徐根祺 ， 溫宗周 ， 李麗敏 ， 馬婧 ， 姚怡

（1. 西安交通工程學院電氣工程學院，西安 710300；2. 西安工程大學電子信息學院 ，西安710048；3. 中國葛洲壩集團第三工程有限公司，西安710065；4. 西安理工大學，西安710048；5. 西安科技大學高新學院城市建設學院，西安710109）

0 引 言

我國幅員遼闊，地質環(huán)境多變，常年受到地質災害侵襲[1]。泥石流災害具有爆發(fā)頻率高、發(fā)生區(qū)域廣、不易監(jiān)測及不確定性等特點， 嚴重威脅著人民生命財產安全[2-3]。 目前世界上對泥石流的研究已經具備了較為系統(tǒng)的理論和方法， 例如泥石流的定義、判別、分類及性質、形成機制及影響因子、發(fā)生規(guī)模及頻率、空間分布及范圍、風險性及危害性、預測及預警等[4-10]。 研究技術也越來越成熟，除了基礎的資料收集、野外踏勘及室內定性評價外，還包括物理實驗模型、 數(shù)值模擬，GIS、RS、GPS 技術及現(xiàn)代非線性理論的應用等[11-12]。

世界各國對泥石流的系統(tǒng)研究工作中,有學者通過貝葉斯理論分析泥石流的風險性[13],有科研人員建立了三維平臺地質災害評價系統(tǒng)對泥石流災害進行分析[14],也有研究者將支持向量機和BP 神經網(wǎng)絡應用于泥石流預測比較[15]，還有研究人員提出了一種基于遺傳算法優(yōu)化BP 神經網(wǎng)絡的區(qū)域泥石流易發(fā)性評價模型[16]。

然而對于這些研究方法而言，無論是泥石流災害歷史數(shù)據(jù)的數(shù)量，還是對數(shù)據(jù)進行分析評判所采用的算法，都會影響最終的準確性。 為了解決目前研究中泥石流災害數(shù)據(jù)量不足、數(shù)據(jù)獲取困難且預警準確率不高的問題，本文設計了用于泥石流災害影響因子數(shù)據(jù)采集和災害預警的泥石流災害預警系統(tǒng)，并利用最優(yōu)路徑森林算法對所采集的數(shù)據(jù)進行分析評判，最終預測出泥石流災害發(fā)生的概率。

1 系統(tǒng)總體結構

本系統(tǒng)中需要采集的信息包括：降雨量、土壤含水率、孔隙水壓力、地聲、次聲、斷線和流速，用到的相應傳感器分別為：雨量傳感器、土壤含水率傳感器、孔隙水壓力傳感器、地聲傳感器、次聲傳感器、斷線傳感器和流速傳感器。傳感器將采集到的數(shù)據(jù)以近距離無線通信方式向現(xiàn)場預警單元傳輸，現(xiàn)場預警單元負責接收傳感器數(shù)據(jù)并對數(shù)據(jù)進行分析，之后再經遠距離無線通信方式向遠程監(jiān)控單元傳輸，最后由遠程監(jiān)控單元進行綜合評判并對災害做出預警提示。

本系統(tǒng)由數(shù)據(jù)采集單元、現(xiàn)場預警單元、通信單元、報警單元、遠程監(jiān)控單元和客戶端組成，系統(tǒng)總體結構如圖1 所示。

圖1 系統(tǒng)總體結構Fig. 1 System architecture

2 系統(tǒng)硬件平臺

2.1 整體方案

泥石流災害多級預警系統(tǒng)綜合運用無線射頻、GPRS 遠距離無線傳輸和多傳感器融合等技術，將可能爆發(fā)泥石流的山區(qū)的影響因子信息逐級傳送，現(xiàn)場預警單元和遠程監(jiān)控單元分級對泥石流災害進行預警。

為了實現(xiàn)監(jiān)測系統(tǒng)的設計和功能的擴展,本文采用一體化的形式將所有傳感器無線數(shù)據(jù)采集單元的通信接口集成在一起。無線數(shù)據(jù)采集單元由包括射頻單元、電源單元、RS232 通信單元、脈沖通信單元、最小系統(tǒng)單元、RS485 通信單元和AD 通信單元在內的多個模塊共同構成。 除了電源單元和最小系統(tǒng)單元外， 現(xiàn)場預警單元的基本構成部分還包括GPRS 單元、人機交互單元、無線射頻單元和脈沖通信單元。

