基于物聯網技術的滑坡監測預警研究*

張 譯，王 霄，何 博

（貴州大學電氣工程學院，貴陽 550025）

1 引 言

在我國頻發的地質災害當中，滑坡災害的發生占68.5%[1]，而降雨因素是導致和誘發滑坡發生的主要原因[2-4]。隨著物聯網技術的快速發展[5-6]，多源異構傳感器[7]在滑坡監測中的應用越來越多，逐步替代過去傳統的人工監測手段，開始發揮重要的監測和預警作用。有效建立多源異構傳感器綜合監測系統、提取滑坡的多場特征信息、進行多場信息融合處理和決策分析是當前進行滑坡預測的主要方法。對滑坡監測區域進行全面監測，所用到的監測傳感器包括傾角傳感器、雨量計、土壤溫濕度傳感器、環境溫濕度傳感器、風速傳感器等，對研究區進行環境信息采集。同時采用物聯網技術，可將采集到的環境數據實現遠程傳輸、存儲及可視化顯示[8]。

2 滑坡監測預警系統框架

本系統數據傳輸采用非常適用于野外監測的通信協議MQTT（Message Queuing Telemetry Transport,消息隊列遙測傳輸）。系統框架如圖1所示。由主控制器將傳感器采集到的數據進行JSON封裝與發布。選用阿里云服務器承擔數據中轉，負責下位機的網絡交互，發布應用消息，同時向訂閱的Node-RED平臺轉發應用程序消息。對接收到的消息數據進行解包，按不同傳感器數據類型進行調度分類。選用數據驅動調度方式，其預警模型采用模糊神經網絡，對各傳感器狀態量數據進行融合，融合結果對應到相應的評價集。預警發布采用Node-RED平臺和微信小程序兩種終端模式，以適用于不同的應用群體。

圖1 滑坡監測預警系統框架

MQTT協議基于發布與訂閱模式下物聯網通信協議。該協議經過長期的發展，其生態體系相對成熟，應用廣泛，可在低帶寬、不可靠網絡下提供監測設備遠程數據傳輸，非常適合應用在野外監測。

MQTT通信架構如圖2所示。按實際應用情況，主要分三個部分：傳感器檢測端、物聯網服務器代理、數據處理終端。傳感器檢測研究區域的溫濕度、降雨量、風速等環境信息并封裝發布，然后由代理服務器轉發至訂閱的設備端。

圖2 MQTT通信架構

3 數據驅動預警模型

數據驅動主要以數據庫中的數據為主導，在滑坡監測中基于大量傳感器采集的原始數據進行處理與分析，實現數據預警與評價。針對滑坡監測信息的復雜性與不確定性，需要綜合利用傳感器采集的海量數據，搭建數學模型，建立基于多源數據驅動的滑坡監測預警、決策功能系統。

3.1 模糊綜合評價整體流程

在滑坡監測研究中，滑坡等級狀態存在模糊性與不絕對性，其中滑坡預警等級受多種因素相互影響，很難進行定量描述，因此需要借助模糊數學理論方法應用于滑坡監測。利用模糊綜合評價法對采集到的數據進行融合，得出滑坡預警等級的評價結果。模糊綜合評價算法流程如圖3所示。

圖3 模糊綜合評價法流程圖

3.2 等級評價因素選取

模型選用環境溫度、環境濕度、土壤濕度、降雨量、位移量作為評價滑坡預警等級的因素，建立滑坡監測預警等級評價因素集：

式中，u1為環境溫度；u2為環境濕度；u3為土壤濕度；u4為降雨量；u5為位移量。

3.3 構建評語集

按照國土資源部中國地質調查局和中國氣象局國家氣象中心聯合開展的滑坡災害氣象預警規定，將滑坡監測預警等級劃分為五個等級，建立評語集：

去年以來，西江廣東段沒有發生重特大水上交通安全事故，水上安全事故下降八成；成功救助遇險人員152人，搜救成功率99.25%，船舶違章行為明顯減少；西江岸線整治取得突破性進展，僅在肇慶段就清理取締非法碼頭、臨時裝卸點119個，打掉一大批非法采砂點；經過沿線六市政府積極協作，西江沿岸投入建設了7個應急設備庫、13個溢油應急物資儲備點、4個防污應急服務點、3個拖輪值守點，水上應急能力和水污染防治能力進一步加強……

式中，v1表示安全級，v2表示注意級，v3表示警示級，v4表示警戒級，v5表示警報級。各預警因素對應的等級評價指標如表1所示。

表1 各監測因素預警等級評價指標

3.4 確認各因素隸屬度函數

確認因素集與評價集之后，構建因素集U到評語集V的模糊映射，即為隸屬程度。設置取值區間為(0,1)，以隸屬度取值情況表示模糊程度的高低。

為更好地將指派方法與隸屬度函數進行擬合，設計將表1滑坡預警等級評價指標限值進行相應的縮放。其中，環境濕度、土壤濕度、降雨強度、位移切線角適用于梯形分布與三角分布相結合的方法擬合；環境溫度適用于梯形分布擬合。隸屬度函數圖線如圖4所示。

