大數據背景下的地理信息地災防治系統研究
——基于大數據分析的GIS邊坡監測預警平臺為例

蔡伶波 ，楊寧

（1.四川煤田一四一建設投資有限公司；2.西南科技大學）

【關鍵字】 大數據； 地理信息科學； 地質災害防治；邊坡監測

1 引言

我國是世界上地質災害最為嚴重的國家之一，災害種類多、分布地域廣、發生頻率高、造成損失大。近年來，變化莫測的局地強降雨和強熱帶風暴導致的暴雨，使地質災害的突發性越來越強，監測預警的難度越來越大。傳統的周期性監測手段已不能滿足地災防治需要[1]。

隨著測繪設備與技術、GIS技術的快速發展及不斷完善，大數據在測繪領域的應用越來越廣泛。大數據在地質災害實踐及應用中，通過獲取相關地質災害數據信息，并將這些數據信息通過空間分析等技術進行研究分析，從而轉化成地質災害形成因素的一種解釋，使這些數據在某種特定情況下，更具針對性、準確性以及高效性，只有這樣才能對地質災害形成的規律以及地質災害預測的更全面、更精確[2]。目前GIS地災監測預警聯動系統已開始推廣和普及，可以進行全天候連續動態監測，然而其數據分析還是基于傳統模式，先對較單一來源數據進行分析，發現問題才結合其他數據進行分析，遠遠不能達到智能分析的效果，極易出現分析錯誤。本文以GIS邊坡監測預警平臺為例，將GIS地災監測系統采集的多源數據結合時間維要素，融合測繪、地信、地質、環境、土建等專業數據，從數據自身特性出發，研究正常數據與異常數據的相關性，結合大數據的5V特點：Volume（大量）、Velocity（高速）、Variety（多樣）、Value（低價值密度）、Veracity（真實性），采用多源信息的大數據挖掘算法，從另一個角度提取出數據中的隱含信息，幫助工程人員制定防治策略，從而達到智能防治邊坡地質災害發生的目的[3]。

2 技術原理

邊坡地質災害防治的目的：

1）對邊坡進行穩定性監測，實施動態設計、動態施工，確保安全、快速的施工。

2）評價邊坡施工及其使用過程中邊坡的穩定性，并作出有關預測預報，為業主、施工單位及監理提供預報數據，跟蹤和控制施工過程，合理采用和調整有關施工工藝和步驟，取得最佳經濟效益。

3）為防止滑坡及可能的滑動和蠕變提供及時支持，預測和預報滑坡的邊界條件、規模滑動方向、發生時間及危害程度，并及時采取措施，以盡量避免和減輕災害損失。

4）為滑坡理論和邊坡設計方法的研究提供參考依據。

5）為邊坡支護工程的維護提供依據。

6）通過專業設備來預測邊坡體發展變化趨勢，對邊坡體進行監測預警，及時為政府及有關部門提供已經和可能發生的邊坡動態信息，為政府防災、減災決策和實施方案及時提供科學依據和技術支撐。

針對以上6點，本文提出了新的邊坡地災防治監測數據分析技術（見圖1）：

該系統的數據采集仍然使用當前推廣的地災自動監測系統進行采集，系統的核心為多源信息大數據分析算法。現今大數據分析算法層出不窮，其中Adaboost算法計算效率較高，算法簡潔易于實現，特別適合災害實時監測需求。Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器 (強分類器)。其算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器最后融合起來，作為最后的決策分類器。

圖1 邊坡地質災害防治的技術

弗羅因德提出adaboost算法，其主要框架可以描述為：

假設樣本：（x1,y1）……（xm,ym）其中xi∈X，yi∈Y={-1,1}

初始Dj(i)=1/m

For t=1,…,T ：

{

通過D分布尋找當前分布下的最優弱分類器；

得到弱分類器ht：X→{-1,1}的誤差滿足εt=Pri～Dt[ht(xi)≠yi]；

其中Zt為歸一化因子。

}

聚合多次訓練的弱分類器，得到最終的決策結果：

3 大數據分析實例

多源數據構建了邊坡穩定性評價的核心體系。大數據分析流程為：

1）從現場監測項目的多監控數據入手，獲取地表變形監測點沉降觀測數據(a1…am)、地表變形監測點水平位移觀測數據(b1…bm)、抗滑樁變形監測點沉降觀測(c1…cm)、抗滑樁變形監測點水平位移觀測(d1…dm)、雨量監測點觀測數據(e1…em)、地表裂縫觀測數據(f1…fm)等建立各數據的變化曲線(其中m為監測總天數)（下面圖2為丹景山雷打石邊坡監測部分監測數據，僅作為解釋數據分析方法所用）。

圖2 丹景山雷打石邊坡監測部分監測數據

2）對不同類型的監測數據進行歸一化處理，然后根據時間相關性建立初 始 樣 本 模 型 集 (a1,b1,c1,d1,e1,f1…)…(am,bm,cm,dm,em,fm…)；

①初始化訓練數據的權值分布，設計第k個弱學習器的輸出權重為，

此處為天數m的倒數；

②計算加權誤差，不斷修正權重系數D(k)；

③不斷重復(2)，(3)步，直到誤差滿足需求，結束循環。

3）聚合多次訓練的弱分類器，得到最終的決策結果：

圖3 最終分析結果示意圖

圖3為分類結果示意圖（圖中線段長度不均勻，為其誤差值曲線表征）。圖中數據分布較為均勻，沒有出現異常樣本數據，表明地表裂縫觀測點、地表變形監測點及抗滑樁變形監測點均處于相對穩定狀態。由于樣本中地表變形監測值出現小范圍異常數據，根據數據相關性原理圖中樣本自動分為四個區間，這說明在某期之后發生相對于其他時間段更大的位移量，需要得到監測團隊的重視并做進一步分析。

4 結論

本文利用了大數據技術與GIS方法各自的優勢，互補了單一方法在技術上的不足之處，采用多源數據大數據分析技術，對整個觀測數據進行綜合分析，研究時間序列上的相關性，其結果保證了監測結果的科學性，為災害防治決策提供了科學可信的依據。

大數據技術是一種新型的數據分析手段，目前在邊坡地質災害防治方面的應用較少，由于其算法應用難度，實際生產應用背景的缺乏，需要加強大數據在測繪、地理信息科學、地質災害防治等方面研究工作。本文將大數據分析技術引入到地質災害防治監測中，這是一種理論結合實際新的嘗試，是對這方面研究工作的一種探討。有了這一步理論的成功實現，后面的研究可集中于更加寬泛的數據樣本集合設計與快速算法分析，從多學科數據中提取出更有價值的有效信息，結合深度學習技術滿足自動采集、處理、決策的需求。