大数据背景下的地理信息地灾防治系统研究——基于大数据分析的GIS边坡监测预警平台为例

蔡伶波 ，杨宁

（1.四川煤田一四一建设投资有限公司；2.西南科技大学）

【关键字】 大数据； 地理信息科学； 地质灾害防治；边坡监测

1 引言

我国是世界上地质灾害最为严重的国家之一，灾害种类多、分布地域广、发生频率高、造成损失大。近年来，变化莫测的局地强降雨和强热带风暴导致的暴雨，使地质灾害的突发性越来越强，监测预警的难度越来越大。传统的周期性监测手段已不能满足地灾防治需要[1]。

随着测绘设备与技术、GIS技术的快速发展及不断完善，大数据在测绘领域的应用越来越广泛。大数据在地质灾害实践及应用中，通过获取相关地质灾害数据信息，并将这些数据信息通过空间分析等技术进行研究分析，从而转化成地质灾害形成因素的一种解释，使这些数据在某种特定情况下，更具针对性、准确性以及高效性，只有这样才能对地质灾害形成的规律以及地质灾害预测的更全面、更精确[2]。目前GIS地灾监测预警联动系统已开始推广和普及，可以进行全天候连续动态监测，然而其数据分析还是基于传统模式，先对较单一来源数据进行分析，发现问题才结合其他数据进行分析，远远不能达到智能分析的效果，极易出现分析错误。本文以GIS边坡监测预警平台为例，将GIS地灾监测系统采集的多源数据结合时间维要素，融合测绘、地信、地质、环境、土建等专业数据，从数据自身特性出发，研究正常数据与异常数据的相关性，结合大数据的5V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（低价值密度）、Veracity（真实性），采用多源信息的大数据挖掘算法，从另一个角度提取出数据中的隐含信息，帮助工程人员制定防治策略，从而达到智能防治边坡地质灾害发生的目的[3]。

2 技术原理

边坡地质灾害防治的目的：

1）对边坡进行稳定性监测，实施动态设计、动态施工，确保安全、快速的施工。

2）评价边坡施工及其使用过程中边坡的稳定性，并作出有关预测预报，为业主、施工单位及监理提供预报数据，跟踪和控制施工过程，合理采用和调整有关施工工艺和步骤，取得最佳经济效益。

3）为防止滑坡及可能的滑动和蠕变提供及时支持，预测和预报滑坡的边界条件、规模滑动方向、发生时间及危害程度，并及时采取措施，以尽量避免和减轻灾害损失。

4）为滑坡理论和边坡设计方法的研究提供参考依据。

5）为边坡支护工程的维护提供依据。

6）通过专业设备来预测边坡体发展变化趋势，对边坡体进行监测预警，及时为政府及有关部门提供已经和可能发生的边坡动态信息，为政府防灾、减灾决策和实施方案及时提供科学依据和技术支撑。

针对以上6点，本文提出了新的边坡地灾防治监测数据分析技术（见图1）：

该系统的数据采集仍然使用当前推广的地灾自动监测系统进行采集，系统的核心为多源信息大数据分析算法。现今大数据分析算法层出不穷，其中Adaboost算法计算效率较高，算法简洁易于实现，特别适合灾害实时监测需求。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。

图1 边坡地质灾害防治的技术

弗罗因德提出adaboost算法，其主要框架可以描述为：

假设样本：（x1,y1）……（xm,ym）其中xi∈X，yi∈Y={-1,1}

初始Dj(i)=1/m

For t=1,…,T ：

{

通过D分布寻找当前分布下的最优弱分类器；

得到弱分类器ht：X→{-1,1}的误差满足εt=Pri～Dt[ht(xi)≠yi]；

其中Zt为归一化因子。

}

聚合多次训练的弱分类器，得到最终的决策结果：

3 大数据分析实例

多源数据构建了边坡稳定性评价的核心体系。大数据分析流程为：

1）从现场监测项目的多监控数据入手，获取地表变形监测点沉降观测数据(a1…am)、地表变形监测点水平位移观测数据(b1…bm)、抗滑桩变形监测点沉降观测(c1…cm)、抗滑桩变形监测点水平位移观测(d1…dm)、雨量监测点观测数据(e1…em)、地表裂缝观测数据(f1…fm)等建立各数据的变化曲线(其中m为监测总天数)（下面图2为丹景山雷打石边坡监测部分监测数据，仅作为解释数据分析方法所用）。

图2 丹景山雷打石边坡监测部分监测数据

2）对不同类型的监测数据进行归一化处理，然后根据时间相关性建立初 始 样 本 模 型 集 (a1,b1,c1,d1,e1,f1…)…(am,bm,cm,dm,em,fm…)；

①初始化训练数据的权值分布，设计第k个弱学习器的输出权重为，

此处为天数m的倒数；

②计算加权误差，不断修正权重系数D(k)；

③不断重复(2)，(3)步，直到误差满足需求，结束循环。

3）聚合多次训练的弱分类器，得到最终的决策结果：

图3 最终分析结果示意图

图3为分类结果示意图（图中线段长度不均匀，为其误差值曲线表征）。图中数据分布较为均匀，没有出现异常样本数据，表明地表裂缝观测点、地表变形监测点及抗滑桩变形监测点均处于相对稳定状态。由于样本中地表变形监测值出现小范围异常数据，根据数据相关性原理图中样本自动分为四个区间，这说明在某期之后发生相对于其他时间段更大的位移量，需要得到监测团队的重视并做进一步分析。

4 结论

本文利用了大数据技术与GIS方法各自的优势，互补了单一方法在技术上的不足之处，采用多源数据大数据分析技术，对整个观测数据进行综合分析，研究时间序列上的相关性，其结果保证了监测结果的科学性，为灾害防治决策提供了科学可信的依据。

大数据技术是一种新型的数据分析手段，目前在边坡地质灾害防治方面的应用较少，由于其算法应用难度，实际生产应用背景的缺乏，需要加强大数据在测绘、地理信息科学、地质灾害防治等方面研究工作。本文将大数据分析技术引入到地质灾害防治监测中，这是一种理论结合实际新的尝试，是对这方面研究工作的一种探讨。有了这一步理论的成功实现，后面的研究可集中于更加宽泛的数据样本集合设计与快速算法分析，从多学科数据中提取出更有价值的有效信息，结合深度学习技术满足自动采集、处理、决策的需求。