地质灾害预警预报技术创新与应用

杨向敏，吴 福，陈柏基

（1.广西壮族自治区地质环境监测站，广西 南宁 530029）

1985年开始，美国在加州旧金山湾、华盛顿州等地区陆续建立了基于降雨监测和雷达监测的区域滑坡和泥石流地质灾害监测预警系统[1]。美国地质调查局提出的LHP计划改进了动态滑坡环境的监测技术。欧洲空间组织利用恒定散射体PS、GPS以及光学水准测量进行滑坡变形监测。香港特别行政区结合区域滑坡敏感性和临界雨量研究，建立了滑坡和泥石流区域预警系统[2]。近年来，我国各省相继建立了基于降雨监测的区域地质灾害预警预报系统。

在地质灾害预警预报服务不断深入和发展的新形势下，广西壮族自治区在“广西地质灾害预警预报分析系统”项目成果的基础上，结合市级地质灾害预警预报系统、地质环境综合管理系统、地质灾害综合指挥系统以及基于物联网的地质灾害自动监测预警预报系统，利用新的数据监测与传输技术、数据处理技术和新的地质灾害预警预报方法，开发了新一代广西地质灾害预警预报系统，提升了广西地质灾害预警预报工作的可靠性、稳定性和便利性。目前，该系统已应用于自治区级、市级和县级的区域实时地质灾害监测与预警业务中。

1 地质灾害预警预报系统

系统总体结构分为数据采集层、地质灾害数据中心、地质环境管理、预警预报分析系统和信息发布系统5个部分，如图1所示。根据广西地质灾害的诱发因素和形成机理，系统融合了云计算、大数据、物联网、移动互联网、人工智能等现代化信息技术，通过深度学习算法，建立了基于人工智能的地质灾害动态监测预警神经网络模型[3]，不断学习、归纳广西地质灾害的发生规律；通过数据采集系统，收集地质灾害动态监测数据、地下水动态监测数据，接收水文水资源局的实时雨量数据、气象台的实时雨量数据和气象预警信息，构建地质灾害数据中心；通过预警预报分析系统对广西全区进行网格化区域划分，自动选择相应的监测预警模型进行分析，以提高局部区域地质灾害预警预报的精准性；通过信息发布系统为公众提供信息服务。

图1 系统总体框架图

2 地质灾害预警预报技术的主要创新点

2.1 实现地质灾害应用模型的轻量化智能构建

多类型多边界描述的地质灾害预警预报模型，含有大量的因素信息，因此直接建立预报系统较复杂。轻量化智能构建是将空间数据精简为一个点数据，采用GeoHash编码方式进行编码转换[4]；再利用细节层次（LOD）技术[5]将海量地质灾害因素信息封装成组件，集成到地质灾害预警预报系统中，建立应用组件模型库；最后通过应用构建器，以零代码编程的方式快速实现区域地质灾害的统计、分析和管理等多样化的应用需求，如图2所示。

图2 模型轻量化流程图

2.2 基于Spark的空间大数据技术处理海量地质灾害数据

Spark是一个大数据分布式编程框架[6]，将分布式数据抽象为弹性分布式数据集，提供了应用任务调度、RPC、序列化和压缩的实现方法以及API上层组件。地质灾害数据主要包括各类专业属性数据、基础地理空间数据、专题空间数据、灾害点空间数据和其他数据。通过雨量计、水位仪、倾斜仪、智能视频设备等前端专用监测设备对地质灾害进行实时监测；利用物联网技术、互联网技术实现数据的安全接入与管理，建立地质灾害数据中心。在地质灾害预警预报系统中应用基于Spark的空间大数据技术对海量地质灾害数据进行分析，再通过扩展Spark实现对大规模地质灾害空间数据的空间查询和快速分析，解决系统分析效率的问题。

2.3 基于神经网络学习算法的智能预警预报系统

神经网络可分为全局逼近和局部逼近两类，其中局部逼近网络具有学习速度快的优点。径向基函数（RBF）属于局部逼近神经网络[7]，结构如图3所示。

图3 RBF神经网络

动态自适应RBF网络模型，无需事先确定隐含层单元的个数，完成聚类所得的RBF网络是最优的[8]。RBF需要选择P个基函数，每个基函数对应一个训练数据。最常用的RBF高斯函数为：

式中，χ为输入向量；Ci为第i个基函数的中心；m为感知单元的个数；‖χ-Ci‖为χ与Ci之间的距离，随着‖χ-Ci‖的增大，Ri(χ)衰减到零。

基于RBF的插值函数为：

RBF神经网络在非线性函数逼近、时间序列分析、模式识别、系统建模、数据分类、图像处理、信息处理等领域得到了广泛应用。

广西地质灾害发生的可能性与灾害所处区域的地质灾害易发性、土壤含水率、累计降雨量、降雨强度以及人类工程活动等因素有关。首先将各区域的影响因素按其对地质灾害发生的贡献进行分级；再将各因素各等级作为输入神经元，发生地质灾害的可能性等级作为输出神经元，通过神经网络进行运算，从而预报地质灾害等级。根据输入信号，通过选取的函数计算输出，并判别输出层的输出是否满足要求，满足则输出，否则，修正权值，继续处理；同时将每次预报对应的实际发生情况作为学习实例对运算进行修正。根据造成网络输出误差因素在输入空间的非均匀分布以及每个RBF对网络计算贡献的大小，通过策略对参数进行自适应调整，使神经网络的逼近性能、泛化能力达到较高要求。神经网络通过不断改变网络的连接权值，使其输出不断接近期望值。

将神经网络学习算法与广西地质灾害特性相结合，开发学习引擎对诱发地质灾害的相关数据进行深度学习，挖掘灾害发生与自然、人为因素的关系，获得地质灾害监测预警模型库，并在不断自我学习中对模型进行优化和完善，实现对潜在地质灾害区域的有效预测。

3 地质灾害预警预报成果应用

依托信息技术、物联网技术和国土资源“金土工程”网络建设成果，建立了一个涵盖全区地质灾害数据存储、管理、应用机制的数据资源充分共享的地质灾害预警预报系统。该系统已在广西自治区级、市级和县级地质灾害预警预报工作中得到了应用，取得了良好的效果，能高效支撑地质灾害预警预报工作，预防灾害发生、减少损失。广西壮族自治区已在受滑坡、不稳定斜坡威胁的学校安装340套角度倾斜报警仪，在全区的地质灾害易发区中选取了200所学校安装学校地质灾害隐患自动监测站，在全区重要的地质灾害隐患点上安装304套地质灾害隐患自动监测系统，监测数据通过数据采集终端进行实时采集，并传送至广西地质灾害监测预警平台。

每年的汛期（5～9月）为广西地质灾害的高发期。2016年5月—2018年9月通过该系统进行地质灾害预报和预警信息发布，成功预报地质灾害27起，避免了1 036人的人员伤亡和1 051.5万元的直接经济损失[9]，在广西防灾减灾上取得了良好的效果。

4 结 语

本文介绍了广西地质灾害预警预报系统中轻量化模型技术、Spark空间大数据处理技术、神经网络学习算法等新技术的应用。基于物联网的地质灾害预警预报技术的应用，重要地质灾害点自动监测系统的安装，提升了广西地质灾害自动监测预警能力，提高了广西地质灾害预警预报的智能性、准确性和效率，增强了实时监测和预警预报能力。系统通过3 a的运行和预警取得了良好的效果，对于提高突发地质灾害监测预警能力具有重大创新意义。