(6)所示：
Figure 380285DEST_PATH_IMAGE024
(6)
式(6)中，
Figure 670452DEST_PATH_IMAGE025
表示当前节点
Figure 878579DEST_PATH_IMAGE026
和对节点划分的属性
Figure 769044DEST_PATH_IMAGE027
进行计算，
Figure 330606DEST_PATH_IMAGE028
表示岩溶塌陷监 测信息数据位于左子树概率的大小，
Figure 255706DEST_PATH_IMAGE029
表示岩溶塌陷监测信息数据位于右子树概率的大 小，L和R分别表示岩溶塌陷监测信息训练样本决策树中当前节点的左子树和右子树，x i 表 示岩溶塌陷监测信息数据所属种类，
Figure 634735DEST_PATH_IMAGE030
和
Figure 763228DEST_PATH_IMAGE031
分别表示分类回归树的左节点和右节点，
Figure 380678DEST_PATH_IMAGE032
和
Figure 645437DEST_PATH_IMAGE033
分别表示左子树和右子树中属于类别x i 的概率值，m表示种类数量；
节点划分度量时的概率值如式(7)所示：
Figure 116739DEST_PATH_IMAGE034
(7)
式(7)中，k表示目标节点左子树和右子树，在计算属性取值在计算节点划分度量时有先后顺序，选择概率值较大的子树中岩溶塌陷监测信息数据进行检验，概率值较小的子树中的信息数据进行剪除。
5.根据权利要求1所述的一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统， 其特征在于：通过EM算法求解最大似然数值，实现决策树算法收敛得到最优解；假设随机变 量由岩溶塌陷监测信息训练样本集S和隐含部分C组成，满足分布P(C,S;
Figure 794845DEST_PATH_IMAGE035
)，训练数据由若 干Z组成，
Figure 229368DEST_PATH_IMAGE036
，假设C是岩溶塌陷环境信息数据中一个离散随机变量，满足 分布矩阵为
Figure 863481DEST_PATH_IMAGE037
；
EM算法中指数族密度函数和目标似然函数如公式(8)所示：
Figure 318733DEST_PATH_IMAGE038
(8)
式(8)中，
Figure 625081DEST_PATH_IMAGE039
表示离散随机变量C分布矩阵中的数值，
Figure 643721DEST_PATH_IMAGE040
是岩溶塌陷监测信息数据的预 估似然数，
Figure 476548DEST_PATH_IMAGE041
表示岩溶塌陷环境信息数据中的变量值
Figure 978068DEST_PATH_IMAGE042
关于岩溶塌陷监测信息数据 的预估似然数
Figure 896345DEST_PATH_IMAGE043
的指数族密度函数，
Figure 721606DEST_PATH_IMAGE044
表示岩溶塌陷监测信息训练样本集S关于岩溶 塌陷监测信息数据的相对熵，
Figure 753147DEST_PATH_IMAGE045
表示岩溶塌陷监测信息数据预估似然数的目标似然函 数；
固定
Figure 2732DEST_PATH_IMAGE046
数值，对
Figure 142726DEST_PATH_IMAGE047
进行优化，设该函数在
Figure 457164DEST_PATH_IMAGE048
处取得最大值，则有：
Figure 999004DEST_PATH_IMAGE049
(9)
式(9)中，
Figure 419490DEST_PATH_IMAGE050
表示可以取最大指数密度值的似然数；
固定
Figure 453305DEST_PATH_IMAGE051
值，则
Figure 820701DEST_PATH_IMAGE052
为
Figure 951468DEST_PATH_IMAGE053
的函数，则有：
Figure 496850DEST_PATH_IMAGE054
(10)
式(10)中，
Figure 547456DEST_PATH_IMAGE055
表示最大指数密度值的似然数的目标似然函数；
综合式(8)~(10)，得式(11)：
Figure 62751DEST_PATH_IMAGE056
(11)。
6.根据权利要求1所述的一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，其特征在于：数据分类模块包括嵌入式处理控制器和与所述嵌入式处理控制器连接的统分类模块、数据存储模块和输出模块。
7.根据权利要求1所述的一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，其特征在于：数据预处理模块包括预处理匹配库、聚类处理模块、预处理模块和存储模块，其中所述聚类处理模块分别与预处理匹配库、预处理模块和存储模块连接。
8.根据权利要求1所述的一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统，其特征在于：岩溶物理模拟模型包括水动力模拟装置、岩溶模拟装置和监控装置。
CN202211616732.4A 2022-12-16 2022-12-16 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 Active CN115600513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211616732.4A CN115600513B (zh) 2022-12-16 2022-12-16 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211616732.4A CN115600513B (zh) 2022-12-16 2022-12-16 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统

