留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

滑坡实时监测预警模型调度算法优化研究

何朝阳 许强 巨能攀 解明礼

何朝阳, 许强, 巨能攀, 解明礼. 滑坡实时监测预警模型调度算法优化研究[J]. 武汉大学学报 ● 信息科学版, 2021, 46(7): 970-982. doi: 10.13203/j.whugis20200314
引用本文: 何朝阳, 许强, 巨能攀, 解明礼. 滑坡实时监测预警模型调度算法优化研究[J]. 武汉大学学报 ● 信息科学版, 2021, 46(7): 970-982. doi: 10.13203/j.whugis20200314
HE Chaoyang, XU Qiang, JU Nengpan, XIE Mingli. Optimization of Model Scheduling Algorithm in Real-Time Monitoring and Early Warning of Landslide[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7): 970-982. doi: 10.13203/j.whugis20200314
Citation: HE Chaoyang, XU Qiang, JU Nengpan, XIE Mingli. Optimization of Model Scheduling Algorithm in Real-Time Monitoring and Early Warning of Landslide[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7): 970-982. doi: 10.13203/j.whugis20200314

滑坡实时监测预警模型调度算法优化研究

doi: 10.13203/j.whugis20200314
基金项目: 

国家重点研发计划 2018YFC1504905

国家重点研发计划 2018YFC1505105

国家自然科学基金创新研究群体 41521002

地质灾害防治与地质环境保护国家重点实验室自主研究课题 SKLGP2020Z006

详细信息

Optimization of Model Scheduling Algorithm in Real-Time Monitoring and Early Warning of Landslide

Funds: 

The National Key Research and Development Program of China 2018YFC1504905

The National Key Research and Development Program of China 2018YFC1505105

Science Fund for Creative Research Groups of the National Natural Science Foundation of China 41521002

Independent Research Project of State Key Laboratory of Geohazard Prevention and Geoenvironment Protection SKLGP2020Z006

More Information
  • 摘要: 监测预警是地质灾害防灾减灾的重要手段。在滑坡实时监测预警中,预警模型的调度算法直接关系到预警的成功与否。传统的做法是根据一定时间间隔启动预警服务,这种方法易于实现,但受到预警时间间隔的影响,其预警结论及处置建议的发布存在一定的延迟,无法达到真正的实时预警。如何通过预警模型和实时监测数据快速得到预警等级, 如何控制好预警信息发送的时间与频率,是需要解决的两个关键问题。为了尽量缩短从数据采集到预警信息发出的时间间隔,为后续预警处置赢得更多时间,从预警流程和模型调度算法的角度研究基于时间驱动和数据驱动的预警模型调度方式,结合实时监测数据类型及其特征,提出预警模型调度策略及预警信息发布策略,以期提高滑坡的预警精度;研发一套预警等级求解器,采用多线程思路,构建基于策略的预警模型通用计算框架,实现对滑坡的实时过程跟踪预警,充分发挥预警平台的作用。
  • 图  1  滑坡监测预警流程图

    Figure  1.  Flowchart of Landslide Monitoring and Early Warning

    图  2  基于时间驱动的监测预警流程图

    Figure  2.  Flowchart of Monitoring and Early Warning Based on Time-Driven

    图  3  箐脚组崩塌(GP02)预警过程

    Figure  3.  Early Warning Process of Qingjiao Rockfall (GP02)

    图  4  基于数据驱动的监测预警流程图

    Figure  4.  Flowchart of Monitoring and Early Warning Based on Data-Driven

    图  5  基于时间驱动的监测数据流

    Figure  5.  Flow of Monitoring Data Based on Time-Driven

    图  6  基于数据驱动的监测数据流

    Figure  6.  Flow of Monitoring Data Based on Data-Driven

    图  7  预警计算示意图

    Figure  7.  Diagram of Early Warning Calculation Process

    图  8  预警等级求解器的计算流程

    Figure  8.  Calculation Process of Early Warning Level Solver

    图  9  单线程与多线程执行过程示意图

    Figure  9.  Diagrams of Single-Thread and Multi-thread Execution Process

    图  10  多线程预警计算框架示意图

    Figure  10.  Diagram of Multi-thread Early Warning Calculation Framework

    图  11  预警模型不同调度方式的时效性对比

    Figure  11.  Time Effectiveness Comparison of Various Scheduling Methods of Early Warning Model

    表  1  基于时间驱动和数据驱动两种调度方法的比较

    Table  1.   Comparison of Two Scheduling Methods Based on Time-Driven and Data-Driven

    调度方法 优点 缺点
    时间驱动 ①易于实现:程序设计及实现较为简单,一定时间间隔启动预警程序即可。
    ②适用于雨量预警模型:结合滑坡、泥石流等雨量预警模型,定时计算累计雨量及雨强等参数进行预警。
    ①预警延迟:无法实现实时预警,受时间间隔的影响,每次预警都有一定的延迟。
    ②浪费计算资源:如果某一时间段内没有新数据接入,这种方法仍然要启动预警计算,造成计算资源的浪费。
    数据驱动 ①实时预警:一旦有新的监测数据接入即可启动预警,尽量缩短预警等待时间,为应急抢险撤离等赢得更多时间。
    ②节约计算资源:如果没有新数据接入,则无需启动预警。
    ③处理位移(累积量)、渗压(状态量)等数据较为方便。
    ①逻辑复杂:程序启动计算的判断策略较为复杂。
    ②对雨量预警模型支持不好:在某一段时间内如果没有降雨,一般情况下雨量计不回传数据,受限于雨量数据的特征,所以不能通过雨量数据驱动程序计算累计雨量、雨强等参数进行预警。
    下载: 导出CSV

    表  2  常见监测数据分类及计算参数

    Table  2.   Classification and Parameters of Common Monitoring Data

    监测数据类型 监测设备 计算参数
    状态量 泥位计(NW)、液位计(YW)、地下水位计(DX)、渗压计(SY)、含水率计(HH)、倾角仪(QJ)、温度计(WD)等 当前状态(最新的监测值)、变化速率
    累积量 裂缝计(LF)、GNSS(GP)、多点位移计(WY)、深部位移计(SQ)、固定测斜仪(GX)等 变形速率、速率增量、累计位移、改进切线角
    雨量数据 雨量计(YL) 降雨开始时间[27]、累计雨量、10 min雨强、小时雨强
    下载: 导出CSV

    表  3  累积量(位移)数据的数据驱动策略

    Table  3.   Data-Driven Strategies of Cumulant Data (e.g. Displacement Data)

    策略序号 判据 备注
    1 改进切线角α≥80° 进入中加速变形阶段
    2 上一次预警等级为C3或者C4
    3 变形速率v≥30 mm/d 可根据滑坡类型动态配置,如突发性黄土滑坡可取10 mm/d [14, 28]
    4 变形速率增量∆v持续大于0 表示变形速率越来越快,判断前5次预警结果的∆v是否均大于0
    下载: 导出CSV

    表  4  预警级别

    Table  4.   Early Warning Levels

    预警级别 预警代码 预警形式 相关责任组
    安全级 C0 绿色
    注意级 C1 蓝色 系统管理人员组
    警示级 C2 黄色 值班人员组
    警戒级 C3 橙色 负责人员组
    警报级 C4 红色 责任领导组
    下载: 导出CSV

    表  5  预警信息发布策略

    Table  5.   Strategies of Early Warning Information Release

    序号 规则 优先级
    1 预警等级提升 1
    2 速率增量≥5 mm/d 2
    3 累计位移增量≥10 mm 2
    4 据上一次发送预警短信时间超过1 d(仅满足这一条件时,只给管理员发送提示性短信) 2
    5 短信接收者当天收到的短信量≤5条 3
    下载: 导出CSV