根據(jù)泥石流災害監(jiān)測預警系統(tǒng)的需求，將無線射頻單元用于無線數(shù)據(jù)采集單元和現(xiàn)場預警單元之間的信息傳輸；將GPRS 無線通信單元和人機交互單元用于現(xiàn)場預警單元； 脈沖數(shù)據(jù)采集接口和RS485 接口用于無線數(shù)據(jù)采集單元。 考慮到MSP430F149 芯片具有超低功耗、低電壓和低成本等優(yōu)點[17]，本設計中將其用于無線數(shù)據(jù)采集單元。

現(xiàn)場預警單元采用STM32F103 作為微處理器。現(xiàn)場預警單元和無線數(shù)據(jù)采集單元工作時所需電源均由充電控制器、 鋰電池和太陽能光伏板組成的電源單元提供。程序下載模式采用SWD 方法。為實現(xiàn)可供現(xiàn)場工作人員操作的影響因子狀態(tài)查詢和參數(shù)設定等功能， 現(xiàn)場預警單元采用TFT-LCD 顯示器作為人機交互單元。 因SIM5310 芯片具有性價比高、適用范圍廣等諸多優(yōu)點[5]，故遠程監(jiān)控單元和現(xiàn)場預警單元之間選擇使用該芯片進行通信。 考慮到AS32_TTL_100通信距離長和超低功耗的特點，現(xiàn)場預警單元和無線數(shù)據(jù)采集單元之間通過該芯片進行通信。泥石流災害監(jiān)測預警系統(tǒng)硬件框圖如圖2 所示。

圖2 泥石流災害預警系統(tǒng)硬件示意Fig. 2 Hardware block diagram of debris flow warning system

2.2 傳感器選型

該監(jiān)測預警系統(tǒng)由多種傳感器組成，需要進行監(jiān)測采集的數(shù)據(jù)較多，且數(shù)據(jù)呈現(xiàn)分布不均勻、種類多樣復雜的特點[18-20]，所以在系統(tǒng)監(jiān)測設計中，傳感器的選型顯得尤為重要。 經分析監(jiān)測預警系統(tǒng)所需數(shù)據(jù)的精度，結合市場上多種傳感器信息，本部分完成傳感器的選型工作，其使用的主要傳感器及參數(shù)如表1 所列。

2.3 監(jiān)測單元

由于造成泥石流災害的各影響因子信息具有種類不一、量綱各異以及數(shù)據(jù)不平衡等特點，因此將多種不同類型的傳感器引入到泥石流災害預警系統(tǒng)的設計當中。 系統(tǒng)中數(shù)據(jù)收集工作由各無線傳感器采集單元完成，各傳感器都有相應的監(jiān)控分機，監(jiān)控分機能夠控制傳感器、 獲取傳感器的數(shù)據(jù)信息以及通過無線射頻單元發(fā)送數(shù)據(jù)。 系統(tǒng)中所有的傳感器構成分布式無線傳感器自組網(wǎng)，該網(wǎng)絡結構簡單，維護和維修工作也較為便捷。 分布式無線傳感器自組網(wǎng)設計的核心是電源供電單元， 該模塊是泥石流災害預警系統(tǒng)安全穩(wěn)定工作的可靠保障， 但是由于本系統(tǒng)的應用場所多為溝壑縱橫、環(huán)境惡劣的山區(qū)，設備安裝不便且供電困難，因此本設計采用太陽能結合蓄電池的方式為系統(tǒng)供電。 日間，太陽能板將太陽能轉為電能以保障系統(tǒng)運行，同時為蓄電池充電。 夜間，在沒有太陽能的情況下，系統(tǒng)依靠蓄電池維持其正常工作。 圖3 所示為電源供電原理圖。

表1 傳感器選型及參數(shù)Table 1 Sensor selection and parameters

圖3 電源供電原理示意Fig.3 Power supply principle block diagram

3 預警算法

本系統(tǒng)的關鍵是要保證泥石流災害預警的準確性和實時性。 因此，此處將最優(yōu)路徑森林[21]（OPF）算法引入本系統(tǒng)對泥石流災害發(fā)生概率進行預測。

