裂缝计监测滑坡变形数据实时过滤方法及应用.pdf

第36卷第4期2023年8月Vol.36 No.4Aug.2023四川轻化工大学学报（自然科学版）Journal of Sichuan University of Science&Engineering(Natural Science Edition)收稿日期：2022-12-14基金项目：四川省科技厅重点研发项目(21ZDYF2842);地质灾害防治与地质环境保护国家重点实验室开放基金项目(SKLGP2022K008);四川矿产资源研究中心开放基金项目(SCKCZY2022-YB017)通信作者：亓 星(1988-),男,副教授,博士,研究方向为地质灾害监测预警与预测评价,(E-mail)文章编号：20967543（2023）04008008DOI:10.11863/j.suse.2023.04.10裂缝计监测滑坡变形数据实时过滤方法及应用曹汝亮，亓 星，杨 浪，刘 焕（四川轻化工大学土木工程学院，四川 自贡 643000）摘 要：为解决滑坡预警过程中因监测误差导致变形监测系统产生误报的情况，以黑方台陈家6号和党川4号滑坡裂缝计监测数据为对象进行数据过滤。首先，基于格拉布斯准则构建变形数据过滤模型；然后，结合实际情况与试验分析，选择格拉布斯过滤模型中所用的参数，其中样本数为3，显著值为0.05；最后，将监测数据导入格拉布斯数据过滤模型中，实现裂缝计累计位移数据的实时过滤。结果表明：陈家6号和党川4号累计位移数据波动分别减少了65.82%和69.46%，累计位移-时间曲线得到了较好的平滑，且预报不存在明显滞后情况，有效降低了预警误报。该研究结果对后续变形监测数据过滤的深入研究和实际应用具有重要的参考价值。关键词：滑坡；裂缝计；实时过滤；格拉布斯准则；数据波动中图分类号：P642.22文献标识码：A引 言“十四五”规划和二三五年远景目标中提出了“统筹发展和安全，建设更高水平的平安中国”的建议，其中明确表示要提升地质灾害防御工程标准，并提高防灾、减灾、抗灾、救灾能力1。近年来，随着我国地质灾害监测技术的不断创新发展，采用物联网技术进行监测预警是目前最经济有效的减灾手段，特别是可以避免大量的人员伤亡2。而裂缝计作为基于物联网监测滑坡预警设备的重要组成部分，其获取的监测数据所形成的曲线能够用于识别滑坡所处的变形阶段3，有助于对滑坡发展趋势做出准确的判断4。然而，在实际应用中发现，虽然裂缝计监测数据整体拟合后的曲线与普遍认同的滑坡变形三阶段模型中的模拟曲线相似，但将各阶段进行局部放大后发现，监测数据会呈现上下波动状态，其主要原因是监测设备存在精度误差。因此，裂缝计所监测的数据还需要进行过滤处理，才能更好地展现滑坡变形阶段，从而提升预警能力。为此，一些学者提出了多种对监测到的异常数据进行实时过滤的方法，如拉依达准则5-6、狄克松检验7和t检验8等。滑坡演变是一个长期且复杂的过程9，这些方法虽能有效地过滤掉异常数据，使滑坡变形监测数据波动幅度得到明显减小，但过滤过程中所需样本数较多或过滤程度较高，很难真正地达到实时过滤和过滤准确性要求，可能会导致监测系统漏报、误报，而且在实际应用中未对裂缝计所记录的滑坡变形全第36卷第4期曹汝亮，等：裂缝计监测滑坡变形数据实时过滤方法及应用过程数据进行分析，这些方法不具有一定的普适性。因此，解决裂缝计监测数据实时过滤问题，是还原真实滑坡变形数据的重要需求，也是真正实现临滑时间预报的关键10。基于此，本文利用常见裂缝监测设备获取滑坡变形全过程累计位移量，以实时过滤异常数据为切入点，构建出过滤前后的累计位移-时间曲线吻合度高、以格拉布斯准则为基础的具有一定普适性的过滤方法，进一步确保过滤的准确性和实时性，减少滑坡变形监测系统处理数据的程序，为滑坡预警提供可靠性高的实时过滤异常数据的方法。1 滑坡变形监测技术及数据特征1.1 基于裂缝计的滑坡变形监测技术裂缝计是一种将机械位移量转换成电信号的设备，在监测滑坡变形过程中不仅具有连续高精度、全天候监测的能力11，而且可以直接获取滑坡地表相对位移。裂缝计与现代物联网通信技术（如4G/5G/LoRa等）相结合，构建滑坡变形实时监测传感网络12。由此，当裂缝计监测到被测物体相对位移较大时，能够触发监测系统及时通过电话、短信、微信等多种手段实时预警，提醒后台工作人员对预警信息及时有效处理，紧急时刻提醒滑坡周围居民撤离危险区，预防工程安全事故的发生。裂缝计目前常采用自适应变频采集技术，即发生较大相对位移时会触发裂缝计自动提高采集频率，如正常采集频率为1次/h，提升采集频率后最高可达到 3600次/h。但长时间高频采集会引发供电和存储空间不足等一系列问题12，所以在实时监测过程中，需要判断系统预报的较大相对位移是真实发生还是误差所引起，尽可能地减少误报情况，避免造成不必要的恐慌。1.2 裂缝计监测滑坡变形数据特征裂缝计实时监测滑坡变形过程中产生的误差主要包括粗大误差和偶然误差，在对实时监测数据进行处理时也主要针对以上2种误差进行过滤13-14。误差的存在会使滑坡监测的累计位移-时间曲线出现波动状态，因此很难反映出滑坡真实变形情况，导致监测系统不能及时准确地做出判断，如图1所示。其中偶然误差一般由许多无法控制的内在和外在的偶然因素所引起，如空气扰动、零件之间的碰撞摩擦等因素。它在实时监测过程中很难消除，监测数据会在一定的范围内因偶然误差而呈现微小的上下波动形态，但实际上坡体并没有产生滑移。粗大误差产生的原因既有主观因素又有客观因素。主观因素主要是使用了具有缺陷的测量仪器，而客观因素主要是滑坡变形监测过程中受到外界震动、机械冲击等因素影响，使监测仪器发生较大的相对位移，从而导致监测值发生突变。因此，在实际应用过程中偶然误差和粗大误差中的客观因素是不可避免的，但是可以通过人为的数据处理，尽可能地减小异常值的出现；而粗大误差中的主观因素可以通过试验进行仪器调试来避免和消除。图1 误差所引起的监测累计位移波动特征812023年8月四川轻化工大学学报（自然科学版）2 滑坡监测异常数据实时过滤的方法2.1 格拉布斯准则格拉布斯准则检验法的优点在于判断可疑值取舍的过程中，将正态分布中的2个最重要参数（平均值和标准差）引进来，故其准确性较高15。因此使用格拉布斯准则前需要设滑坡变形监测数据符合正态分布，再将变形监测数据按照时间进行排序，即监测数值为X1,X2,X3,Xn，其中n为选取滑坡变形监测总样本数。检验第i个样本的样本数值Xi是否为异常数据的过程如下：首先计算样本平均值-X和标准差S，即-X=1ni=1nXi（1）S=1n-1i=1n(Xi-X)2（2）其次确定显著值a和临界值g(n,a)。显著值又称概率水平，因为在进行推断的过程中不能够保证100%的正确率，所以会有一定的概率值，格拉布斯准则将显著值设定为0.05和0.01，即过滤后的监测数据可信度可达95%和99%。同时，显著值并不是越高越好，设置过高的显著值表面上过滤数据效果好，但经过事后分析会发现很多不应被过滤的数据被过滤掉，导致监测系统漏报；设置过低的显著值会导致过滤效果未能达到预期效果，使监测系统产生误报。在显著值a和样本数n确定后，可根据格拉布斯准则临界表选取临界值16。最后将确定后的平均值、标准差和临界值代入式（3）进行判别。i=|Xi-X g(n,a)S（3）式中i为残余误差的绝对值。如果残余误差的绝对值大于等于临界值与标准差的乘积，则判断出此滑坡变形监测值存在较大误差，应该过滤；反之若小于临界值与标准差的乘积则表示监测值不存在误差或误差较小，可以不予过滤。2.2 滑坡监测数据异常值过滤流程根据滑坡变形规律与格拉布斯准则取样要求，首先将样本数n划分为24、6、3（即24 h、6 h、3 h为一小组），显著值a分别取0.01和0.05。通过试验分析发现，样本数取24、6时，预警时间有一定程度的滞后，很难达到及时预警的要求。另外，当显著值为0.05时的过滤异常值效果比0.01更好，监测数据波动次数明显下降。因此，最终确定样本数取3，显著值取0.05作为临界值的参数。监测数据异常值过滤流程如图2所示。具体流程为：建立数据缓冲区，即统计每小时滑坡监测数据的平均值-X和标准差S；每3 h为一小组，其中每小时的累计位移量记为X1,X2,X3，代入格拉布斯判别式中，将保留值输出并计算平均值A1，若全部过滤则记为0。同理将紧后的 3 h记为第二小组，即X4,X5,X6，代入判别式后将保留值输出并计算平均值A2。继续取第二小组紧后的3 h，以A1和A2为第三小组判别式的前两个样本，对第三小组的数据进行判别，过滤异常数据，保留正常监测值。将以上步骤记为一大组，每大组之间相互独立，互不干扰。每天更新一次，即每天0点以后监测系统记录的第一个值为第一大组中第一小组的X1。图2 监测数据异常值过滤流程82第36卷第4期曹汝亮，等：裂缝计监测滑坡变形数据实时过滤方法及应用3 过滤方法的应用地处甘肃省宁夏回族自治州永靖县盐锅峡镇的黑方台，自 1968 年以来，在黑方台台塬 10.7 公里的范围内，先后发生上百次滑坡17-19。其中2017 年发生的陈家 6 号与党川 4 号滑坡均为农业灌溉引发的典型黄土滑坡20-21。通过获取裂缝计监测的黑方台两个滑坡累计位移量与时间（监测开始与滑坡发生时间见表 1）之间的关系，将监测数据代入以格拉布斯准则为基础的过滤方法中，模拟实时过滤异常数据场景，分析过滤前后数据波动情况及累计位移-时间曲线的差异性，有助于探索高效的监测方法，提升滑坡监测预警准确性与及时性。表1 黑方台滑坡变形监测开始与滑坡发生时间序号12滑坡名称陈家6号滑坡党川4号滑坡监测开始时间2017-02-182017-05-25滑坡发生时间2017-05-172017-09-303.1 黑方台陈家6号滑坡陈家6号滑坡从监测开始到滑坡发生共经历了3个阶段，即从缓慢匀速变形阶段开始监测，经过匀速变形阶段，最后到加速变形阶段，如图3所示。因此，以滑坡变形3个阶段划分为基础，通过分析裂缝计监测记录的陈家6号滑坡1720组数据，并采用实时过滤方法后，最终保留了754组数据，波动次数由863次降低至295次，减少了65.82%的波动，累计位移-时间曲线得到了有效的平滑。同时，将过滤前后累计位移数据进行直线拟合，发现过滤前后拟合直线斜率相近，分别为0.89和0.79（图4），且拟合直线整体吻合度较高，进一步为过滤的准确性提供了保障。图3 陈家6号滑坡变形全过程图4 陈家6号滑坡过滤前后拟合直线对比3.1.1 缓慢匀速变形阶段该阶段裂缝计监测数据从无到有，滑坡体危险程度小，累计位移-时间曲线呈现频繁的上下波动状态，但整体波动幅度不大，如图5所示。图5中除3月21日、4月1日及4月8日外，其他时间段累计位移-时间曲线均出现了长时间小范围频繁震荡，但实际上相对位移并没有发生改变，且出现了缓慢匀速变形阶段的最大波动量，这就会导致裂缝计记录并储存较多的异常数值。832023年8月四川轻化工大学学报（自然科学版）图5 陈家6号滑坡缓慢匀速变形阶段累计位移-时间曲线缓慢匀速变形阶段为定频监测，频率为1次/h，一共监测记录936组数据。将数据导入格拉布斯准则实时过滤方法中，模拟实时过滤异常值，最终保留了424组数据。分析发现监测数据的上下波动次数由396次减少至131次，最大波动量由1.3 mm缩减至0.5 mm，最大振幅由2 mm降至1.9 mm，最小监测数据0 mm和最大监测数据2 mm被监测系统确定为异常数据，且成功过滤。保留下来的数据形成的累计位移-时间曲线与原有曲线高度吻合，并未发生较大差异，可见过滤方法在缓慢匀速变形阶段得到了很好的应用。3.1.2 匀速变形阶段该阶段坡体在重力和外界影响因素下，发生相对位移，从而使累计位移-时间曲线整体呈现一定幅度的阶梯式上升趋势。相比于缓慢匀速变形阶段，该阶段变形速率更高，发生的相对位移更大（图6）。累计位移-时间曲线先呈现平缓的上下震荡，然后陡然增加。在曲线相对平缓处，裂缝计受到精度影响大，监测数据异常值较多；相反在曲线斜率较大处，坡体相对位移是真实存在的，因而受到精度影响小，异常值相应较少。图6 陈家6号滑坡匀速变形阶段累计位移-时间曲线匀速变形阶段监测频率同缓慢匀速变形阶段一样，均为1次/h。从4月9日到5月2日一共监测记录了459组数据，将监测数据导入格拉布斯实时过滤模型中，模拟实时过滤异常值，最终保留了194组数据，波动次数由209次降至68次，平缓阶段累计位移-时间曲线的波动明显减少，相对过滤前整体较为平滑，其中异常数据最大波动量从0.9 mm下降至0.7 mm。过滤后保留的数据形成的曲线无论平缓或陡然，都能与原数据所形成的曲线在发展趋势上基本相同，保证了实时过滤方法在匀速变形阶段能得到良好的应用。3.1.3 加速变形阶段该滑坡阶段累计位移将呈现直线式增长，内部摩擦力和内聚力急剧减小，周围裂缝逐渐贯通，直到坡体失去稳定性。加速变形阶段的变形速率远远大于前两个阶段，尤其是在加速变形阶段后期，84第36卷第4期曹汝亮，等：裂缝计监测滑坡变形数据实时过滤方法及应用累计位移-时间曲线接近陡立（图7）。该阶段的过滤效果决定了是否能够成功预警，也是整个实时过滤方法能否得到很好应用的关键。图7 陈家6号滑坡加速变形阶段累计位移-时间曲线加速变形阶段的监测频率不同于前两个阶段。该阶段由于相对位移连续加速增加，滑坡变形已经进入不可逆的状态。为及时预警和防止突发性滑坡，监测频率在加速变形阶段前期会提升至2次/h，后期会达到6次/h。从5月3日到5月13日一共监测记录325组数据。将监测数据导入格拉布斯实时过滤模型中，模拟实时过滤异常值，最终保留了136组数据，波动次数由258次降低至96次。过滤前该阶段曲线无明显上下波动，整体呈现上升趋势，但过滤后的曲线会更加平滑，且过滤前后曲线吻合良好，没有较明显的延迟，能够满足及时预警的需求。3.2 黑方台党川4号滑坡加速变形阶段是整个边坡变形过程中最关键的阶段。为确保该实时过滤方法具有一定普适性且不会影响预警，对监测开始就处于加速阶段的党川4号滑坡进行实时过滤异常值试验。从5月25日到9月30日滑坡失稳阶段共监测记录1942组数据，经过过滤后保留 1124组数据，波动次数由 1169次降低至357次，减少了69.46%的波动。将过滤前后累计位移数据进行直线拟合，发现过滤前后拟合直线斜率相近，分别为2.17和2.11（图8）。同时，将过滤前后的累计位移-时间曲线进行比较（图9），发现曲线重合度高，无明显的差异，且过滤后曲线更加平滑，没有明显的迟滞，不会影响预警，进一步验证了格拉布斯准则实时过滤方法的普适性。图8 党川4号滑坡过滤前后拟合直线对比图9 党川4号滑坡变形阶段累计位移-时间曲线852023年8月四川轻化工大学学报（自然科学版）4 结 论本文提出了一种裂缝计监测滑坡变形过程中对异常值实时过滤的方法。该方法可为监测系统减轻存储负荷，并使监测曲线平滑，提高预警可靠度。主要得到以下结论：1）滑坡变形监测过程中，由于裂缝计会受到偶然误差和粗大误差的影响，累计位移-时间曲线会出现上下波动，不可能一直呈现平滑状态，所以在系统监测记录时需要对异常值进行过滤，尽可能使累计位移-时间曲线相对平滑。2）以格拉布斯准则为基础的过滤异常值试验中，两处滑坡变形监测数据整体波动次数均能下降60%以上，最大波动量得到有效的减小，且能够较好地还原出累计位移-时间曲线，满足预警信息发布的需求。3）在模拟实时过滤过程中，该方法能够对滑坡变形监测数据进行实时分析，及时返还保留监测值，预警时间不存在明显的滞后，能够较好地满足滑坡发生前及时预警的要求。参考文献：1 于文善,潘杰.习近平减灾救灾认识论析J.思想政治课研究,2021(4):41-52.2 陈宁生,丁海涛.物联网技术在山地灾害监测预警中的应用需求、现状、问题与突破展望J.自然杂志,2014,36(5):352-355.3 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(6):1104-1112.4 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):111-121.5 何朝阳.滑坡实时监测预警系统关键技术及其应用研究D.成都:成都理工大学,2020.6 王勇,董欣悦,刘先林,等.针对滑坡位移监测的数据预处理方法研究J.西部交通科技,2022(3):11-13,185.7 王智伟.黄土滑坡多源异构监测数据融合算法研究D.西安:长安大学,2020.8 晏慧能,戴吾蛟,温亚鑫.一种t检验和特征函数处理位移时序方法J.测绘科学,2022,47(9):60-66.9 解明礼,赵建军,巨能攀,等.多源数据滑坡时空演化规律研究以黄泥坝子滑坡为例J.武汉大学学报(信息科学版),2020,45(6):923-932.10 亓星,修德皓,程关文,等.滑坡变形监测数据的实时过滤方法及应用J.水利水电技术(中英文),2022,53(7):129-138.11 韩军强.高精度GNSS实时滑坡变形监测技术及环境建模分析研究J.测绘学报,2020,49(3):397.12 亓星.突发型黄土滑坡监测预警研究D.成都:成都理工大学,2017.13 苏金亮,黎盟,艾露,等.基于北斗GNSS的边坡自动化实时监测数据处理及变形预测方法J.水电能源科学,2022,40(5):146-150.14 杨背背,殷坤龙,杜娟.基于时间序列与长短时记忆网络的滑坡位移动态预测模型J.岩石力学与工程学报,2018,37(10):2334-2343.15 朱赵辉,孙建会,王万顺,等.基于格拉布斯准则的小波阈值去噪算法研究J.西北水电,2011(S1):45-48.16 李汭烜,吴丹,刘青依,等.格拉布斯检验法在读数仪误差分析中的应用J.河南水利与南水北调,2019,48(12):72-75.17 XU L,YAN D D.The groundwater responses to loess flowslides in the Heifangtai platformJ.Bulletin of Engineering Geology and the Environment,2019,78(7):4931-4944.18 XU Q,PENG D L,ZHANG S,et al.Successful implementations of a real-time and intelligent early warning system for loess landslides on the Heifangtai terrace,ChinaJ.Engineering Geology,2020,278:105817.19 YANG D D,QIU H J,HU S,et al.Spatiotemporal distribution and evolution characteristics of successive landslides on the Heifangtai tableland of the Chinese Loess PlateauJ.Geomorphology,2021,378:107619.20 曾珠.基于InSAR技术分析甘肃黑方台已滑及潜在滑坡区地表形变D.成都:电子科技大学,2019.86第36卷第4期曹汝亮，等：裂缝计监测滑坡变形数据实时过滤方法及应用21 ZHANG F Y,WANG G H,PENG J B.Initiation and mobility of recurring loess flowslides on the Heifangtai irrigated terrace in China:insights from hydrogeological conditions and liquefaction criteriaJ.Engineering Geology,2022,302:106619.引用格式：中 文:曹汝亮,亓星,杨浪,等.裂缝计监测滑坡变形数据实时过滤方法及应用J.四川轻化工大学(自然科学版),2023,36(4):80-87.英 文:CAO R L,QI X,YANG L,et al.Real time filtering method and application of landslide deformation data monitored by crack meterJ.Journal of Sichuan University of Science&Engineering(Natural Science Edition),2023,36(4):80-87.Real Time Filtering Method and Application of Landslide Deformation Data Monitored By Crack MeterCAO Ruliang,QI Xing,YANG Lang,LIU Huan(School of Civil Engineering,Sichuan University of Science&Engineering,Zigong 643000,China)Abstract:In order to solve the situation that the deformation monitoring system generates false alarm due to monitoring errors in the process of landslide warning,the data filtering is carried out with the monitoring data of Heifangtai Chenjia No.6 and Dangchuan No.4 landslide crack meter.Firstly,the deformation data filtering model is constructed based on the Grubbs criterion;then,the parameters used in the Grubbs filtering model are selected by combining the actual situation with the experimental analysis,where the sample number is 3 and the significant value is 0.05;finally,the monitoring data are imported into the Grubbs data filtering model to realize the real time filtering of the cumulative displacement data of the crack meter.The results show that the fluctuations of cumulative displacement data of Chenjia 6 and Dangchuan 4 are reduced by 65.82%and 69.46%,respectively,and the cumulative displacement-time curve is smoothed out better,and there is no obvious lag in the forecast,which effectively reduced the early warning false alarm.The results of this study have important reference value for the in-depth research and practical application of subsequent deformation monitoring data filtering.Key words:landslide;crack meter;real time filtering;Grubbs criterion;data fluctuation87