基于物联网的滑坡自动远程监测预警系统设计*

郭 华, 于胜文

(1.山东科技大学 电子通信与物理学院,山东 青岛 266590； 2.山东科技大学 测绘学院,山东 青岛 266590)

基于物联网的滑坡自动远程监测预警系统设计*

郭 华1, 于胜文2

(1.山东科技大学 电子通信与物理学院,山东 青岛 266590； 2.山东科技大学 测绘学院,山东 青岛 266590)

针对滑坡预警的世界难题，提出了一种基于物联网(IOT)的分布式数据实时采集模型，并根据数据量巨大的问题，建立了最优BP神经网络的预测模型。在滑坡实验台上进行了验证，实验表明：该算法具有计算量小，预测效果稳定的特点。

滑坡； 预警； 神经网络； 物联网； Zig Bee

0 引 言

我国是滑坡多发国家，据不完全统计，我国有70多座城市和460多个县受到滑坡灾害的威胁与危害。每年因崩塌、滑坡、泥石流等灾害所造成的直接经济损失约200亿元人民币,间接损失更是难以估量[1]。滑坡灾害已成为仅次于地震的第二大地质灾害[2]。虽然经过50多年的研究，由于滑坡等地质灾害具有突发性和随机性，以及短时间内能造成巨大损失的特点，传统模型并不能对危险滑坡带进行实时的数据检测，因而，无法及时掌握滑坡体的动态情况，不能准确预报滑坡的发生[3～5]。

随着物联网(IOT)和传感器技术的发展，使得滑坡的实时监控成为可能，本文设计的预警系统根据降雨型滑坡形成机理，将无线传感器组成分布式网格，应用到滑坡灾害预测模型中，形成全天候24 h不间断的全面感知滑坡区域的多维数据检测，实现动态预警，提高了预警准确性。

1 滑坡监测方案设计

滑坡是多因素综合作用导致的一种坡体失稳滑动的现象，目前主要的检测手段包括降雨量、土壤含水量、内部剪切应力、位移、倾斜角度、外部环境(温度湿度)等[7，8]。根据地质发育条件不同，每个滑坡的危险监控区域也不同，因而，必须设计成分布式的网络构架，使网络规模和传感器数量可以根据需求而随意增减，并具有自组网能力。本方案的架构如图1所示，在危险滑坡面和坡体内部，分布式安装各种无线网络传感器，用于检测滑坡体的各项参数(含水量、位移、剪应力等)，采用Zig Bee通信协议组成典型的Mesh网格网络构架并实时将各个传感器的采集数据传送到嵌入式网关，嵌入式网关再将接收到的各路传感器数据打包后，通过3G或GPRS网络,最终传递到远程监控中心的数据库中，远程监控中心上运行的上位机预警软件，根据数据库中接收到数据的变化，通过智能算法，及时对滑坡进行预警，从而可以尽可能的避免人员财产损失。

图1 滑坡监测总体方案

2 硬件设计

本方案的硬件设计分为嵌入式传感器和嵌入式网关两大部分。

1)嵌入式传感器部分构架

如图2所示,每个模块都采用TI公司的CC2530作为微处理器，该芯片是真正的系统级芯片(SoC)，内部集成了极好性能的RF收发器,工业标准增强型8051 MCU,结合TI配套的Z-stack软件协议栈，非常适合Zig Bee无线传感器的开发。在本方案中传感器部分根据滑坡检测参量的需求，有温度、湿度、压力、位移、雨量、土壤饱和度、震动等。

图2 传感器硬件构架图

2)嵌入式网关主要构架

如图3所示，本方案中采用三星公司的基于Cortex A8的双核S5PV210作为微处理器，主频可达1GHz，64/32位内部总线结构，32/32kB的数据/指令一级缓存，512 kB的二级缓存，可以实现2000DMIPS的高性能运算能力。完全支持Linux、Android等流行嵌入式操作系统。3 G模块选用中兴的MG3732，该模块是WCDMA/HSDPA/GSM/GPRS/EDGE模块，具有语音、短信、数据业务功能，数据业务下行峰值数据速率可达3.6 Mbit/s 上行峰值数据速率384 kbit/s，可以为用户提供经济型高速互联网接入和无线数据等业务。另外，为了支持Linux操作系统，还提供了1 G的Flash存储器和1G的DDR内存，同时提供触摸显示屏，用于在网关上直接显示系统的运行状态和实时采集的数据，便于现场人员调试和观测。

图3 嵌入式网关硬件构架图

3 滑坡预测模型设计

滑坡发生时，有两个最明显的特征:一是滑坡体内部剪切压力的突变，通常状态下，山体在没有外界干扰时其内部保持受力平衡，不会导致滑坡的出现，当在外部因素作用下，内部受力平衡被破坏，将会导致坡体的变形与移动，从而演变为滑坡，甚至于泥石流。因而监测山体受力的变化情况是提前预警的关键步骤;二是滑动位移，从产生受力突变发展到山体滑坡，往往会有十几分钟到几十小时的蠕变期，这段预警时间可以有效地转移人员与财产，从而避免更大的损失。蠕变期内山体已经开始变形移动，但未必会发展为滑坡，根据其蠕变阶段的变形速度，可以提高预警的准确度。然而，滑坡的影响因素众多，必须综合雨量、土壤饱和度等数据信息才能进一步提高预报的准确度。

在滑坡预警方面，前人取得了大量的预警模型[9,10]，这些模型都取得了一定的预测效果，但是也有局限性，共同的缺点就是不能适应大规模分布式监测网络的应用,其数据获取不具有实时性，传感器类型较少，往往以粗精度的降雨量作为主变量。本文提出了一种最优BP神经网络的预测模型，其结构如图4所示，由于采用了N路网格构架的实时数据采集系统，从而每种传感器的测量数据量将是非常庞大的，而且不断动态增长，如果将如此庞大的数据直接进入神经网络，将导致持续增加的运算量和效率的低下，从预测的角度来讲，对于同一种传感器数据(如位移量)，其某一时刻t，所有位移传感器的位移量中变化最剧烈的才是最重要的，把它称为最优变量，同理，可以得到最优剪应力、最优土壤含水量等，将这些量作为BP神经网络的输入信号，不仅可以大大简化其训练过程，而且避免了同类信号间的变化不一致导致的混乱问题。

图4 最优神经网络预测模型

本系统软件设计分为数据采集和预测分析两大部分。

1)数据采集部分：该部分的主要功能就是实时的采集各个传感器的数据，并远程上传到云端服务器的数据库并实现存储。程序流程图如图5所示，采集程序在启动后，发出数据采集命令给下位机各个传感器节点，各个节点在收到命令后，启动一次采集，并将采集到的最新数据返回，采集程序将接收到的数据，根据各个模块功能不同，分类存储到数据库中。

图5 数据采集部分流程图

2)预测分析部分：在该部分中，首先从数据库中获取各类参数的当前最新值，并对各个参数进行前向差分运算，获取每种类型传感器的最大变化量，然后输入神经网络，神经网络根据权值判断是否该报警，并根据输入数据，合理调整其内部权值。图6为滑坡预测部分流程图。

图6 滑坡预测部分流程图

4 实验测试

为了验证系统的有效性，采用山东科技大学自行开发研制的滑坡实验台，做了多次重复实验。初始条件为90 mm/h的强降雨，持续2 h，传感器密度为平均间距30 cm的高密度网格状分布，在取不同的初始阈值条件下，对每种阈值做10次重复实验，观察系统的预报平均准确率和平均预警时间的提前量，每种阈值其预测情况如表1所示。

表1 高密度分布情况下预测结果 Tab 1 Prediction results under high density distribution

从表1的测试结果来看，神经网络的初始阈值对整个系统的影响非常大，阈值过大，导致预测的提前量越小，甚至毫无实际意义，过小则有可能误报，0.6～0.7之间是比较合理的区间。