最優(yōu)路徑森林算法的實現(xiàn)包括2 個過程： 訓練過程和分類過程，該方法類屬于有監(jiān)督分類，是一種基于最優(yōu)路徑的分類方法。 在訓練階段，競爭過程從原型計算開始，找到屬于不同標簽的類邊界的元素。為此，首先構建完全圖（如圖4（a）所示），然后在原始圖上計算最小生成樹（MST），再將具有不同標簽的連接元素標記為原型。圖4（b）顯示了帶有界限原型的MST。之后，就可以開始原型之間的競爭過程，用以構建最優(yōu)路徑森林，如圖4（c）所示。通過從驗證集（圖4（d）中的藍色三角形）中取樣并將其連接到所有訓練樣本來進行分類。 計算到達所有訓練節(jié)點的距離并用于加權弧。 最后，每個訓練節(jié)點通過為測試樣本提供路徑成本函數(shù)從而計算出路徑成本（沿路徑的最大弧長），并且提供最小路徑成本的訓練節(jié)點將征服所有的測試樣本，該過程如圖4（e）所示。

圖4 最優(yōu)路徑森林實現(xiàn)過程Fig. 4 Optimal path forest realization process

訓練過程中， 將總的樣本集合Z 分為訓練集Z1和驗證集Z2，用Z1進行分類器的訓練。 假設Z1的樣本數(shù)為N， 其中每個樣本ai具有M 個屬性， 分別為ai1，ai2，…，aiM。首先構建由 N 個樣本組成的完全圖 A，完全圖的每一個節(jié)點都是訓練集Z1的一個樣本，對于完全圖中的所有節(jié)點， 兩兩之間都由弧進行連接，弧的權值aiM通過節(jié)點間的Euclid 距離來表示（也可用其它距離表示，如Canberra 距離等）。

首先根據(jù)完全圖A 生成最小生成樹MST， 接著在所生成的MST 中， 需要求解2 個不同類節(jié)點間的連接弧，這2 個不同類別的節(jié)點就是OPF 中樹的根節(jié)點（由于不同類別節(jié)點間的連接弧可能不止一個，因此同類別樹的根節(jié)點可能也有多個）。路徑為多個節(jié)點構成的節(jié)點序列 π=＜s1，s2，…，sk＞，其中（si，si+1）∈A 且 1≤i≤k-1。 像π= s1（ ）這樣只擁有一個節(jié)點的路徑，將其定義為簡單路徑。 為每條路徑π 指定一個成本函數(shù)f，則存在成本 f（π）與該路徑對應。 路徑 π 為最優(yōu)路徑的充分必要條件為：對于和該路徑擁有共同終點sk的其它任一路徑成立f（π）。 用 π·＜s，t＞表示?。約，t＞與以 s 為終點的路徑 π 構成的路徑。 對于最優(yōu)路徑森林OPF 中的每一條路徑， 根據(jù)路徑成本函數(shù)fmax，即可求出其成本。再由最優(yōu)根節(jié)點的原理可得出各節(jié)點成本函數(shù)fmax和成本的表示方法：

位于路徑π 上的全體兩兩相鄰的節(jié)點之間的最大距離用fmax（π）表示，其中路徑π 為非平凡路徑。全部路徑中擁有相同終點且成本最小的路徑稱為最優(yōu)路徑。 最優(yōu)路徑森林OPF 算法的目標即為尋求根節(jié)點的集合S 到訓練集Z1的每個節(jié)點的最優(yōu)路徑以構建最優(yōu)路徑森林，與此同時能夠求出每一個節(jié)點的最優(yōu)路徑成本C（t）、位于最優(yōu)路徑上的前驅節(jié)點s=Pre（t）和該節(jié)點類別 L（R（s））（R（s）為 s 所在的最優(yōu)路徑樹的根節(jié)點）。

以下為求取節(jié)點t 的類別的步驟：首先求出節(jié)點s、t 之間距離 d（s，t）的最大值；接著求得位于最優(yōu)路徑上的節(jié)點t 的前驅節(jié)點s 的成本C（s）；然后以上述二者的最大值作為節(jié)點t 的成本C（t）；再接下來求解其前驅節(jié)點最優(yōu)路徑上的根節(jié)點的類別L（R（s））；最后 L（R（s））的類別就是節(jié)點 t 的類別。