    表  6  近年来本系统成功预警案例

    Table  6.   Successful Early Warning Cases by the Proposed System in Recent Years

    案例编号 滑坡名称 滑坡时间 自动发出红色预警时间 提前预警时间 监测设备编号 预警特征值 备注
    变形速率v/(mm·d-1) 改进切线角α/(°) 匀速变形阶段平均变形速率/(mm·d-1)
    1 黑方台陈家6号滑坡 2017-05-13 09:52 2017-05-13 09:13 39 min LF20 56.18 89.16 9.45
    2 黑方台党川4号滑坡 2017-10-01 05:00 2017-09-30 20:55 8 h LF25 45.93 86.83 1.68
    3 西藏江达县白格滑坡第二次堵江事件 2018-11-11 17:54 2018-11-11 15:28 2 h 26 min LF04 333.90 88.49 82.56 专家组通过会商研判,在11-11 15:50向前线指挥部发布红色预警信息[15]
    4 贵州省兴义市龙井村9组滑坡 2019-02-17 05:53 2019-02-17 05:00 53 min LF01 210.24 85.19 20.52
    LF02 206.02 85.07 18.60
    LF03 208.84 85.18 18.52
    LF05 251.00 85.01 23.50
    LF06 213.55 85.06 25.67
    5 黑方台焦家6号滑坡 2019-02-28 13:27 2019-02-28 13:28 LF29 1170.91 89.87 1.48 未正式发布预警[34]。13:27:09后8 s内位移由637.7 mm突增至1790.4 mm,整个变形失稳过程时间太短,13:28发出红色预警短信
    6 黑方台陈家6号滑坡 2019-03-04 00:19 2019-03-03 22:18 2 h LF22 49.05 89.29 6.22
    7 黑方台党川6号滑坡 2019-03-26 04:59 2019-03-26 04:20 39 min LF34 274.84 89.82 2.46
    8 黑方台党川4号滑坡 2019-04-19 14:43 2019-04-19 14:30 13 min LF35 14.96 89.49 1.52
    9 黑方台党川7号滑坡 2019-10-05 04:27 2019-10-03 20:18 32 h LF64 217.90 89.05 2.40
    下载: 导出CSV

    表  7  预警模型不同调度方式的时效性统计结果

    Table  7.   Time Effectiveness Statistics of Various Scheduling Methods of Early Warning Model

    调度方式 预警计算次数 平均延迟/s 最小延迟/s 最大延迟/s
    时间驱动 138 155.5 13 282
    数据驱动 1 002 1.9 0.5 3.2
    智能策略 594 26.8 0.5 212.0
    下载: 导出CSV
  • [1] 薛瑞. 城市地质灾害的类型和防范方法的研究[J]. 能源与节能, 2011(9): 75-77 doi:  10.3969/j.issn.2095-0802.2011.09.039

    Xue Rui. The Types and Prevention Methods of City Geological Disasters[J]. Energy and Energy Conservation, 2011(9): 75-77 doi:  10.3969/j.issn.2095-0802.2011.09.039
    [2] 许强, 董秀军, 李为乐. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警[J]. 武汉大学学报·信息科学版, 2019, 44(7): 957-966 http://ch.whu.edu.cn/cn/y2019/v44/i7/957

    Xu Qiang, Dong Xiujun, Li Weile. Integrated Space-Air-Ground Early Detection, Monitoring and Warning System for Potential Catastrophic Geohazards[J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 957-966 http://ch.whu.edu.cn/cn/y2019/v44/i7/957
    [3] 庄建琦, 彭建兵, 李同录, 等. "9·17"灞桥灾难性黄土滑坡形成因素与运动模拟[J]. 工程地质学报, 2015, 23(4): 161-168 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201504029.htm

    Zhuang Jianqi, Peng Jianbing, Li Tonglu, et al. Triggerred Factores and Motion Simulation of "9·17" Baqiao Catastrophic Landslide[J]. Journal of Engineering Geology, 2015, 23(4): 161-168 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201504029.htm
    [4] 殷跃平, 刘传正, 陈红旗, 等. 2013年1月11日云南镇雄赵家沟特大滑坡灾害研究[J]. 工程地质学报, 2013, 21(1): 6-15 doi:  10.3969/j.issn.1004-9665.2013.01.002

    Yin Yueping, Liu Chuanzheng, Chen Hongqi, et al. Investigation on Catastrophic Landslide of January 11, 2013 at Zhaojiagou, Zhenxiong County, Yunnan Province[J]. Journal of Engineering Geology, 2013, 21(1): 6-15 doi:  10.3969/j.issn.1004-9665.2013.01.002
    [5] 梁京涛, 成余粮, 王军, 等. 2013年7月10日四川省都江堰三溪村五里坡特大滑坡灾害遥感调查及成因机制浅析[J]. 工程地质学报, 2014, 22(6): 174-183 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201406029.htm

    Liang Jingtao, Cheng Yuliang, Wang Jun, et al. Remote Sensing Investigation and Formation Mechanism on Wulipo Landslide of July 10, 2013 in Sanxi Village, Dujiangyan, Sichuan Province[J]. Journal of Engineering Geology, 2014, 22(6): 174-183 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201406029.htm
    [6] 温铭生, 方志伟, 王阳谷. 都江堰市五里坡特大滑坡灾害特征与致灾成因[J]. 现代地质, 2015, 29(2): 224-229 https://www.cnki.com.cn/Article/CJFDTOTAL-XDDZ201502034.htm

    Wen Mingsheng, Fang Zhiwei, Wang Yanggu. Characteristics and Disaster Causes of Wulipo Landslide in Dujiangyan City[J]. Geoscience, 2015, 29(2): 224-229 https://www.cnki.com.cn/Article/CJFDTOTAL-XDDZ201502034.htm
    [7] 何思明, 白秀强, 欧阳朝军, 等. 四川省茂县叠溪镇新磨村特大滑坡应急科学调查[J]. 山地学报, 2017, 35(4): 173-178 https://www.cnki.com.cn/Article/CJFDTOTAL-SDYA201704020.htm

    He Siming, Bai Xiuqiang, Ouyang Chaojun, et al. On the Survey of Giant Landslide at Xinmo Village of Diexi Town, Maoxian Country, Sichuan Province, China[J]. Mountain Research, 2017, 35(4): 173-178 https://www.cnki.com.cn/Article/CJFDTOTAL-SDYA201704020.htm
    [8] 邵崇建, 李秡宇, 李勇, 等. 茂县滑坡的滑动机制与震后滑坡形成的地质条件[J]. 成都理工大学学报(自然科学版), 2017, 44(4): 4-21 https://www.cnki.com.cn/Article/CJFDTOTAL-CDLG201704001.htm

    Shao Chongjian, Li Pengyu, Li Yong, et al. Sliding Mechanism of Maoxian Landslide and Geological Condition Analysis of Formation of Post-Earthquake Landslide[J]. Journal of Chengdu University of Technology (Science & Technology Edition), 2017, 44(4): 4-21 https://www.cnki.com.cn/Article/CJFDTOTAL-CDLG201704001.htm
    [9] 郑光, 许强, 巨袁臻, 等. 2017年8月28日贵州纳雍县张家湾镇普洒村崩塌特征与成因机理研究[J]. 工程地质学报, 2018, 26(1): 223-240