圖4 隸屬度函數圖線

至此，通過上述步驟，可建立單個滑坡影響因素的綜合模糊關系矩陣：

式中，rij∈[0,1],m=5,n=3。

3.5 構建環境因素權重集

確定各環境因素權重是滑坡預警等級評價的重要環節，各因素的權重確認影響著預警等級評價結果。本設計采用層次分析法建立相應權重集。具體步驟如下：

步驟1：分析問題，建議層次結構模型。建立層次結構模型分為：目標層、準則層、方案層。其中目標層需要對滑坡監測預警等級實時評價；準則層對應的環境因素有環境溫度、環境濕度、土壤濕度、降雨強度及位移切線角等；方案層位于最底層，做出的評價結果分為五類：安全級、注意級、警示級、警戒級和警報級。最終形成的層次結構如圖5。

步驟2：構造判斷矩陣。在層次分析法使用一種矩陣法構造判斷矩陣B，將同一層次中的各因素進行兩兩相互比較，即把滑坡監測預警等級因素集U中任意兩個元素的等級進行比較。比較關系采用7分度標記法表示兩個因素其中一個比另一個強烈。構造出的判斷矩陣如表2所示。

表2 環境因素判斷矩陣（7分度標記法）

3.6 綜合評價模型構建

在進行融合運算時，采用不同的模糊算子將會直接影響最終的評價結果。此處使用加權平均算子運算。該算子能夠充分利用模糊關系矩陣，綜合能力強。運算最后得到滑坡監測預警評價集如下式：

式中，cj的重要程度由ξi與ri決定，融合后的評價結果受每個環境因素的影響，影響程度由ξ′i體現。

對滑坡監測預警綜合評價集進行歸一化處理，處理后C′的值按隸屬度最大原則，對應評價集vi，作為最后的預警等級結果輸出：

4 預警平臺測試

物聯網平臺設計采用Node-RED，引入MySQL、Navicat實現數據存儲。同時借助天地網開發平臺提供的API接口實現監測區域的地形、地貌顯示。Node-RED作為一種全新的編程工具，以智能方式將硬件設備、API和在線服務連接在一起。

在CMD中輸入Node-RED便可以啟動Node-RED后臺程序。以任意瀏覽器打開http://127.0.0.1:1880便可訪問Node-RED的前臺界面，進行編程，如圖6所示。

圖6 啟動和登錄Node-RED后臺程序

在Node-RED平臺中引入MySQL模塊。數據在上傳過程中，下位機上傳的數據為封裝好的字符串格式，需要進行一次數據轉碼才能使用SQL語句存入本地數據庫。數據在顯示同時不會影響數據的存入，該平臺基于信息流，可實現多信息并行處理。Node-RED數據實時存入MySQL數據庫，工作界面如圖7所示。

圖7 MySQL數據庫顯示數據

硬件設備采集監測區域的信息通過MQTT協議發布消息，由服務器轉發給訂閱的Node-RED平臺和微信小程序。PC上位機展示如圖8所示。

圖8 PC上位機展示

微信小程序能夠便捷接收預警信息，即便在野外也具有良好的信號，可利用微信小程序技術結合滑坡監測，建立移動終端推送預警信息，有效地保證人民的財產及生命安全。微信小程序終端實際界面如圖9所示。

圖9 微信小程序預警

5 應用效果分析

案例1：2019年4月4日硬件部署于貴州省銅仁市玉屏侗族自治縣河邊的屏山公園。傳感器監測改進切線角為87.12°、溫度24.3℃、濕度67%、土壤濕度73.2%，降雨量62 mm/h。滑坡發生時間為2019年5月3日16:17，自動發布警告級預警時間為2019年5月3日14:12，提前預警時間為125分鐘。經過實地勘察，證實表面巖體出現垮塌現象。按屏山公園日常人流量統計，威脅人數近2000人。聯系相關部門已及時處理，并立警示牌提醒人群。滑坡地圖顯示如圖10所示。

案例2：2020年2月5日硬件部署于貴州省銅仁市玉屏侗族自治縣甘龍村至木弄村。傳感器監測改進切線角為83.12°、溫度12.3℃、濕度71.2%、土壤濕度82.2%，降雨量62 mm/h。滑坡發生于2020年3月18日9:25，自動發布警戒級預警時間為2020年3月18日凌晨3:12，提前預警時間為6小時13分鐘。木弄村共有8個村民小組，254戶，共計998人，其中受滑坡威脅至少8人。聯系相關部門及時處理，并樹立警示牌。滑坡發生現場如圖11所示。

通過多年大量的應用實踐，本系統已收集到類似上述案例的第一手監測資料，基于所設計預警模型已成功預警多次滑坡事故，但也有一些由于時間太短導致未能提前預警。預警的時效性非常重要，故此設計選取臨災階段作為研究區域，部署硬件于滑坡監測區域實時監測。

6 結束語

基于物聯網的滑坡監測預警系統可有效解決野外災害監測和預警的需求，該項技術運用物聯網和云計算技術，使得用戶通過簡單的信息接收終端即可獲取相關信息，用以指導災害防御。系統有效地實現了對整個滑坡地區的監控與智能遠程管理，改變了傳統滑坡監測管理模式，提高了監測管理效率和應對災害能力。滑坡監測預警是我國最重要的地質災害服務技術，這一技術進一步的應用推廣還需加強不同地區、不同氣候災害指標的研究，形成更有針對性的預報預警模型。傳感器及通訊網絡技術發展迅速，物聯網在滑坡監測中也將有更廣泛的應用。