分類過程中，首先在驗證集Z2中任取一個元素t（即對于?t∈Z2），計算節(jié)點t 到訓練集Z1中所有元素的距離。然后考慮連接訓練集Z1中所有節(jié)點路徑的成本，找到使得節(jié)點t 的成本最小的路徑，則該路徑就是最優(yōu)路徑P*（t），t 的成本就是最優(yōu)路徑中節(jié)點t 的成本， 節(jié)點t 同該最優(yōu)路徑的根節(jié)點具有相同的類別，即 L（t）=λ（R（t） ）。

其中 C（t）=min{max{C（s），d（s，t） } }，?s∈Z1。

4 實例研究

完成泥石流災害監(jiān)測預警系統(tǒng)設計后，將本系統(tǒng)用于陜西省山陽縣境內泥石流災害多發(fā)區(qū)，對泥石流災害影響因子進行收集， 部分傳感器采集的樣本數(shù)據(jù)如表2 所列。 同時結合地形地貌因素，最終選取出6 個主要影響因子對泥石流發(fā)生概率進行預測， 通過對多地區(qū)泥石流災害相關參數(shù)變化的研究并參考相關文獻[8，22-24]，總結出各影響因子與泥石流發(fā)生概率的關系及表征意義， 如表3所列[8]。

從所有數(shù)據(jù)中按時間序列選取2 000 組數(shù)據(jù)作為數(shù)據(jù)集，將其中1 800 組作為訓練樣本；剩余200 組作為驗證樣本，將數(shù)據(jù)做歸一化處理后，利用最優(yōu)路徑森林算法對預警準確率和訓練時間進行驗證，并將最優(yōu)路徑森林算法的預測結果分別與常用的遺傳算法優(yōu)化BP 神經網(wǎng)絡、邏輯回歸和支持向量機進行了對比，結果如表4 所列。

表2 部分樣本數(shù)據(jù)Table 2 Part of the sample data

表3 影響因子表征意義及分級Table 3 Significance and classification of influence factors

表4 4 種模型驗證樣本預測結果Table 4 Forecast results of four models 單位：%

從表4 結果可以看出， 實驗結果中最優(yōu)路徑森林算法的預測結果與實際結果相比更接近于實際值，而遺傳算法優(yōu)化BP 神經網(wǎng)絡、邏輯回歸和支持向量機的預測結果與實際結果相差較大。

除預測結果以外， 通過準確率和訓練時間對4 種模型的性能進行比較，結果如表5 所列。

表5 4 種模型準確率和訓練時間對比Table 5 Comparison of accuracy and training time

表5 數(shù)據(jù)表明，相較于遺傳算法優(yōu)化BP 神經網(wǎng)絡、邏輯回歸和支持向量機，最優(yōu)路徑森林具有較高的準確率和較快的訓練時間。

此外，同時通過準確率，精確度、誤報率和漏報率4 個指標， 對該系統(tǒng)的預測效果進行定量分析，結果如表6 所列。

表6 分析結果對比Table 6 Comparison of analysis results

通過與 GA_BP 模型、Logistic 模型和 SVM 模型進行對比，表6 結果顯示最優(yōu)路徑森林的準確率和精確度較高，而誤報率和漏報率較低。 以上結果表明在泥石流發(fā)生過程中采用監(jiān)測預警系統(tǒng)對泥石流災害影響因子進行采集，并在系統(tǒng)中引入適當?shù)乃惴ň涂梢詫δ嗍鳛暮Πl(fā)生的概率進行預測，進而對發(fā)生概率較大的災害及時做出預警。

5 結 論

從泥石流災害防治的目的出發(fā)，通過對泥石流災害研究方法的分析，從總體結構、整體方案以及軟件設計3 方面設計了一套集監(jiān)測、采集、分析、評價等功能于一體的泥石流災害監(jiān)測預警系統(tǒng)。將該系統(tǒng)應用于實際工程案例中，結果表明本系統(tǒng)既能夠對泥石流災害影響因子進行實時監(jiān)測，還能夠對所監(jiān)測到的數(shù)據(jù)進行分析，并根據(jù)分析結果自行對泥石流災害進行預警，將本系統(tǒng)用于泥石流災害防治是可行的，為現(xiàn)階段的泥石流災害研究提供了一種新的手段。