    Zheng Guang, Xu Qiang, Ju Yuanzhen, et al. The Pusacun Rock Avalanche on August 28, 2017 in Zhangjiawan Nayongxian, Guizhou: Characteristics and Failure Mechanism[J]. Journal of Engineering Geology, 2018, 26(1): 223-240
    [10] 新京报. 金沙江堰塞湖过流川藏3.42万人转移[N]. http://epaper.bjnews.com.cn/html/2018-11/13/content_738123.htm, 2018-11-13
    [11] 解明礼. 矿山崩滑地质灾害风险评价与管理研究[D]. 成都: 成都理工大学, 2018

    Xie Mingli. Risk Assessment and Management of Landslide Geohazards Induced by Underground Mining[D]. Chengdu: Chengdu University of Technology, 2018
    [12] 许强, 曾裕平, 钱江澎, 等. 一种改进的切线角及对应的滑坡预警判据[J]. 地质通报, 2009, 28(4): 501-505 doi:  10.3969/j.issn.1671-2552.2009.04.011

    Xu Qiang, Zeng Yuping, Qian Jiangpeng, et al. Study on an Improved Tangential Angle and the Corresponding Landslide Pre-warning Criteria[J]. Geological Bulletin of China, 2009, 28(4): 501-505 doi:  10.3969/j.issn.1671-2552.2009.04.011
    [13] 许强, 汤明高, 徐开祥, 等. 滑坡时空演化规律及预警预报研究[J]. 岩石力学与工程学报, 2008, 27(6): 1 104-1 112 doi:  10.3321/j.issn:1000-6915.2008.06.003

    Xu Qiang, Tang Minggao, Xu Kaixiang, et al. Research on Space-Time Evolution Laws and Early Warning-Prediction of Landslides[J]. Chinese Journal of Rock Mechanics and Engineering, 2008, 27(6): 1 104-1 112 doi:  10.3321/j.issn:1000-6915.2008.06.003
    [14] 许强, 彭大雷, 何朝阳, 等. 突发型黄土滑坡监测预警理论方法研究——以甘肃黑方台为例[J]. 工程地质学报, 2020, 28(1): 111-121 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ202001013.htm

    Xu Qiang, Peng Dalei, He Chaoyang, et al. Theory and Method of Monitoring and Early Warning for Sudden Loess Landslide—A Case Study at Heifangtai Terrace[J]. Journal of Engineering Geology, 2020, 28(1): 111-121 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ202001013.htm
    [15] 许强, 郑光, 李为乐, 等. 2018年10月和11月金沙江白格两次滑坡-堰塞堵江事件分析研究[J]. 工程地质学报, 2018, 26(6): 1 534-1 551 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201806016.htm

    Xu Qiang, Zheng Guang, Li Weile, et al. Study on Successive Landslide Damming Events of Jinsha River in Baige Village on Octorber 11 and November 3, 2018[J]. Journal of Engineering Geology, 2018, 26(6): 1 534-1 551 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201806016.htm
    [16] Keefer D K, Wilson R C, Mark R K. et al. Real-Time Landslide Warning During Heavy Rainfall[J]. Science, 1987, 238(4 829): 921-925 doi:  10.1126/science.238.4829.921
    [17] Segoni S, Lagomarsino D, Fanti R, et al. Integration of Rainfall Thresholds and Susceptibility Maps in the Emilia Romagna (Italy) Regional-Scale Landslide Warning System[J]. Landslides, 2015, 12(4): 773-785 doi:  10.1007/s10346-014-0502-0
    [18] 张桂荣, 殷坤龙, 陈丽霞, 等. 滑坡预测预报的地质—气象耦合模型研究[J]. 水利水电技术, 2005, 36(3): 15-18 https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ200503004.htm

    Zhang Guirong, Yin Kunlong, Chen Lixia, et al. Geological Condition and Weather Couple Model of Landslide Hazard Forecast[J]. Water Resources and Hydropower Engineering, 2005, 36(3): 15-18 https://www.cnki.com.cn/Article/CJFDTOTAL-SJWJ200503004.htm
    [19] 谢剑明, 刘礼领, 殷坤龙, 等. 浙江省滑坡灾害预警预报的降雨阀值研究[J]. 地质科技情报, 2003, 22(4): 102-106 https://www.cnki.com.cn/Article/CJFDTOTAL-DZKQ200304019.htm

    Xie Jianming, Liu Liling, Yin Kunlong, et al. Study on the Threshold Valves of Rainfall of Landslide Hazards for Early-Warning and Prediction in Zhejiang Province[J]. Geological Science and Technology Information, 2003, 22(4): 102-106 https://www.cnki.com.cn/Article/CJFDTOTAL-DZKQ200304019.htm
    [20] 张桂荣, 陈丽霞, 殷坤龙. 浙江省永嘉县滑坡灾害危险性区划[J]. 水文地质工程地质, 2005, 32(3): 27-31 doi:  10.3969/j.issn.1000-3665.2005.03.007

    Zhang Guirong, Chen Lixia, Yin Kunlong. Landslide Hazard Zonation of Yongjia County, Zhejiang Province[J]. Hydrogeology and Engineering Geology, 2005, 32(3): 27-31 doi:  10.3969/j.issn.1000-3665.2005.03.007
    [21] 殷坤龙, 张桂荣, 龚日祥, 等. 基于Web-GIS的浙江省地质灾害实时预警预报系统设计[J]. 水文地质工程地质, 2003, 30(3): 19-23 doi:  10.3969/j.issn.1000-3665.2003.03.005

    Yin Kunlong, Zhang Guirong, Gong Rixiang, et al. A Real Time Warning System Design of Geo-hazards Supported by Web-GIS in Zhejiang Province, China[J]. Hydrogeology and Engineering Geology, 2003, 30(3): 19-23 doi:  10.3969/j.issn.1000-3665.2003.03.005
    [22] 黄健. 基于3D WebGIS技术的地质灾害监测预警研究[D]. 成都: 成都理工大学, 2012

    Huang Jian. Study on Early Warning of Geo-hazards Based on 3D WebGIS Technology[D]. Chengdu: Chengdu University of Technology, 2012
    [23] 黄健, 巨能攀, 何朝阳, 等. 基于WebGIS的汶川地震次生地质灾害信息管理系统[J]. 山地学报, 2012, 30(3): 101-106 https://www.cnki.com.cn/Article/CJFDTOTAL-SDYA201203016.htm

    Huang Jian, Ju Nengpan, He Chaoyang, et al. WebGIS-based Information Management System for Geohazards Triggered by Wenchuan Earthquake[J]. Journal of Mountain Science, 2012, 30(3): 101-106 https://www.cnki.com.cn/Article/CJFDTOTAL-SDYA201203016.htm
    [24] Huang Runqiu, Huang Jian, Ju Nengpan, et al. WebGIS-based Information Management System for Landslides Triggered By Wenchuan Earthquake[J]. Natural Hazards, 2013, 65(3): 1 507-1 517 doi:  10.1007/s11069-012-0424-x
    [25] 何朝阳, 巨能攀, 黄健. 地质灾害监测数据集成系统设计及实现[J]. 工程地质学报, 2014, 22(3): 405-411 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201403010.htm

    He Chaoyang, Ju Nengpan, Huang Jian. Automatic Integration and Analysis of Multi-source Monitoring Data for Geo-hazard Warning[J]. Journal of Engineering Geology, 2014, 22(3): 405-411 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201403010.htm
    [26] 何朝阳, 巨能攀, 黄健. 地质灾害海量监测数据处理方法研究[J]. 安全与环境工程, 2014, 21(5): 115-120 doi:  10.3969/j.issn.1671-1556.2014.05.020