Publications (2)

Publication Number Publication Date
CN115600513A true CN115600513A (zh) 2023-01-13
CN115600513B CN115600513B (zh) 2023-08-04

Family

ID=84854208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211616732.4A Active CN115600513B (zh) 2022-12-16 2022-12-16 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统

Country Status (1)

Country Link
CN (1) CN115600513B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994845A (zh) * 2023-03-24 2023-04-21 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种基于互联网的山水治理监管方法和系统
CN116503200A (zh) * 2023-05-05 2023-07-28 四川省农业科学院园艺研究所 一种基于数据分析的国兰栽培环境实时监管系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105066896A (zh) * 2015-07-18 2015-11-18 深圳市勘察研究院有限公司 岩溶塌陷实时光纤预警预报系统
WO2018014610A1 (zh) * 2016-07-20 2018-01-25 武汉斗鱼网络科技有限公司 基于c4.5决策树算法的特定用户挖掘系统及其方法
CN114821976A (zh) * 2022-06-24 2022-07-29 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种多要素岩溶塌陷的智能预报系统
CN115345036A (zh) * 2022-10-20 2022-11-15 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 智能化岩溶塌陷机理数值综合分析的研判系统及方法
CN115348297A (zh) * 2022-10-18 2022-11-15 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种生态环境治理修复方式的智慧分析处理系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105066896A (zh) * 2015-07-18 2015-11-18 深圳市勘察研究院有限公司 岩溶塌陷实时光纤预警预报系统
WO2018014610A1 (zh) * 2016-07-20 2018-01-25 武汉斗鱼网络科技有限公司 基于c4.5决策树算法的特定用户挖掘系统及其方法
CN114821976A (zh) * 2022-06-24 2022-07-29 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种多要素岩溶塌陷的智能预报系统
CN115348297A (zh) * 2022-10-18 2022-11-15 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种生态环境治理修复方式的智慧分析处理系统
CN115345036A (zh) * 2022-10-20 2022-11-15 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 智能化岩溶塌陷机理数值综合分析的研判系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李爱兵;: "基于GIS的金属矿山地质灾害预警系统研究与开发", 矿业研究与开发, no. 1 *
黄健民等: "广州金沙洲岩溶地面塌陷灾害预警预报研究", 《现代地质》, no. 02 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994845A (zh) * 2023-03-24 2023-04-21 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种基于互联网的山水治理监管方法和系统
CN116503200A (zh) * 2023-05-05 2023-07-28 四川省农业科学院园艺研究所 一种基于数据分析的国兰栽培环境实时监管系统
CN116503200B (zh) * 2023-05-05 2024-05-24 四川省农业科学院园艺研究所 一种基于数据分析的国兰栽培环境实时监管系统

Also Published As

Publication number Publication date
CN115600513B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN115600513B (zh) 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统
CN110108914B (zh) 一种反窃电智能化决策方法、系统、设备及介质
CN115081945B (zh) 一种地下水环境监测井的损伤监测与评估方法及系统
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
CN104636449A (zh) 基于lsa-gcc的分布式大数据系统风险识别方法
CN116504076A (zh) 基于etc门架数据的高速公路车流量预测方法
CN116881749B (zh) 一种污染场地施工监测方法及系统
CN116363601A (zh) 一种污染监测设备的数据采集与分析方法及系统
CN117611015B (zh) 一种建筑工程质量实时监测系统
CN113781767A (zh) 一种基于多源感知的交通数据融合方法及系统
Kotenko et al. An approach for intelligent evaluation of the state of complex autonomous objects based on the wavelet analysis
Zhang et al. Automatic Traffic Anomaly Detection on the Road Network with Spatial‐Temporal Graph Neural Network Representation Learning
Kamranfar et al. Pavement distress recognition via wavelet-based clustering of smartphone accelerometer data
CN117368651B (zh) 一种配电网故障综合分析系统及方法
CN116976318A (zh) 基于深度学习和模型推理的电网倒闸操作票智能审核系统
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
CN107025293A (zh) 一种电力二次设备缺陷数据挖掘方法及系统
CN116126807A (zh) 一种日志分析方法及相关装置
CN112198472B (zh) 一种局部放电智能传感器在线远程校验方法及系统
CN113487114A (zh) 基于NB-IoT工业生态环境监测的GA-SVM预警模型系统
Zhang The WSN intrusion detection method based on deep data mining
Wu et al. A Collaborative Filtering Method for Operation Maintenance Behavior in Power Monitoring Systems
CN111798237A (zh) 基于应用日志的异常交易诊断方法及系统
Jiang Short‐Term Traffic Prediction of the Urban Road Network based on the Intelligent Transportation System

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant