CN209433536U - 一种泥石流监测预警装置 - Google Patents
一种泥石流监测预警装置 Download PDFInfo
- Publication number
- CN209433536U CN209433536U CN201920065339.8U CN201920065339U CN209433536U CN 209433536 U CN209433536 U CN 209433536U CN 201920065339 U CN201920065339 U CN 201920065339U CN 209433536 U CN209433536 U CN 209433536U
- Authority
- CN
- China
- Prior art keywords
- monitoring
- sensor
- management module
- mud
- master station
- 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.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 239000011435 rock Substances 0.000 claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 25
- 239000002689 soil Substances 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 21
- 239000011148 porous material Substances 0.000 claims description 17
- 239000004568 cement Substances 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 10
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 2
- 230000037431 insertion Effects 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 46
- 238000000034 method Methods 0.000 description 14
- 230000000977 initiatory effect Effects 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 239000004575 stone Substances 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 241000283153 Cetacea Species 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Abstract
本实用新型公开的一种泥石流监测预警装置,包括泥石流遥测终端、监测总站和客户端,泥石流遥测终端安装在监测区域现场附近,通过无线通信方式上传数据给监测总站,监测总站通过无线通信方式上传数据至客户端;泥石流遥测终端包括仪器监测管理模块、视频监控管理模块和应急管理模块;仪器监测管理模块包括安装在监测坡体上多个传感器,传感器通过无线通信方式连接监测总站;视频监控管理模块通过无线通信方式连接监测总站;应急管理模块包括设置泥石流遥测终端外部的爆闪灯。本实用新型公开的装置结构简单,有助于及时发现监测区域坡体情况。
Description
技术领域
本实用新型属于地质灾害监测技术领域,具体涉及一种泥石流监测预警装置。
背景技术
泥石流是山区常见的地质灾害之一,因其分布地域广、发生频率高、成灾速度快等特点,严重威胁着山区人民的生命财产安全与经济社会的可持续发展。因此,能否提供有效的泥石流灾害预报方法成为人们所关注的焦点。
相关领域科研工作者针对泥石流成灾特点进行深入研究,并提出多种泥石流灾害预报方法,其方式各有利弊。曹禄来等运用模糊系统理论与人工神经网络模型相结合评价泥石流发生危险等级,将模糊逻辑推理知识作为危险性评价系统,以人工神经网络作为训练模型,降低数据处理复杂度与主观影响,但在训练过程中模型本身易陷入局部极值而影响精确度;李丽敏等将多传感器信息融合理论运用于泥石流预报模型中,利用多个泥石流影响因素综合预测危险度,较好地解决以往因单一监测手段造成的漏报问题,但并未分析多个致灾影响因素之间的相关性,若选取较多影响因素时,可能导致因素之间信息相互叠加,易发生维数灾难;董佳祺等利用支持向量机模型建立泥石流堆积物分维数模型,将多个影响因素作为模型输入,优点在于具有较好普适性,但模型中选取的单核局部核函数虽然学习能力较强,但泛化能力较弱,在实现模型训练最优组合上还存在一定上升空间。支持向量机(Support Vector Machine,SVM)是建立于统计学习理论的结构风险最小化原则上的机器学习系统,其特点在于能够自主设计模型复杂程度,避免维度灾难,且具有良好的泛化能力;而最小二乘支持向量回归(Least Squares Support Vector Regression,LSSVR)是在支持向量运算框架下,改变其内部标准SVM的约束条件与风险函数,在继承传统支持向量机优点的同时,还能够很好地解决数据量少、过学习等实际问题,提升了模型训练效率与准确性,在回归预测分析中具有良好效果。
鉴于此,本实用新型设计了一种泥石流监测预警装置,其中采用基于主成分分析与混合核函数LSSVR的泥石流预测方法。首先,建立泥石流监测预警系统,以获取泥石流灾害初始影响因子,其次模型管理模块运用主成分分析法(Principal Component Analysis,PCA)降维得到泥石流灾害主成分影响因子,然后将已重构的主成分影响因子数据输入至混合核函数LSSVR模型中,并运用鲸鱼优化算法(Whale Optimization Algorithm,WOA)进行模型参数寻优,最后输出泥石流发生概率以及与其对应的灾害预警等级,完成预测预报。
实用新型内容
本实用新型的目的是提供一种泥石流监测预警装置,解决了现有监测装置不能及时全面的监测坡体情况和及时做出预警。
本实用新型所采用的技术方案是,一种泥石流监测预警装置,包括泥石流遥测终端、监测总站和客户端,泥石流遥测终端安装在监测区域现场附近,通过无线通信方式上传数据给监测总站,监测总站通过无线通信方式上传数据至客户端;
泥石流遥测终端包括仪器监测管理模块、视频监控管理模块和应急管理模块;仪器监测管理模块包括安装在监测坡体上多个传感器,传感器通过无线通信方式连接监测总站;视频监控管理模块通过无线通信方式连接监测总站;应急管理模块包括设置泥石流遥测终端外部的爆闪灯。
本实用新型的其他特点还在于,
监测总站包括模型管理模块,用于接收泥石流遥测终端采集的坡体实时数据,通过对数据处理做出预测判断,并通过无线通信的方式上传给客户端和应急管理模块的爆闪灯。
监测总站还包括系统管理模块和地质灾害管理模块,系统管理模块内部包括权限管理设置模块、值班人员管理模块和信息小助手模块。
传感器包括雨量传感器、土壤墒情传感器、泥位传感器、孔隙水压力传感器、次声传感器以及倾角传感器。
雨量传感器型号为TH-RSA2000,安装在监测区域坡体上,在坡体上制作水泥台,将雨量传感器垂直固定在水泥台上;泥位传感器为加装电磁波雷达物位计安装在监测区域坡体底部;次声传感器在监测区域坡体底部制作水泥台,将次声传感器垂直安装在水泥台上;倾角传感器平行监测区域坡面安装,并紧靠坡面且倾角传感器的轴线与坡面所在的轴线不存在夹角。
土壤墒情传感器型号为TDR-6,埋设在监测区域坡体中,在监测区域坡体上垂直挖一定深度的土坑,将土壤墒情传感器的钢针插入土坑内;孔隙水压力传感器为振弦式孔隙水压力计,埋设在监测区域坡体中。
土壤墒情传感器和孔隙水压力传感器通过线路连接无线测量柱,无线测量柱接收土壤墒情传感器和孔隙水压力传感器采集的数据集成在无线传感器节点,无线传感器节点通过无线通信的方式上传到监测总站。
本实用新型的有益效果是,一种泥石流监测预警装置,解决了现有监测装置不能及时全面的监测坡体情况和及时做出预警。通过建立泥石流监测预警系统,实时获取泥石流发生影响因子;通过仪器监测管理模块实时获取坡体上的数据,地质灾害管理模块中存储有监测区域内历史灾害数据、应急方案和遥感地图等信息,方便查询历史数据以做出合适的应对方案,应急管理模块设置在监测区现场,采用爆闪灯做出报警信息。
附图说明
图1是本实用新型的一种泥石流监测预警装置的结构示意图;
图2是本实用新型的一种泥石流监测预警装置中仪器监测管理模块的平台显示图;
图3是本实用新型的一种泥石流监测预警装置中无限测量柱布设图;
图4是本实用新型的一种泥石流监测预警装置检测中模型管理模块处理数据的流程图;
图5是实施例中得到的PCA提取变量图;
图6是实施例中得到的概率预测图与实际概率对比图;
图7是实施例中得到的预测等级与实际预警等级对比图。
图中,1.泥石流遥测终端,2.监测总站,3.客户端,4.仪器监测管理模块,5.视频监控管理模块,6.应急管理模块,7.爆闪灯,8.模型管理模块,9.系统管理模块,10.地质灾害管理模块,11.雨量传感器,12.土壤墒情传感器,13.泥位传感器,14.孔隙水压力传感器,15.次声传感器,16.倾角传感器,17.无线测量柱。
具体实施方式
下面结合附图和具体实施方式对本实用新型进行详细说明。
本实用新型的一种泥石流监测预警装置,如图1所示,包括泥石流遥测终端1、监测总站2和客户端3,泥石流遥测终端1安装在监测区域现场附近,通过无线通信方式上传数据给监测总站2,监测总站2通过无线通信方式上传数据至客户端3;
泥石流遥测终端1包括仪器监测管理模块4、视频监控管理模块5和应急管理模块6;仪器监测管理模块4包括安装在监测坡体上多个传感器,传感器通过无线通信方式连接监测总站2;视频监控管理模块5通过无线通信方式连接监测总站2;应急管理模块6包括设置泥石流遥测终端1外部的爆闪灯7。
监测总站2包括模型管理模块8,用于接收泥石流遥测终端1采集的坡体实时数据,通过对数据处理做出预测判断,并通过无线通信的方式上传给客户端3和应急管理模块6的爆闪灯7。
监测总站2还包括系统管理模块9和地质灾害管理模块10,系统管理模块9内部包括权限管理设置模块、值班人员管理模块和信息小助手模块。
本实用新型的一种泥石流监测预警装置,地质灾害管理模块10是管理在研究区内的历史地质灾害发生坐标位置与灾害范围内所能够产生威胁的房区、施工、公路等数据,它的主要功能包括地质灾害坐标位置数据、地质灾害区域负责人员数据、应急预案与安全撤离路线管理、查询统计信息与研究区GIS遥感地图显示等模块;
其中,仪器监测管理模块10的平台显示如图3所示,仪器监测管理模块10的传感器主要包含雨量传感器11、土壤墒情传感器12、泥位传感器13、孔隙水压力传感器14、次声传感器15以及倾角传感器16;其中,雨量传感器11型号为TH-RSA2000,主要采集点累计降雨量值,安装于坡体或地平面上,应先制作水泥台,将雨量传感器11垂直安置在水泥台上;土壤墒情传感器12的型号为TDR-6,主要采集土壤内的湿度状态值,采取埋地测量法,根据测量需求垂直挖大约8cm或13cm或18cm的土坑,将传感器钢针水平插入土坑内,然后将坑内土壤填平;泥位传感器13主要利用电磁波雷达测距原理,在泥石流的流通渠道上方加装电磁波雷达物位计对泥水位进行监测;孔隙水压力传感器14为振弦式孔隙水压力计,主要采集土壤内的孔隙(渗透)水压力,主要埋设于坡体土壤中;次声传感器15主要采集山体泥石流的次生信息,提取信号的时间一频率一能量的分布特征,应先在坡体山脚下较开阔地制作水泥台,次声传感器15垂直安置于水泥台上;倾角传感器16为双轴数字输出型传感器,主要采集坡体的倾斜角度,安装于坡面上,传感器与被测面完全紧靠,且传感器底边线与被测物体轴线不存在夹角;另外,本实用新型在使用各类地埋式传感器时可安装无线测量柱布置策略,图4为无线测量柱在土壤中的布设事例图,无线测量柱的安装深度原则上与当地研究区监测点的基岩深度保持一致,根据研究位置的地质与水文情况来布设各类传感器数量,它将土壤墒情传感器和孔隙水压力传感器的信息集成于无线传感器节点,以无线通信方式将信息上传至模型管理模块8中。
视频监控管理模块6是在研究区现场所安装的视频监控设备,能够对山体泥石流等地质灾害发生情况与山谷内河流流量进行实时监控,以便全天记录灾害点的位置与河水径流状况。
模型管理模块8的功能是将所收集到的影响因子信息数据进行储存,通过对接收到的数据进行分析与预测判断,如果达到预警要求则及时上传预警信息给客户端或下发报警提示给应急管理模块6。
应急管理模块6的功能为预警信息发布与地质灾害信息查询。预警信息发布采用现场爆闪灯7,若模型管理模块8判定为报警模式,则下发的报警信息被应急管理模块6所接收,现场安装的爆闪灯7点亮,爆闪灯7主要安装于临近公路、施工、现场监测站或人员活动范围内较易观测的地点,以告知管理人员警情。
系统管理模块9包括权限管理设置、值班人员管理、信息小助手。权限管理设置主要针对所有管理模块的信息等进行统一管理,设置不同用户可取得的权限与相对应的工作领域(范围)等;值班人员管理主要显示当前值班人员的基本信息;信息小助手供客户端获取因特网当前研究区的相关信息与资讯。
客户端3可以为手机或PC客户端,模型管理模块8将做出的预警信息能够直接通过无线通信的方式传送到客户端,及时的让人们了解到监测区域的泥石流灾害,并且及时做出应对策略;并且检测系统管理模块9中的信息小助手能够实时推送监测区域的相关信息和资讯到客户端,以便人们掌握研究的实时信息,提早做到防范措施。
本实用新型的一种泥石流监测预警装置,仪器监测管理模块10的传感器主要包含雨量传感器11、土壤墒情传感器12、泥位传感器13、孔隙水压力传感器14、次声传感器15以及倾角传感器16采集到监测区域的坡体数据信息,通过无线通信方式(WiFi或GPRS)传输给监测总站2的模型管理模块8,模型管理模块8将接收到的数据信息进行分类,分析并且判断出预警信息,然后通过无线通信的方式上传到客户端,人们通过客户端3实时了解监测区域坡体发生泥石流的情况,同时模型管理模块8还会将预警信息发送到泥石流监测终端1的应急管理模块6,现场的爆闪灯7点亮;监测总站2中的地址灾害管理模块10中存储有监测区域的历史数据,方便监测总站的工作人员随时调取数据分析,并且,监测总站2的工作人员通过系统管理模块9进行统一管理,设置不同用户可取得的权限与相对应的工作领域(范围)、设置值班人员的基本信息,还可以通过信息小助手发布供客户端获取因特网当前研究区的相关信息与资讯。
本实用新型的一种泥石流监测预警装置中模型管理模块处理数据的过程如图4所示,包括如下步骤:
步骤1中对获取的初始泥石流灾害发生影响因子通过PCA进行降维的具体过程如下:
步骤1.1,设获取到的样本数据为n个,每个样本中含有a个初始影响因子,其中,a1为日降雨量(mm)、a2为次声(Hz)、a3为泥位(mA)、a4为土壤含水率(%)、a5为孔隙水压力(kPa)、a6为坡度(°)、a7为相对高差(m);则每个样本包含m维的矩阵如式(1)所示:
式中,xij(i=1,2,…,n;j=1,2,…,a)代表每个样本数据;
步骤1.2,利用PCA法进行数据降维;
将样本矩阵X进行标准化处理,设标准化后的矩阵为Z且样本数据为zij,样本标准化如式2所示:
式中,为初始影响因子数据的均值;sj为初始影响因子数据的方差;其表达式分别如式(3)和式(4)所示:
然后,计算标准化后的矩阵Z的相关系数矩阵R(rij=rji),如式(5)所示:
其中,rij为初始影响因子i与初始影响因子j的相关系数,表达式如式6所示:
根据特征方程计算矩阵R的特征值λi(i=1,2,…,a),λ1≥λ2≥…≥λa与特征向量μi,其中,特征方程的表达式如式7所示:
(λE-R)μ=0 (7)
根据计算出的特征值λi(i=1,2,…,a)计算主成分影响因子,定义累计贡献率≥85%的标准,筛选出的b(b<a)个主成分因子:
由特征值计算出的个体贡献率表达式如式(8)所示:
其中,Ti代表每个主成分的个体贡献度;a为初始影响因子;
累计贡献率的表达式如式(9)所示:
其中,T代表每个主成分的累计贡献度;b为选取的主成分影响因子,a为初始影响因子;为初始因子总特征值;为主成分因子总特征值。
因此,利用筛选出的主成分影响因子取代原有的初始影响因子,并根据主成分表达式Y计算出新样本数据,主成分表达式Y如式(10)所示:
其中,Yd代表主成分重构的新样本数据输出结果;λmn代表成分矩阵中的各维数特征值。
步骤2,利用步骤1降维后的初始影响因子构建混合核函数LSSVR泥石流灾害模型;
步骤2的具体过程如下:
步骤2.1,将式(10)中已重构的主成分灾害影响因子数据按照训练集:测试集=6:1的比例进行分配,将其作为混合核函数LSSVR泥石流预测模型的输入部分;
步骤2.2,将步骤2.1中已给定的训练集作为模型输入,训练集的表达式如式(11)所示:
T={(x1,y1),…(xk,yk)} (11)
式中,xi∈Rn;yi∈R;i=1,…,k,k为样本总数;
将给定的训练集作非线性映射φ:Rn→F,n为数据维数,构造出LSSVR函数的表达式如式12所示:
y=f(x)=wTφ(x)+b (12)
其中,w和b均为结构风险化最小化模型参数,且w代表空间F的权向量,b∈R代表偏差量;f(x)为被估计函数;
在确定决策参数w、b时,求解问题如式13所示:
式中,ξk∈R为松弛因子,γ为惩罚参数;
根据拉格朗日函数与非线性规则优化条件得出LSSVR的预测表达式如式(14)所示:
其中,不为零的元素αi所对应的样本(xi,yi)为支持向量;K(xi,xj)为核函数;
核函数一般分为全局核函数与局部核函数,不同类型的核函数存在不同优点。全局核函数随着与测试点距离的增加而对核函数影响也随之增加的特性,它的泛化能力较强,但学习能力较弱;局部核函数随着与测试点距离的减小而对核函数影响也随之减少的特性,它的学习能力较强,但泛化能力较弱。
由此可看出,全局核函数与局部核函数相结合能够实现优势互补的效果,将全局核函数与局部核函数相结合,其组合表达式如式15所示:
Kmix=uKGlobal+(1-u)KLocal (15)
其中,u∈[0,1]为组合权重系数;当u→1时,全局核函数产生较大影响作用;当u→0时,局部核函数产生较大影响作用;Kmix为混合核函数表达式;KGlobal为全局核函数表达式;KLocal为局部核函数表达式。
拟选取的全局核函数为多项式核函数,局部核函数为径向基核函数,因此,构造的混合核函数如式16所示:
式中,Kmix为混合核函数表达式;KRBF为径向基核函数表达式;Kpoly为多项式核函数表达式;γ为可调超参数,σ为RBF核参数;q为多项式阶数;u为组合权重系数。
步骤3,运用鲸鱼算法优化步骤2建立的混合核函数LSSVR泥石流灾害模型,得到优化后的组合模型参数;
步骤3的具体过程如下:
步骤3.1,针对混合核函数LSSVR模型式(16)中需要优化的四个参数:可调超参数γ、RBF核参数σ、多项式阶数q和组合权重系数u;设置鲸鱼空间位置维数D=4,鱼种群规模S=40和最大迭代次数为Tmax=200;
步骤3.2,赋予每条鲸鱼随机位置,根据适应度函数评价处于最优的个体位置,定义最优个体位置为X*,其中适应度函数MSE的表达式如式(17)所示:
步骤3.3,若当前的迭代次数小于最大迭代次数,更新优化算法结构中的参数:系数向量与系数分量随机数l以及收缩包围机制概率p;
各表达式如下所示:
其中,为系数向量;系数分量在整个过程中自2到0呈线性下降;区间的随机数;代表鲸鱼螺旋式捕捉猎物的更新位置;为个体随机位置,t为当前迭代的次数;
式中,代表鲸鱼螺旋式捕捉猎物的更新位置;b为定义螺旋形状的常数;随机数l∈[-1,1];为当前最佳位置,为第i条鲸鱼与猎物之间的距离;
步骤3.4,产生判断机制:当p<0.5时,若则对应式(21)中的更新个体位置,若则对应式(20)中的更新个体位置;当p≥0.5时,则对应式(21)中的更新个体位置;
步骤3.5,根据适应度函数式(17)得出每个个体适应度,更新最佳位置根据每次迭代不断更新最佳位置,如果达到最大迭代,则输出最佳位置,其坐标为模型需要优化的参数[γ,σ,q,u];否则,返回步骤3.3依次执行步骤3.3至步骤3.5循环过程,直至满足要求。
步骤4,利用步骤3得到的组合模型参数,重构混合核函数LSSVR泥石流灾害模型,输出泥石流发生的预测结果;
步骤4的具体过程如下:
将步骤3.5得到的可调超参数γ、RBF核参数σ、多项式阶数q和组合权重系数u带入到式(16)中,重构混合核函数LSSVR泥石流灾害模型,并输入式(10)中已重构数据中的测试样本,输出泥石流发生概率值,将概率与泥石流预警等级相对应来判定泥石流危险度,其中,泥石流预警等级共分为四个预警等级,分别是常规级、预测级、预警级、警报级,如表1所示,完成预测预报。
表1分类等级划分图
实施例
最后,以陕西省安康市紫阳县城关镇太平村磨子沟监测数据进行试验验证,分别为a1:日降雨量(mm)、a2:次声(Hz)、a3:泥位(mA)、a4:土壤含水率(%)、a5:孔隙水压力(KPa)、a6:坡度(°)、a7:相对高差(m)7个参数作为初始评定影响因子,以泥石流可能发生的概率作为预测对象,建立泥石流发生概率与影响因子之间的预测模型。将90组原始数据利用主成分分析法进行主成分影响因子特征筛选。其经PCA提取后的变量如图6所示,与核主成分矩阵结果如表2所示。
表2核主成分矩阵
由图5可知,前3个成分的累计贡献率分别为47.9%、78.2%、85.6%,根据主成分的定义选取标准,前3个主成分的累计贡献率已大于所定义主成分选取标准80%,能够较为全面的反应初始7种影响因子所反映的信息。因此,将前3种影响因子作为新的变量取代初始影响因子作为混合核函数LSSVR泥石流预测模型的新影响因子。通过PCA法来降维,模型维度由初始的7维至3维,大大简化了模型数据结构的复杂度。
根据表2中的主成分矩阵可得,3种主成分的表达式为:
Y1=0.043a1+0.144a2-0.119a3-0.185a4+0.433a5+0.365a6+0.426a7 (22)
Y2=0.505a1+0.568a2-0.068a3-0.126a4+0.158a5+0.029a6+0.002a7 (23)
Y3=-0.055a1-0.144a2+0.550a3+0.616a4-0.080a5+0.016a6-0.209a7 (24)
将经PCA得到的90组重构主成分影响因子数据,按照训练集:测试集=6:1的比例进行分配,设置编号前1~75组数据为训练集,用于建立预测模型;76~90组数据为测试集,测试集的数量共15个用于验证预测模型准确度。实验中采用混合核函数LSSVR作为泥石流概率预测模型,利用WOA算法对其进行最佳参数寻优。得出的泥石流实际发生概率与模型预测的对比图如图6所示;并根据预测概率对应相应预警等级,由图7的模型预测出的结果与实际预警等级对比可得,本实用新型监测装置对于泥石流监测预警的精确度达到93.3%,体现出较好的预测性能,具有相对可靠性。
Claims (7)
1.一种泥石流监测预警装置,其特征在于,包括泥石流遥测终端(1)、监测总站(2)和客户端(3),所述泥石流遥测终端(1)安装在监测区域现场附近,通过无线通信方式上传数据给所述监测总站(2),所述监测总站(2)通过无线通信方式上传数据至所述客户端(3);
所述泥石流遥测终端(1)包括仪器监测管理模块(4)、视频监控管理模块(5)和应急管理模块(6);所述仪器监测管理模块(4)包括安装在监测坡体上多个传感器,传感器通过无线通信方式连接所述监测总站(2);所述视频监控管理模块(5)通过无线通信方式连接监测总站(2);所述应急管理模块(6)包括设置泥石流遥测终端(1)外部的爆闪灯(7)。
2.如权利要求1所述的一种泥石流监测预警装置,其特征在于,所述监测总站(2)包括模型管理模块(8),用于接收所述泥石流遥测终端(1)采集的坡体实时数据,通过对数据处理做出预测判断,并通过无线通信的方式上传给所述客户端(3)和所述应急管理模块(6)的爆闪灯(7)。
3.如权利要求1所述的一种泥石流监测预警装置,其特征在于,所述监测总站(2)还包括系统管理模块(9)和地质灾害管理模块(10),所述系统管理模块(9)内部包括权限管理设置模块、值班人员管理模块和信息小助手模块。
4.如权利要求1所述的一种泥石流监测预警装置,其特征在于,所述传感器包括雨量传感器(11)、土壤墒情传感器(12)、泥位传感器(13)、孔隙水压力传感器(14)、次声传感器(15)以及倾角传感器(16)。
5.如权利要求4所述的一种泥石流监测预警装置,其特征在于,所述雨量传感器(11)型号为TH-RSA2000,安装在监测区域坡体上,在坡体上制作水泥台,将所述雨量传感器(11)垂直固定在水泥台上;所述泥位传感器(13)为加装电磁波雷达物位计安装在监测区域坡体底部;所述次声传感器(15)在监测区域坡体底部制作水泥台,将所述次声传感器(15)垂直安装在水泥台上;所述倾角传感器(16)平行监测区域坡面安装,并紧靠坡面且所述倾角传感器(16)的轴线与坡面所在的轴线不存在夹角。
6.如权利要求4所述的一种泥石流监测预警装置,其特征在于,所述土壤墒情传感器(12)型号为TDR-6,埋设在监测区域坡体中,在监测区域坡体上垂直挖一定深度的土坑,将所述土壤墒情传感器(12)的钢针插入土坑内;所述孔隙水压力传感器(14)为振弦式孔隙水压力计,埋设在监测区域坡体中。
7.如权利要求6所述的一种泥石流监测预警装置,其特征在于,所述土壤墒情传感器(12)和所述孔隙水压力传感器(14)通过线路连接无线测量柱(17),所述无线测量柱(17)接收所述土壤墒情传感器(12)和所述孔隙水压力传感器(14)采集的数据集成在无线传感器节点,所述无线传感器节点通过无线通信的方式上传到所述监测总站(2)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201920065339.8U CN209433536U (zh) | 2019-01-14 | 2019-01-14 | 一种泥石流监测预警装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201920065339.8U CN209433536U (zh) | 2019-01-14 | 2019-01-14 | 一种泥石流监测预警装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN209433536U true CN209433536U (zh) | 2019-09-24 |
Family
ID=67976360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201920065339.8U Expired - Fee Related CN209433536U (zh) | 2019-01-14 | 2019-01-14 | 一种泥石流监测预警装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN209433536U (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341073A (zh) * | 2020-03-02 | 2020-06-26 | 南昌工程学院 | 一种泥石流风险评价及预警系统 |
CN112233381A (zh) * | 2020-10-14 | 2021-01-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于机理和机器学习耦合的泥石流预警方法与系统 |
-
2019
- 2019-01-14 CN CN201920065339.8U patent/CN209433536U/zh not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111341073A (zh) * | 2020-03-02 | 2020-06-26 | 南昌工程学院 | 一种泥石流风险评价及预警系统 |
CN112233381A (zh) * | 2020-10-14 | 2021-01-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于机理和机器学习耦合的泥石流预警方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886456A (zh) | 基于pca与混合核函数lssvr的泥石流预测方法 | |
CN101477207B (zh) | 一种智能型地质灾害综合监测系统及多级预报分析方法 | |
CN107195164B (zh) | 山洪灾害在线监测识别预警方法及其预警系统 | |
US11610466B2 (en) | Multilevel rapid warning system for landslide detection | |
CN102013150B (zh) | 基于雨强、斜坡土壤含水量和形变量的地质灾害预测系统 | |
CN107633659B (zh) | 危险边坡监测预警系统及方法 | |
CN108154651A (zh) | 一种用于滑坡灾害实时监测预警的装置和方法 | |
CN106646568B (zh) | 一种新型玻璃幕墙智能监测系统和监测方法 | |
CN104318085B (zh) | 一种流域山洪风险识别与提取方法 | |
CN209433536U (zh) | 一种泥石流监测预警装置 | |
CN106023530A (zh) | 一种暴雨型稀性泥石流监测预报预警装置及方法 | |
CN112435443A (zh) | 一种基于大数据分析的地质灾害监测预警系统 | |
CN109387242A (zh) | 建筑物状态的实时监测系统及其方法 | |
CN108256172A (zh) | 一种顶管下穿既有箱涵过程中险情预警预报方法 | |
CN110795812A (zh) | 一种基于大数据分析的滑坡预测方法及系统 | |
CN109859442A (zh) | 山地灾害链预测预报及监测预警系统及实现流程 | |
CN111981967A (zh) | 一种滑坡深部位移远程可视化监测系统 | |
CN114997548B (zh) | 一种基于遗传神经网络的动水地质渗流实时预警方法 | |
Pumo et al. | The SESAMO early warning system for rainfall-triggered landslides | |
CN209168369U (zh) | 一种滑坡灾害实时监测装置 | |
CN113421404B (zh) | 一种星地协同的边坡多风险因子联合实时监测与预警方法 | |
CN106875623A (zh) | 国土资源监控方法 | |
CN113657041A (zh) | 一种高寒区路基物理力学状态智能感知与预报系统 | |
CN105427189A (zh) | 一种滑坡灾害下的电网易损性评测方法 | |
CN112116220A (zh) | 一种大规模建筑群震害人工智能预警及监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190924 |
|
CF01 | Termination of patent right due to non-payment of annual fee |