    He Chaoyang, Ju Nengpan, Huang Jian. Research on the Processing Method of Big Data from Geo-hazard Monitoring[J]. Safety and Environmental Engineering, 2014, 21(5): 115-120 doi:  10.3969/j.issn.1671-1556.2014.05.020
    [27] 何朝阳, 许强, 巨能攀, 等. 基于降雨过程自动识别的泥石流实时预警技术[J]. 工程地质学报, 2018, 26(3): 703-710 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201803017.htm

    He Chaoyang, Xu Qiang, Ju Nengpan, et al. Real-Time Early Warning Technology of Debris Flow Based on Automatic Identification of Rainfall Process[J]. Journal of Engineering Geology, 2018, 26(3): 703-710 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ201803017.htm
    [28] 亓星. 突发型黄土滑坡监测预警研究——以甘肃黑方台黄土滑坡为例[D]. 成都: 成都理工大学, 2017

    Qi Xing. Sudden Loess Landslide Monitoring and Early Warning Research—A Case Study of Gansu Landslide in Heifangtai Loess[D]. Chengdu: Chengdu University of Technology, 2017
    [29] 余斌, 朱渊, 王涛, 等. 沟床起动型泥石流的10 min降雨预报模型[J]. 水科学进展, 2015, 26(3): 347-355 https://www.cnki.com.cn/Article/CJFDTOTAL-SKXJ201503007.htm

    Yu Bin, Zhu Yuan, Wang Tao, et al. Research on the 10-minute Rainfall Prediction Model for Debris Flows[J]. Advances in Water Science, 2015, 26(3): 347-355 https://www.cnki.com.cn/Article/CJFDTOTAL-SKXJ201503007.htm
    [30] 尹国龙. 汶川地震三大片区降雨特征分析及泥石流预警方法研究[D]. 成都: 成都理工大学, 2014

    Yin Guolong. The Analysis of Rainfall Law and Study of Debris Flow Warning Method in Three Area of Wenchuan Earthquake[D]. Chengdu: Chengdu University of Technology, 2014
    [31] 曾超宇, 李金香. Redis在高速缓存系统中的应用[J]. 微型机与应用, 2013, 32(12): 11-13 doi:  10.3969/j.issn.1674-7720.2013.12.004

    Zeng Chaoyu, Li Jinxiang. Redis Application in Cache System[J]. Microcomputer & Its Applications, 2013, 32(12): 11-13 doi:  10.3969/j.issn.1674-7720.2013.12.004
    [32] 李翀, 刘利娜, 刘学敏, 等. 一种高效的Redis Cluster的分布式缓存系统[J]. 计算机系统应用, 2018, 27(10): 91-98 https://www.cnki.com.cn/Article/CJFDTOTAL-XTYY201810014.htm

    Li Chong, Liu Lina, Liu Xuemin, et al. High Efficient Distributed Cache System Based on Redis Cluster[J]. Computer Systems & Applications, 2018, 27(10): 91-98 https://www.cnki.com.cn/Article/CJFDTOTAL-XTYY201810014.htm
    [33] He Chaoyang, Ju Nengpan, Xu Qiang, et al. Automated Data Processing and Integration of Large Multiple Data Sources in Geohazards Monitoring[J]. International Journal of Georesources and Environment, 2017, 3(1): 9-21 doi:  10.15273/ijge.2017.01.003
    [34] 许强. 对滑坡监测预警相关问题的认识与思考[J]. 工程地质学报, 2020, 28(2): 360-374 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ202002017.htm

    Xu Qiang. Understanding the Landslide Monitoring and Early Warning: Consideration to Practical Issues[J]. Journal of Engineering Geology, 2020, 28(2): 360-374 https://www.cnki.com.cn/Article/CJFDTOTAL-GCDZ202002017.htm
  • [1] 王晨辉, 郭伟, 孟庆佳, 刘炎炎, 毕逢东.  基于虚拟参考站的GNSS滑坡变形监测方法及性能分析 . 武汉大学学报 ● 信息科学版, 2022, 47(6): 990-996. doi: 10.13203/j.whugis20220102
    [2] 陈涛, 钟子颖, 牛瑞卿, 刘桐, 陈胜云.  利用深度信念网络进行滑坡易发性评价 . 武汉大学学报 ● 信息科学版, 2020, 45(11): 1809-1817. doi: 10.13203/j.whugis20190144
    [3] 秦宏楠, 马海涛, 于正兴.  地基SAR技术支持下的滑坡预警预报分析方法 . 武汉大学学报 ● 信息科学版, 2020, 45(11): 1697-1706. doi: 10.13203/j.whugis20200268
    [4] 李兵权, 李永生, 姜文亮, 蔡建伟, 甘俊.  基于地基真实孔径雷达的边坡动态监测研究与应用 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 1093-1098. doi: 10.13203/j.whugis20190049
    [5] 许强, 董秀军, 李为乐.  基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 957-966. doi: 10.13203/j.whugis20190088
    [6] 刘国祥, 张波, 张瑞, 蔡嘉伦, 符茵, 刘巧, 于冰, 李志林.  联合卫星SAR和地基SAR的海螺沟冰川动态变化及次生滑坡灾害监测 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 980-995. doi: 10.13203/j.whugis20190077
    [7] 丁超, 冯光财, 周玉杉, 王会强, 杜亚男, 陈晨月.  尼泊尔地震触发滑坡识别和雪崩形变分析 . 武汉大学学报 ● 信息科学版, 2018, 43(6): 847-853, 950. doi: 10.13203/j.whugis20160031
    [8] 陈西江, 张小平, 章涛, 吴浩, 安庆.  利用误差熵确定激光点云变形可监测指标 . 武汉大学学报 ● 信息科学版, 2018, 43(11): 1681-1687. doi: 10.13203/j.whugis20170045
    [9] 刘渊博, 牛瑞卿, 于宪煜, 张凯翔.  旋转森林模型在滑坡易发性评价中的应用研究 . 武汉大学学报 ● 信息科学版, 2018, 43(6): 959-964. doi: 10.13203/j.whugis20160132
    [10] 刘坚, 李树林, 陈涛.  基于优化随机森林模型的滑坡易发性评价 . 武汉大学学报 ● 信息科学版, 2018, 43(7): 1085-1091. doi: 10.13203/j.whugis20160515
    [11] 段功豪, 牛瑞卿, 彭令, 付杰.  诱发因素影响下的滑坡参数优化预测模型研究 . 武汉大学学报 ● 信息科学版, 2017, 42(4): 531-536. doi: 10.13203/j.whugis20140913
    [12] 段功豪, 牛瑞卿, 赵艳南, 张凯翔, 咬登魁.  基于动态指数平滑模型的降雨诱发型滑坡预测 . 武汉大学学报 ● 信息科学版, 2016, 41(7): 958-962. doi: 10.13203/j.whugis20140276
    [13] 武雪玲, 沈少青, 牛瑞卿.  GIS支持下应用PSO-SVM模型预测滑坡易发性 . 武汉大学学报 ● 信息科学版, 2016, 41(5): 665-671. doi: 10.13203/j.whugis20130566
    [14] 武雪玲, 任福, 牛瑞卿.  多源数据支持下的三峡库区滑坡灾害空间智能预测 . 武汉大学学报 ● 信息科学版, 2013, 38(8): 963-968.
    [15] 王利, 张勤, 管建安, 孔令杰.  基于GPS技术的滑坡动态变形监测试验结果与分析 . 武汉大学学报 ● 信息科学版, 2011, 36(4): 422-426.
    [16] 张正禄, 汪宏晨, 邓勇, 谢年生.  滑坡变形分析与预报的新方法 . 武汉大学学报 ● 信息科学版, 2009, 34(12): 1387-1389.
    [17] 王尚庆, 徐进军, 罗勉.  三峡库区白水河滑坡险情预警方法研究 . 武汉大学学报 ● 信息科学版, 2009, 34(10): 1218-1221.
    [18] 张昆, 张松林, 刘祖强, 杨红.  滑坡变形的三维可视化研究 . 武汉大学学报 ● 信息科学版, 2006, 31(9): 795-798.
    [19] 曾旭平.  GPS滑坡高程监测的数据处理问题 . 武汉大学学报 ● 信息科学版, 2004, 29(3): 201-204.
    [20] 秦宏楠, 马海涛, 于正兴, 刘玉溪.  地基雷达干涉测量动态高频次数据用于滑坡早期预警方法研究 . 武汉大学学报 ● 信息科学版, 0, 0(0): -. doi: 10.13203/j.whugis20220152
  • 加载中
图(11) / 表(7)
计量
  • 文章访问数:  707
  • HTML全文浏览量:  227
  • PDF下载量:  106
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-09-13
  • 刊出日期:  2021-07-05