在阈值固定在0.7的情况下，改变坡体上传感器的数量和变动传感器在坡体上的分布位置并重复多次实验，观察传感器密度对预测精度的影响。如图7所示，当传感器的覆盖范围小于坡体的1,3时，预测正确率维持在40 %以下，基本不具备实用价值，当传感器数量逐渐增加，覆盖范围在接近坡体的2,3时，预测效果较好，达到80 %以上，如果这些传感器全部集中在坡体的下半区，则基本上能保证正确预测。当覆盖率达到75 %以上，则预测精度基本保持不变，说明传感器密度过大，成本增加但对预测效果的提升并未有实质贡献。

图7 阈值0.7下传感器数量对预测精度的影响

5 结 论

受滑坡体岩性等诸多的因素影响，采用分布式的实时采集系统，因其传感器的布置密度和位置可以根据需求任意改变，因而其准确性和可靠性要远远大于传统的单点或多点监测系统。传统的神经网络预测模型因为其输入信号层也是单点的监测数据，即使支持多点，但受坡体位移形变的不确定性影响，其预测结果与检测点的分布位置相关性极大，位置布置不当，预测的有效性将大打折扣，甚至于完全不正确。而本系统的预测模型由于采用了分布式的实时采集系统，并通过最优算法，及时反映坡体变化的敏感部位，预测效果也优于这种传统的神经网络预测模型。

[1] 唐亚明,张茂省,薛 强,等.滑坡监测预警国内外研究现状及评述[J].地质论评,2012,58(3): 533-539.

[2] 王念秦.中国滑坡预测预报研究综述[J].地质论评,2008(3):355-360.

[3] 余文坤,戴吾蛟,曾凡河,等.多传感器滑坡监测远程数据采集软件设计与实现[J].工程勘察,2011(7): 62-69.

[4] 王 波,李文田,梅 倩.滑坡监测的无线传感器网络定位系统设计[J].计算机应用,2012,32(7): 1831-1835.

[5] 曹诗咏.基于无线传感器网络的滑坡监测研究[D].成都:西南石油大学,2012.

[6] 王朝阳.滑坡监测预报效果评估方法研究——以三峡工程库区为例[D].成都:成都理工大学,2012.

[7] 罗先启,葛修润.滑坡模型试验理论及其应用[M].北京：中国水利水电出版社,2008.

[8] 黄润秋.20世纪以来中国的大型滑坡及其发生机制.[J].岩土力学与工程学报,2007(3):433-453.

[9] 郭永春,谢 强,王 磊.滑坡变形的人工神经网络预测模型及应用[J].路基工程,2006(5):67-69.

[10] 孔祥礼,肖艳波.基于BP神经网络与时间序列的滑坡变形预测分析[J].现代矿业,2011(12):80-82.

Design of automatic remote monitoring system

for landslide based on Internet of things*GUO Hua1, YU Sheng-wen2

(1.College of Electronic,Communication and Physics,Shandong University of Science and Technology, Qingdao 266590 China; 2.College of Geomatics,Shandong University of Science and Technology,Qingdao 266590,China)

Aiming at the world recognized problem of landslide forecast,a distributed real-time data acquisition model based on the Internet of things (IOT)is proposed,and according to huge amount of data,establish an optimal BP neural network model for early prediction of landside.Verify it on landslide testbed,and experiments show that the algorithm has small amount of calculation and stable prediction effect.

landslide; monitoring and warning; neural network;Internet of things(IOT); Zig Bee

2014—09—09

山东省高等学校科技计划资助项目(J10LG24)；山东科技大学群星计划资助项目(QX2013228)

10.13873/J.1000—9787(2015)04—0075—03

TP 274

A

1000—9787(2015)04—0075—03

郭 华(1977-)，男，山东莱芜人，博士研究生，讲师，主要研究方向为嵌入式系统的工业应用。