基于大数据的矿区地灾信息智能分析系统开发与应用

孟 超，张绍良，杨永均，付丽强，赵毅敏

(1.中国矿业大学公共管理学院，江苏 徐州 221116；2.中国矿业大学环境与测绘学院，江苏 徐州 221116；3.山西省自然资源厅信息中心，山西 太原 030024)

矿区地质灾害类型多且成因复杂，一直是我国地质灾害重点关注的领域之一，地质灾害风险智能监测与信息精准发布是现代地灾防治的关键技术。山西省是我国煤炭生产大省，黄土高原矿山地质环境复杂，地质灾害频发，造成的经济损失巨大，地质灾害防治已成为山西省矿区综合治理的重要任务之一[1]。山西省矿区地质灾害数据具有数据量大、数据类型复杂等特点[2]，目前数据管理较混乱、分散、共享性差[3]，数据应用受到很大限制，因此十分有必要整合矿区地质灾害信息，挖掘数据利用潜力，为矿区综合治理提供基础数据。

目前，矿山信息管理及地质环境管理系统应用较为广泛，打破了部门间信息孤岛，完成了信息综合管理[4]，实现了文档、图件、多媒体调查数据的高效管理，系统集成多套评价算法，为矿山生态环境评价提供了平台[5]。大数据时代为矿山地质监测带来了新的发展[6]，将大数据分析与GIS结合[7]，融合多源数据，实现自动化监测预警[8]。但是，在矿山地质灾害信息智能分析与应用方面，还存在矿山地质环境系统仅注重地质监测与预警方面的问题，矿山地质灾害地理影响分析还没有利用大数据思维[6]。

矿山地质灾害数据类型各异、数据格式不同，可分为结构化、半结构化和非结构化数据。数据量大、数据种类繁多，除了传统的GIS矢量数据、关系型数据库、空间数据库、地质报告、图件、表格外，还储存了大量图片和视频等格式的数据，数据特点符合大数据特点，属于时空大数据。山西省现有矿区地质灾害信息系统对时空数据的管理和应用存在如下问题：①矿山地质环境数据可视性差，未实现点图联动；②属性信息少，决策支持能力弱；③动态更新能力弱，地质环境调查周期长，地质灾害点动态变化响应慢；④数据挖掘功能薄弱，缺少数据分析能力。因此，本文将矿区地质灾害与地理兴趣点大数据相结合，采用最新的地理信息技术，开发了矿区地灾信息智能分析系统，以解决矿区地质灾害信息集成、管理和应用中存在的问题。

1 系统设计

1.1 系统总体设计

系统开发的目标是实现采煤矿区地质灾害数据的信息化、网络化和公众化。一方面为信息的共享提供平台，另一方面为矿区综合治理提供基础数据资料。本系统基于Web开发平台，采用分布式数据库以及B/S架构实现系统网络在线运行[9]。用户只需通过浏览器访问Web平台，便可使用该系统。采用SQL Server系统结合ArcGIS for Server系统的开发方式，运用SQL Server系统实现数据的组织管理及其查询和更新。运用ArcGIS for Server系统解决专题数据的空间化管理、空间分析、地图服务以及可视化等。使用GIS Tool For Hadoop工具，在Hadoop平台上对大量空间数据快速处理和实时分析。

1.2 系统关键技术

采用Hadoop架构设计矿区地灾信息智能分析系统，Hadoop架构是大数据处理中常用的软件框架，HDFS(Hadoop Distributed File System)分布式文件系统、Hadoop MapReduce分布式计算模型和HBase分布式数据库是其三大核心技术。

对于传统数据库中的数据而言，利用Sqoop开源工具完成从传统数据库到Hadoop云端的数据传递，对于非结构化或半结构化的数据，利用Avro开源工具完成从传统数据库到Hadoop云端的存储和交换。基于Hadoop架构的矿区地灾信息智能分析系统框架如图1所示。

图1 基于Hadoop架构的矿区地灾信息智能分析系Fig.1 Hadoop-based intelligent analysis systemframework for mine disaster information

1.3 系统功能设计

基于分布式存储技术开发该系统，实现数据的检索与可视化、数据统计分析、核密度分析以及地质灾害危险性分析与可视化等功能，并支持数据成果的导出。系统的主要功能模块如图2所示。

图2 系统功能结构图Fig.2 System functional structure diagram

2 系统实现

2.1 数据检索与可视化

系统的数据检索与可视化模块可以实现矿区地质灾害信息数据的一站式管理与服务，实现矿区地质环境所有相关的图表、成果文档等数据的检索与显示，全面提高数据库与各类成果的管理效率与使用率。支持图层控制显示，设置图层控制模块以管理图层，各类数据存储于不同的图层目录下，地质环境与图层的综合整治分别管理地质灾害点数据与生态修复基础数据。同时，采用空间化数据存储模式，即将数据的空间信息与属性信息相关联，系统使用者可在可视化界面下实现数据的检索，空间化数据存储实现点图联动的数据显示。数据检索界面如图3所示。

图3 数据检索与可视化Fig.3 Data retrieval and visualization

2.2 数据统计分析

图4为系统对地质灾害数据的分类统计，可以全面了解山西省地质环境状况，通过统计图表为相关管理人员提供辅助决策分析。采煤活动是引发矿区地质环境问题的主要因素，由于不同矿区的地形、植被覆盖以及人口分布状况不同，因此，为了探求矿区地质灾害发生的外部相关因素，采用相关性分析法分析矿区地质环境问题的发育特征。结合相关数据分别进行山西省地质环境问题分布与地形、植被覆盖分布、人口分布的相关性分析。

2.3 核密度分析

核密度可以反映要素的空间分布状况，基于矿山地质灾害强度、社会生态影响量、互联网地图POI数据、植被覆盖度、人口、土地利用强度等数据，采用GIS的核密度模型(KDE)对空间点进行计算，得到其空间分布，自动完成地质灾害点的核密度分析。

图4 数据统计分析Fig.4 Statistical analysis of data

2.4 地质灾害危险性评估

地质灾害的危险性通过分析地质灾害点对POI(Point of Interest)[10]造成的破坏程度来确定，进而依据地质灾害的危险性明确其综合治理的迫切程度[11]。单独的地质灾害信息并不能满足当前综合治理和地质环境治理的工程设计、影响评价、监督管理的需求。只有将灾害点与社会数据结合起来，才能更好地支撑地质灾害信息的发布和地质灾害治理工程的推进。因此，本系统提出了一种结合POI大数据的地质灾害危险性分析方法[12]。通过计算各灾害点的危险性指标来反映该区综合治理的迫切程度，危险性越高的灾害点，其迫切性越强。在空间上有很多灾害点，且灾害点的严重程度不同，同时空间上还有很多POI点，这些POI点的重要性也不同。在评估灾害点的危险性时，不仅要考虑其严重程度，也要考虑灾害点对POI的影响程度，距离越近，潜在影响越大。于是，定义U为第i个灾害点的危险性，计算公式见式(1)。

(1)

式中：Pij为第i个灾害点与第j个POI点的空间邻近度；Si为第i个灾害点的严重程度；Ij为第j个POI点的重要性程度。

空间邻近度(Proximity)是指地理空间中两个地物距离相近的程度。因此，当Ui越大，表明灾害点的危险性越大，越需要优先治理。而Pij设置为一个随空间距离衰减的参数；Si通过灾害点面积、危害人员或程度等指标来确定；Ij根据不同类型的POI来赋值。根据POI的不同类型，考虑其对公共服务、社会、经济的影响，也将其进行重要性分类(表1)，赋予相应的重要性得分，并进行归一化处理。

表1 POI重要性分类表Table 1 POI importance classification table

根据地质灾害危害程度分级指标将所有灾害点进行灾害等级划分(表2)。危害程度指标越大，危害越严重的灾害点等级越高，其灾害性得分也越高，最后对不同等级的灾害点灾害性得分进行归一化处理。

表2 地质灾害危害程度分级表Table 2 Classification table of damage degree ofgeological disasters

将地质灾害数据与POI数据导入数据库，系统自动根据地质灾害危险性评估模型计算各要素相应得分，最后汇总所有地质灾害点危险性指数，并实现地质灾害点危险性统计表输出与评估结果可视化显示，系统以灾害点显示的大小反映其危险性大小，灾害点危险性越大其在系统界面显示越大。

3 应用分析

3.1 地质灾害发育特征

图5是系统自动生成的各类矿山地质灾害与高程相关图。由图5可知，地质灾害(崩塌、滑坡、地裂缝)的分布均随着高程带的变化呈现规律性分布。当海拔较低时，随着海拔的升高地质灾害点的分布出现明显上升的现象；当海拔达到一定高度，灾害点的分布又随之下降。但是，不同灾害类型对高程变化呈现出不同的敏感性，以及灾害点分布随高程出现下降趋势的阈值也不同。其中，滑坡灾害对于高程的变化表现出最高的敏感性，崩塌和地裂缝灾害的敏感性则相对较弱。随着高程的增加，滑坡灾害的分布也是最早出现下降趋势的，这表明高程因素是影响滑坡灾害的重要因素。

同时，系统还可以显示地质灾害(崩塌、滑坡、地裂缝)的分布与植被覆盖度变化之间的特征，当NDVI低于0.5时，地质灾害发生的频数均处于较高水平，对于滑坡和地裂缝灾害，该植被覆盖度区间的灾害点数量都处在最高水平，随着植被覆盖度的增加，各类地质灾害点数量总体呈现下降趋势，虽然在某些区间出现小幅度上升，但并不能影响到植被覆盖度对于减少灾害发生的影响。由此可以看出，地表植被覆盖度是影响地质灾害发育性的负指标，植被覆盖度越高发生地质灾害的频数越小，发生地质灾害的可能性也越小。因此，地表植被覆盖是影响地质灾害点分布的重要因素之一。

此外，由图5还可以看出，随着人口密度的增加，虽然崩塌和地裂缝灾害点的分布数量呈现下降趋势，但是比较各人口密度段内的灾害点密度可以发现，随着人口密度的上升，各灾害点的总体分布密度也是不断增加的。由此可知，人类活动的影响会促进矿山地质灾害的发育。

图5 地质灾害发育相关性分析Fig.5 Correlation analysis of geological disasters

3.2 地质灾害危险性分析

该系统保存了山西省崩塌灾害点696处，系统可自动分析不同崩塌灾害点的风险大小。表3为系统自动计算和统计结果，其中，531处(76.3%)崩塌灾害点的危险性处于平均危险性之下，有10处崩塌灾害点的危险性为0，危险性系数大于1的共计28处。危险性最大的崩塌灾害点位于太原市东山煤矿公司东山煤矿，其危险性为8.25，是崩塌灾害点平均危险性的40倍。

系统还可以自动分析不同滑坡与地裂缝灾害点的风险大小。系统识别到危险性大于1的灾害点共计25处，在203处滑坡灾害点中仅有5处灾害点的危险性为0，所占比例为2.5%，这203处滑坡灾害点危险性总和为111.31。2 294处地裂缝灾害点中仅有少数几个灾害点有较大的危险性，地裂缝灾害点的危险性分布与其他两种灾害呈现不同特征，在所有地裂缝灾害点中地裂缝分布面积差异巨大，多数灾害点仅在很小的范围内分布，其影响范围以及所造成的危险均比较小，所以其平均危险性仅为0.001 8。图6为矿山地质灾害点危险性示意图。

表3 危险性前十位崩塌灾害点Table 3 Top ten hazard disaster points

本系统的地质灾害危险性分析方法将地质灾害数据和社会数据结合起来，可以更加真实地反映出地质灾害对人类社会造成的实际影响，其评估结果具有较高的可靠性。同时，通过分析各个灾害点的危险性可以为灾害的治理提供有效依据，对于危险性大的灾害点应该优先治理、加强防护。

4 结 语

本文在矿区时空大数据的基础上，建立了矿区地质灾害基础数据库，基于Hadoop架构技术开发了矿区地灾信息智能分析系统，系统具有矿区地质灾害信息的查询检索与可视化、地灾信息统计以及地理分析分析功能，能够完成地质灾害点发育特征、灾害点空间分布格局以及灾害点危险性分析，该系统具有操作简洁化、分析自动化等特点，满足了矿区地质灾害信息集成、管理和应用需求。

致谢本系统所需数据由山西省自然资源厅信息中心提供，在此表示衷心的感谢。