滑坡实时监测预警模型调度算法优化研究

doi: 10.13203/j.whugis20200314
    基金项目:

    国家重点研发计划 2018YFC1504905

    国家重点研发计划 2018YFC1505105

    国家自然科学基金创新研究群体 41521002

    地质灾害防治与地质环境保护国家重点实验室自主研究课题 SKLGP2020Z006

    作者简介:

    何朝阳,博士,讲师,主要从事地质灾害实时监测预警系统研究。hechaoyang2013@mail.cdut.edu.cn

    通讯作者: 许强,博士,教授. E-mail:xq@cdut.edu.cn
  • 中图分类号: P694

摘要: 监测预警是地质灾害防灾减灾的重要手段。在滑坡实时监测预警中,预警模型的调度算法直接关系到预警的成功与否。传统的做法是根据一定时间间隔启动预警服务,这种方法易于实现,但受到预警时间间隔的影响,其预警结论及处置建议的发布存在一定的延迟,无法达到真正的实时预警。如何通过预警模型和实时监测数据快速得到预警等级, 如何控制好预警信息发送的时间与频率,是需要解决的两个关键问题。为了尽量缩短从数据采集到预警信息发出的时间间隔,为后续预警处置赢得更多时间,从预警流程和模型调度算法的角度研究基于时间驱动和数据驱动的预警模型调度方式,结合实时监测数据类型及其特征,提出预警模型调度策略及预警信息发布策略,以期提高滑坡的预警精度;研发一套预警等级求解器,采用多线程思路,构建基于策略的预警模型通用计算框架,实现对滑坡的实时过程跟踪预警,充分发挥预警平台的作用。

English Abstract

何朝阳, 许强, 巨能攀, 解明礼. 滑坡实时监测预警模型调度算法优化研究[J]. 武汉大学学报 ● 信息科学版, 2021, 46(7): 970-982. doi: 10.13203/j.whugis20200314
引用本文: 何朝阳, 许强, 巨能攀, 解明礼. 滑坡实时监测预警模型调度算法优化研究[J]. 武汉大学学报 ● 信息科学版, 2021, 46(7): 970-982. doi: 10.13203/j.whugis20200314
HE Chaoyang, XU Qiang, JU Nengpan, XIE Mingli. Optimization of Model Scheduling Algorithm in Real-Time Monitoring and Early Warning of Landslide[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7): 970-982. doi: 10.13203/j.whugis20200314
Citation: HE Chaoyang, XU Qiang, JU Nengpan, XIE Mingli. Optimization of Model Scheduling Algorithm in Real-Time Monitoring and Early Warning of Landslide[J]. Geomatics and Information Science of Wuhan University, 2021, 46(7): 970-982. doi: 10.13203/j.whugis20200314
  • 中国幅员辽阔,地形地貌、地质背景复杂,地质灾害频繁发生。据统计,中国每年因地质灾害导致的直接经济损失占自然灾害总经济损失的20%以上[1],造成大量的人员伤亡与财产损失,给人民的生产生活带来极大的影响。滑坡是地壳表层的岩、土体突然发生下滑、带有动力特性的地质灾变现象,是自然界中常见的一种地质灾害。在中国发生的各类地质灾害中,滑坡造成的损失最为严重。例如,2009年4月26日发生在云南省昭通市威信县扎西镇小坝村的滑坡造成20人死亡,2人受伤;2010年8月8日,甘肃省舟曲县泥石流导致1 765人死亡[2];2011年9月17日,陕西省西安市灞桥区席王街办石家道村白鹿塬北坡发生特大黄土滑坡灾害[3],共造成32人死亡,5人受伤,直接经济损失达5 200万元;2013年1月11日,云南镇雄发生滑坡[4],滑程近800 m,堆积体积约40万m3,赵家沟村民小组60多间房屋被毁,46人遇难;2013年7月10日10:30左右,四川省都江堰市中兴镇三溪村五里坡发生大规模山体滑坡[5-6],约264万m3的山体在前期降雨的影响下启动,造成161人死亡[2];2017年6月24日,四川省茂县叠溪镇新磨村突发特大高位顺层岩质滑坡,为汶川地震后发生的规模最大的一次岩质滑坡,此次滑坡灾害共造成10人死亡,73人失踪,整个新磨村被毁的重大损失[7-8];2017年8月28日,发生在贵州省纳雍县张家湾镇的高位崩塌共导致26人死亡,9人失踪[9];2018年发生在金沙江的白格堰塞湖事件使避险转移达3.42万人[10]

    2018年10月10日,习近平总书记在中央财经委员会第三次会议中强调,要建立高效科学的自然灾害防治体系,提高自然灾害防治能力,实施自然灾害监测预警信息化工程,提高多灾种和灾害链综合监测、风险早期识别和预报预警能力。因此,监测预警是地质灾害防灾减灾的重要手段,如何最大限度地减少地质灾害带来的生命安全和财产损失,是摆在人们面前的一项长期而紧迫的任务[11]

    为实现这些目标,对滑坡地质灾害实施实时动态跟踪的监测预警,必然少不了预警模型和预警系统的支撑。在预警模型方面,许强等[2, 12-15]提出基于滑坡变形演化过程的实时预警模型,取得了较好的应用效果。本文从另一个角度出发,重点关注滑坡预警模型的调度算法,这是滑坡实时监测预警中的关键和核心问题之一,同时也是最容易忽视的一个问题。运用合理的模型调度算法可以及时地发出预警,适用的预警信息发布策略可以保障尽可能少地发出错误、冗余预警信息,为提升预警精度提供技术支撑。构建通用的预警等级求解器,通过数据分析智能选择预警模型的调度方式,是本文研究的目标。

    • 图 1为滑坡监测预警流程图。预警模型的调度与计算是整个滑坡实时监测预警系统最核心的部分,而监测数据贯穿其整个流程,从监测方案的设计、监测设备的选型与安装,到监测数据的传输、集成与处理,再到预警模型的计算和最终预警信息的发布。

      图  1  滑坡监测预警流程图

      Figure 1.  Flowchart of Landslide Monitoring and Early Warning

      因此,基于实时监测数据和预警模型实现自动、实时、稳定的预警模型调度,是一项必不可少的技术。预警计算模块需要对系统接收到的实时监测数据进行预处理,包括异常数据剔除、数据修匀、数据拟合等,再结合预警模型、参数、阈值等快速计算出预警等级,进一步发布预警信息。本文的研究内容主要集中在预警模型调度环节,即保障整个监测预警过程能实时稳定地处理监测数据,快速发布预警信息。通过优化预警模型的调度算法和预警流程,满足监测预警的时效性需求,达到预警信息不漏发、不多发、及时发的目标。

    • 滑坡监测预警系统是管理滑坡地质灾害信息与实时预测预报滑坡的有效措施,在监测一个或多个滑坡变量的条件下,在变量发生突变时能快速有效地发出预警信息。国内外学者基于不同的监测指标构建了各类监测预警系统,取得了较多成果,如基于降雨监测资料,Keefer等[16]、Segoni等[17]利用I-D模型(I为降雨强度,D为降雨持续时间)和降雨阈值研发了实时滑坡预警系统并取得了较好应用;浙江省突发性地质灾害实时预警预报系统与应用示范构建的实时气象信息与地质灾害空间信息的时空耦合模型[18-21]可以实现地质灾害预警预报信息的实时发布;巫山县地质灾害实时监测系统基于实时监测数据和预警模型,将预警结果进行发布与共享;地质灾害防治与地质环境保护国家重点实验室近年来研发的地质灾害监测预警与决策支持系统[22-24]实现了对监测数据的实时集成与处理[25-26],能对预警信息进行在线发布。

      滑坡实时监测预警系统的核心是基于实时监测数据并结合预警模型进行计算,从而得到预警等级。预警模型本身非常重要,预警模型的调度也同样重要,即如何启动滑坡监测预警模块进行预警计算,如何发布预警信息。目前,行业内应用比较广泛且最容易实现的一种预警模型调度方式是时间驱动,其预警流程如图 2所示,即通过定时任务让预警程序在一定时间间隔后(如5 min、10 min、1 h等)重复启动,循环滚动处理监测数据,计算预警等级,发布预警成果等。

      图  2  基于时间驱动的监测预警流程图

      Figure 2.  Flowchart of Monitoring and Early Warning Based on Time-Driven

      基于时间驱动的调度方式存在两个明显的问题:①预警延迟。无法实现实时预警,受到预警模型调度时间间隔的影响,每次预警都有一定延迟,几分钟的延迟往往可能会错过最佳预警时间窗口而导致预警失败。②浪费计算资源。如果某一时间段内没有新的监测数据接入,但仍然要启动预警计算,就会造成计算资源的浪费,占用计算资源,影响下一次的预警任务。

      对于监测设备而言,采用较高的采样频率可以捕捉到完整的变形过程,为预警赢得时间,如果采样时间间隔过大,可能会出现上次采样时数据没有变化,还没到下次采样时滑坡已经发生。对于滑坡预警系统而言,同样存在这个问题,如果固定时间间隔,调度预警模型在上次预警时滑坡可能处于稳定状态,还没到下次预警时滑坡已经变形失稳。

      图 3所示,贵州织金县少普镇联盟村箐脚组崩塌中的GNSS(global navigation satellite system)监测设备(GP02)的监测数据时间间隔为1 h(图 3(a)),系统中记录的最后数据时间为04:00,还未到05:00崩塌已经发生,未能捕捉到完整的变形曲线,滑坡实时监测预警系统基于04:00的监测数据只发出了黄色预警(图 3(b)),如果04:00以后能够加密监测采样频率,获取完整的监测曲线,则能成功发出红色临滑预警。因此,监测数据采样频率和预警模型调度频率在临滑阶段同样具有重要意义,直接影响到预警的成功与否。

      图  3  箐脚组崩塌(GP02)预警过程

      Figure 3.  Early Warning Process of Qingjiao Rockfall (GP02)

    • 从时间驱动方式来看,受到预警时间间隔的影响,无法实现真正的实时预警。为解决时间驱动中的弊端,本文提出一种新的预警模型调度思路,即数据驱动,以监测数据流为主导,在监测预警平台接收到新的监测数据后,立即启动预警程序,通过数据驱动程序进行预警计算。

      基于数据驱动的预警流程如图 4所示,现场的监测数据采用消息队列遥测传输(message queuing telemetry transport,MQTT)技术进行传输,即现场数据通过MQTT协议传输到监测中心服务器,再进入RabbitMQ(一款实现高级消息队列协议的开源中间件)队列。一方面,数据实时集成服务通过订阅RabbitMQ队列,将监测数据实时集成到数据库中;另一方面,预警服务在RabbitMQ中订阅实时监测数据,一旦消息队列中有监测数据,则立即调用相应的预警模型进入预警流程。得益于消息队列技术,从现场数据采集到预警信息发出,整个流程耗时可以控制在几十到几百毫秒内,从而实现真正的预警秒级响应。

      图  4  基于数据驱动的监测预警流程图

      Figure 4.  Flowchart of Monitoring and Early Warning Based on Data-Driven

      当然,数据驱动无法完全取代时间驱动模式,结合实际需求,可以采用两种方式相结合的混合计算调度模式,即采用数据驱动的方式处理状态量和累积量数据,采用时间驱动的方式处理雨量数据。时间驱动和数据驱动各有优势,适用于不同的预警计算需求,两种预警模型调度方法对比如表 1所示。

      表 1  基于时间驱动和数据驱动两种调度方法的比较

      Table 1.  Comparison of Two Scheduling Methods Based on Time-Driven and Data-Driven

      调度方法 优点 缺点
      时间驱动 ①易于实现:程序设计及实现较为简单,一定时间间隔启动预警程序即可。
      ②适用于雨量预警模型:结合滑坡、泥石流等雨量预警模型,定时计算累计雨量及雨强等参数进行预警。
      ①预警延迟:无法实现实时预警,受时间间隔的影响,每次预警都有一定的延迟。
      ②浪费计算资源:如果某一时间段内没有新数据接入,这种方法仍然要启动预警计算,造成计算资源的浪费。
      数据驱动 ①实时预警:一旦有新的监测数据接入即可启动预警,尽量缩短预警等待时间,为应急抢险撤离等赢得更多时间。
      ②节约计算资源:如果没有新数据接入,则无需启动预警。
      ③处理位移(累积量)、渗压(状态量)等数据较为方便。
      ①逻辑复杂:程序启动计算的判断策略较为复杂。
      ②对雨量预警模型支持不好:在某一段时间内如果没有降雨,一般情况下雨量计不回传数据,受限于雨量数据的特征,所以不能通过雨量数据驱动程序计算累计雨量、雨强等参数进行预警。
    • 在地质灾害监测工作中,监测指标通常有地表位移、深部位移、裂缝宽度、液位、渗压、雨量等,针对这些监测数据的设备特征和数据特征,可将用于常规预警模型计算的监测数据分为3类:状态量、累积量与雨量数据。

      1) 状态量表示所测得的监测值为对应监测时刻的状态量,本次采样值不受上次采样时间的影响,如泥位计、渗压计、含水率计、温度计等这类设备监测值,只表征采样时监测对象的状态。

      2) 累积量表示所测得的监测数据为一个时间段内的累积量,如裂缝计、位移计等,在预警时更关注监测值的变化速率。

      3) 雨量数据可认为是一种特殊的累积量参数,本次采样值受上次采样时间的影响,所测得的雨量值为上次采样时间到本次采样时间之间的累计雨量,但由于雨量计求解的参数和其他累积量不一样,所以单独分为一类。

      根据这3类数据的数据特征和求解的参数不同,分别采用不同的预警模型进行预警计算,主要的监测数据类型如表 2所示。

      表 2  常见监测数据分类及计算参数

      Table 2.  Classification and Parameters of Common Monitoring Data

      监测数据类型 监测设备 计算参数
      状态量 泥位计(NW)、液位计(YW)、地下水位计(DX)、渗压计(SY)、含水率计(HH)、倾角仪(QJ)、温度计(WD)等 当前状态(最新的监测值)、变化速率
      累积量 裂缝计(LF)、GNSS(GP)、多点位移计(WY)、深部位移计(SQ)、固定测斜仪(GX)等 变形速率、速率增量、累计位移、改进切线角
      雨量数据 雨量计(YL) 降雨开始时间[27]、累计雨量、10 min雨强、小时雨强
    • 基于时间驱动和数据驱动的监测数据流分别如图 56所示。在时间驱动模式下(图 5),预警模块通过一定的时间间隔从数据库中获取监测数据来进行预警分析与预警信息发布。而在数据驱动模式下(图 6),利用RabbitMQ中的Fanout模式(广播模式)将交换机(Exchange)里的消息发送给所有绑定该交换机的队列(Queues),每个队列中的数据一致,预警模块通过订阅队列中的监测数据,队列中一旦有新的监测数据,则立即启动预警分析与预警信息发布功能,且与数据实时集成服务相互独立,互不影响。

      图  5  基于时间驱动的监测数据流

      Figure 5.  Flow of Monitoring Data Based on Time-Driven

      图  6  基于数据驱动的监测数据流

      Figure 6.  Flow of Monitoring Data Based on Data-Driven

      为节省计算资源,避免数据拥堵,本文通过总结历史预警数据,提出如下预警模型调度策略:

      1) 状态量数据采用数据驱动模式。由于基于状态量数据的预警模型只需将监测数据和阈值进行比较即可,且每条数据都有可能包含监测对象的异常信息,因此不能采用时间驱动的方式进行调度。

      2) 雨量数据采用时间驱动模式。由于基于雨量数据的预警模型主要是对历史雨量数据进行分析来得到一场雨的累计雨量、雨强等参数,因此无法通过数据驱动进行实时计算。

      3) 对于位移数据,如果滑坡处于稳定状态,则采用时间驱动模式,否则采用数据驱动的模式。滑坡从变形到失稳都有一个演化过程,抓住这一普适性的特征规律[12-14]即可实现对滑坡的过程预警。如果通过监测数据判定滑坡处于稳定状态,则不需要对其进行实时监控,只需要定时计算相关参数,关注变形趋势即可。具体策略见表 3

      表 3  累积量(位移)数据的数据驱动策略

      Table 3.  Data-Driven Strategies of Cumulant Data (e.g. Displacement Data)

      策略序号 判据 备注
      1 改进切线角α≥80° 进入中加速变形阶段
      2 上一次预警等级为C3或者C4
      3 变形速率v≥30 mm/d 可根据滑坡类型动态配置,如突发性黄土滑坡可取10 mm/d [14, 28]
      4 变形速率增量∆v持续大于0 表示变形速率越来越快,判断前5次预警结果的∆v是否均大于0

      4) 时间驱动的任务简化。在实际预警计算时,对于同一套监测设备而言,如果距离上一次预警结束后,没有采集到新的监测数据,那么本次的预警结果和上次的预警结果一样,此时可自动跳过该监测设备的预警计算,从而极大地减少数据库的访问次数和计算任务量,以节省预警时间。

    • 本文采用4级预警体系(C1~C4),为了求解器的输出规范,还定义了一个安全级(C0,严格意义上不属于预警级别),表示监测对象处于稳定状态,无需特别关注。预警级别如表 4所示。

      表 4  预警级别

      Table 4.  Early Warning Levels

      预警级别 预警代码 预警形式 相关责任组
      安全级 C0 绿色
      注意级 C1 蓝色 系统管理人员组
      警示级 C2 黄色 值班人员组
      警戒级 C3 橙色 负责人员组
      警报级 C4 红色 责任领导组

      预警计算就是结合监测数据、预警模型、预警参数等计算预警等级。为了实现对各类监测数据和不同预警模型的处理,需要设计一套通用的预警等级求解器,通过输入监测数据和预警模型,返回预警等级,如图 7所示。

      图  7  预警计算示意图

      Figure 7.  Diagram of Early Warning Calculation Process

      预警等级求解器是根据地质灾害监测中常见类型的监测数据特征进行设计,不仅考虑了适用于滑坡监测预警的计算,还考虑了对整个预警系统的扩展,可以支持其他类型的地质灾害预警,如泥石流、崩塌等。

      一般而言,地质灾害监测预警中的监测数据主要分为3大类,即状态类数据、累积量(位移)数据和雨量数据,根据这3类数据的特征分别进行预警等级的计算。预警等级求解器的计算流程如图 8所示。

      图  8  预警等级求解器的计算流程

      Figure 8.  Calculation Process of Early Warning Level Solver

      1) 状态类数据

      状态类数据,顾名思义,其监测数据表示某一时刻的状态。崩塌仪、断线仪的监测数据只有两种,0表示正常,1表示发生险情(崩塌、泥石流),其预警等级分别定义为安全级(C0)和警报级(C4),其他类型的状态类监测设备如泥位计、地下水位计、含水率计等,则根据相应的预警参数、阈值定义不同的预警等级,这类数据处理比较简单,只需将监测数据和预设的阈值进行比较,即可得出预警等级。

      2) 累积量数据

      累积量数据主要是指和变形、位移相关的监测数据。位移数据是滑坡实时监测预警中的重要监测指标,是滑坡变形演化最直观的反应,也是滑坡监测中最容易、最常用的手段。要实现对滑坡的过程预警,主要是基于滑坡的位移监测数据进行分析。位移数据的计算预警等级主要是根据当前位移-时间曲线,结合预警模型计算各个预警参数,如变形速率、变形加速度、变形速率增量、改进切线角模型等,综合判断滑坡的变形演化过程及趋势,得到最终的预警等级。此外,可以根据位移监测曲线自动识别滑坡的匀速变形阶段,进一步划分变形演化阶段。

      3) 雨量数据

      雨量数据也是各类地质灾害监测中常见的一种数据类型,尤其是在泥石流、降雨型滑坡监测中。雨量数据是一种累计量,即监测数据值是相邻两条数据时间段内的累计雨量(这里的累计雨量与一场雨的累计雨量含义不同)。基于雨量数据的预警模型最关键的指标是根据历史雨量数据求解降雨强度、累计雨量、降雨持续时间等参数,而累计雨量、降雨持续时间的计算离不开对一场雨开始时间的计算。一场雨的界定有很多划分方法[29-30],结合对雨场的划分,已在预警系统中实现了对降雨开始时间的自动搜索与雨场的自动划分[27],再结合相应的预警模型(如I-D、E-I、E-D模型等,其中E为累计雨量)可以得到最终的预警等级,从而实现对泥石流及降雨型滑坡的临滑预警。

    • 为了快速获取滑坡的预警等级结果,结合预警模型的相关算法,开发预警任务分配调度管理器,构建多线程预警计算框架。线程是一个应用程序中的最小单元,当实时预警模块启动后,会产生一个进程,而进程执行相关计算任务需要依赖线程,也就是说,进程中的最小执行单位就是线程,并且一个进程中至少有一个线程。

      一般情况下,单线程程序执行串行的思路,上一个预警任务执行完后,再执行下一个预警任务(图 9(a))。为了加快预警计算,提升整个系统的运行效率,可以采用多线程的并行执行方式(图 9(b))。在一个进程内开启多个线程,将计算任务按照一定的策略动态分配给不同的线程,各个线程同时执行。当然,线程并不是越多越好,还需要协调预警任务执行速率与数据库读写速率瓶颈之间的平衡。

      图  9  单线程与多线程执行过程示意图

      Figure 9.  Diagrams of Single-Thread and Multi-thread Execution Process

      每一次预警涉及到大量的计算过程和数据库读写访问。为了更好地优化计算过程,本研究根据预警任务量、计算节点资源、预警耗时等指标构建智能预警策略,将预警任务动态分配到各个线程,通过异步锁机制,实现各个线程间的数据共享与通信,保障线程的数据安全,同时基于Redis[31-32]高速缓存缓解中心数据库的读写压力,实现分布式计算,极大缩短一次完整预警所需的时间,满足大规模(特别是省级平台)滑坡实时监测预警应用场景的性能需求。

      基于上述思路,采用系统服务技术[33],研发多线程预警计算框架(图 10),构建基于策略的滑坡实时过程预警模块,可实现对滑坡的定时预警、数据驱动预警,也可以手动触发预警模块。

      图  10  多线程预警计算框架示意图

      Figure 10.  Diagram of Multi-thread Early Warning Calculation Framework

    • 预警信息的发布也需要制定相关的策略,控制预警短信发送的频率,避免短信接收人频繁收到预警短信而产生垃圾短信(因为这样反而达不到预期的预警效果),因此预警信息的发布策略非常关键,这也是监测预警系统中最关键的一道出口。相关策略如表 5所示,其中预警等级提升规则的优先级最高,即只要预警等级较上次增加,则不管其他条件是否满足,都要发送预警信息。

      表 5  预警信息发布策略

      Table 5.  Strategies of Early Warning Information Release

      序号 规则 优先级
      1 预警等级提升 1
      2 速率增量≥5 mm/d 2
      3 累计位移增量≥10 mm 2
      4 据上一次发送预警短信时间超过1 d(仅满足这一条件时,只给管理员发送提示性短信) 2
      5 短信接收者当天收到的短信量≤5条 3
    • 近年来,通过大量的应用实践,本系统收集到许多监测资料,基于本文的预警模型已成功预警多个滑坡,如表 6所示,但也有一些滑坡由于时间太短导致未能提前预警(如表 6的案例5),因此预警的时效性非常重要。

      表 6  近年来本系统成功预警案例

      Table 6.  Successful Early Warning Cases by the Proposed System in Recent Years

      案例编号 滑坡名称 滑坡时间 自动发出红色预警时间 提前预警时间 监测设备编号 预警特征值 备注
      变形速率v/(mm·d-1) 改进切线角α/(°) 匀速变形阶段平均变形速率/(mm·d-1)
      1 黑方台陈家6号滑坡 2017-05-13 09:52 2017-05-13 09:13 39 min LF20 56.18 89.16 9.45
      2 黑方台党川4号滑坡 2017-10-01 05:00 2017-09-30 20:55 8 h LF25 45.93 86.83 1.68
      3 西藏江达县白格滑坡第二次堵江事件 2018-11-11 17:54 2018-11-11 15:28 2 h 26 min LF04 333.90 88.49 82.56 专家组通过会商研判,在11-11 15:50向前线指挥部发布红色预警信息[15]
      4 贵州省兴义市龙井村9组滑坡 2019-02-17 05:53 2019-02-17 05:00 53 min LF01 210.24 85.19 20.52
      LF02 206.02 85.07 18.60
      LF03 208.84 85.18 18.52
      LF05 251.00 85.01 23.50
      LF06 213.55 85.06 25.67
      5 黑方台焦家6号滑坡 2019-02-28 13:27 2019-02-28 13:28 LF29 1170.91 89.87 1.48 未正式发布预警[34]。13:27:09后8 s内位移由637.7 mm突增至1790.4 mm,整个变形失稳过程时间太短,13:28发出红色预警短信
      6 黑方台陈家6号滑坡 2019-03-04 00:19 2019-03-03 22:18 2 h LF22 49.05 89.29 6.22
      7 黑方台党川6号滑坡 2019-03-26 04:59 2019-03-26 04:20 39 min LF34 274.84 89.82 2.46
      8 黑方台党川4号滑坡 2019-04-19 14:43 2019-04-19 14:30 13 min LF35 14.96 89.49 1.52
      9 黑方台党川7号滑坡 2019-10-05 04:27 2019-10-03 20:18 32 h LF64 217.90 89.05 2.40

      目前,监测预警的流程大致分为5个步骤:

      1) 现场监测设备采集监测数据。

      2) 通过GPRS(general packet radio service)/北斗等传输手段将数据传回监测数据接收服务器。

      3) 对监测数据进行粗差过滤、异常数据识别等操作后,集成到预警平台的数据库中。

      4) 自动预警系统读取监测数据并进行预警计算,得到预警等级及预警短信。

      5) 由短信发送服务将预警短信发送到责任人手机中。

      从整个流程上看,本文提出的基于策略的预警模型调度算法明显缩短了步骤3)、4)的处理时间。

      为了对比分析预警模型的不同调度算法对预警滞后时间的影响,本文选取黑方台陈家6号滑坡的部分实测监测曲线,分别采用不同的调度方式处理监测数据。图 11为采用时间驱动(时间间隔为5 min)、数据驱动和智能策略3种方式处理监测数据生成预警信息的时效性对比结果。

      图  11  预警模型不同调度方式的时效性对比

      Figure 11.  Time Effectiveness Comparison of Various Scheduling Methods of Early Warning Model

      本研究中,预警延迟时间定义为预警信息生成时间(tw)-监测数据入库时间(t0),即从监测数据入库开始计时,到预警信息生成为止。表 7为预警模型不同调度方式的时效性统计结果。从表 7可以看出,时间驱动的预警计算次数最少,由于受到时间间隔的影响,预警延迟时间较大,对一些突发性的滑坡而言,很容易漏掉变形关键信息。智能策略模式能够减少预警计算次数,同时在滑坡加速阶段切换为数据驱动模式,可及时捕捉变形信息。

      表 7  预警模型不同调度方式的时效性统计结果

      Table 7.  Time Effectiveness Statistics of Various Scheduling Methods of Early Warning Model

      调度方式 预警计算次数 平均延迟/s 最小延迟/s 最大延迟/s
      时间驱动 138 155.5 13 282
      数据驱动 1 002 1.9 0.5 3.2
      智能策略 594 26.8 0.5 212.0
    • 在滑坡实时监测预警中,预警模型的选取和调度非常重要,预警的时效性也不容忽视,如果红色预警信息发出的滞后时间过长,会降低其时效性,甚至导致预警失败。本文对监测预警整个环节中的时间进行分析,研究预警模型的调度算法,寻求最小限度地缩短预警时间,及时发出预警信息,实现真正的实时预警,得到以下结论与认识:

      1) 基于监测数据的特征,可将用于常规预警模型计算的监测数据分为3类:状态量、累积量与雨量数据。

      2) 预警模型的调度算法主要有时间驱动和数据驱动,两种算法各有优势,适用于不同的场景,将两种调度算法充分结合,可实现更合理的快速预警。

      3) 对于位移类的监测数据,基于策略的智能调度方式在滑坡变形初期可采用时间驱动模式,进入加速变形阶段后,采用数据驱动的模式进行预警模型调度,可以极大地减少预警计算次数,且能保证及时捕捉到关键的变形信息;对于状态类数据,可采用数据驱动的模式进行预警,以保障预警的及时性;对于雨量数据和雨量预警模型,建议采用时间驱动进行预警,结合数据特征确定时间间隔。

      4) 本文研发了一套预警等级求解器,采用多线程思路构建基于上述策略的预警模型通用计算框架,实现对滑坡的实时预警,同时提出预警信息发布策略,尽可能避免产生过多的预警信息而又不丢失关键预警信息,真正实现对滑坡的动态实时跟踪过程预警。

参考文献 (34)

目录

    /

    返回文章
    返回