基于多傳感器滑坡監(jiān)測(cè)預(yù)警系統(tǒng)設(shè)計(jì)及應(yīng)用

劉德陽(yáng)，溫宗周，李麗敏，程少康，徐根祺

（西安工程大學(xué)電子信息學(xué)院，西安710600）

1 引 言

我國(guó)幅員遼闊，但地形較為復(fù)雜，部分地區(qū)滑坡體災(zāi)害運(yùn)動(dòng)劇烈。大規(guī)模的資源開(kāi)發(fā)、工程興建等活動(dòng)，容易引發(fā)地質(zhì)災(zāi)害山體滑坡，已成為滑坡災(zāi)害頻繁發(fā)生的主要原因[1-3]。針對(duì)地質(zhì)災(zāi)害滑坡體的監(jiān)測(cè)預(yù)測(cè)預(yù)報(bào)，近些年許多相關(guān)的解決方案被相繼提出?，F(xiàn)有的滑坡監(jiān)測(cè)預(yù)警系統(tǒng)，針對(duì)地質(zhì)災(zāi)害滑坡體影響的因子參數(shù)采集較為單一，在野外惡劣自然條件下布設(shè)導(dǎo)線也很困難?；麦w遠(yuǎn)程監(jiān)測(cè)預(yù)警系統(tǒng)布設(shè)安裝存在成本高、長(zhǎng)距離布線信息傳輸延時(shí)等問(wèn)題[4]。日本齋騰迪孝提出的蠕變破壞理論概念，成功在日本高湯山實(shí)施，解決了單一化模型影響因素。各因素之間的關(guān)系和實(shí)際值預(yù)測(cè)值擬合度可用以推斷地質(zhì)災(zāi)害滑坡體概率，但因?yàn)轭A(yù)測(cè)預(yù)報(bào)的精度不夠高，存在一定的不確定性[5]。Mccann 使用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)降雨型的滑坡體災(zāi)害進(jìn)行短時(shí)間的預(yù)測(cè)預(yù)報(bào)，將BP 神經(jīng)網(wǎng)絡(luò)模型概率預(yù)測(cè)的方法應(yīng)用到降雨型的地質(zhì)災(zāi)害滑坡體災(zāi)害概率中。BP 神經(jīng)網(wǎng)絡(luò)模型具有可行性，但如果應(yīng)用在一個(gè)非線性的預(yù)測(cè)系統(tǒng)中，它也有一些缺點(diǎn)，比如說(shuō)在局部極小值的誤差較大，隨著時(shí)間的推移收斂速度逐漸減慢[6-7]。為解決上述BP 神經(jīng)網(wǎng)絡(luò)模型缺點(diǎn)，Broomhead 和Lowe 將徑向基函數(shù)（Radial Basis Function, RBF）應(yīng)用在分層網(wǎng)絡(luò)模型的設(shè)計(jì)中，在以后的實(shí)際研究中神經(jīng)網(wǎng)絡(luò)（Neural Networks, NN）方法在線性適應(yīng)和數(shù)值分析中都有使用[8-9]。

針對(duì)上述問(wèn)題設(shè)計(jì)系統(tǒng)，近距離多傳感器采集的數(shù)據(jù)采用無(wú)線射頻通信，遠(yuǎn)距離通訊采用GPRS，可保證數(shù)據(jù)信息可靠傳輸。使用RBF 神經(jīng)網(wǎng)絡(luò)模型的方法，經(jīng)過(guò)平均影響值（Mean Impact Value, MIV）方法建立地質(zhì)災(zāi)害滑坡體發(fā)生概率預(yù)測(cè)預(yù)報(bào)模型。為解決目前單個(gè)影響因子的問(wèn)題，將地質(zhì)災(zāi)害滑坡體發(fā)生的主要影響因子數(shù)據(jù)進(jìn)行融合。RBF 神經(jīng)網(wǎng)絡(luò)模型的輸入部分可以經(jīng)過(guò)MIV 算法篩選出對(duì)滑坡體影響的主要影響因子，將地質(zhì)災(zāi)害滑坡體發(fā)生的概率作為輸出。經(jīng)過(guò)不斷地對(duì)它的訓(xùn)練，再根據(jù)MIV 算法去除影響較小的影響因子，這樣就可以提高系統(tǒng)估算地質(zhì)災(zāi)害滑坡體發(fā)生概率的精確度[10]。

2 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

系統(tǒng)整體上采用裂縫位移、孔隙水壓力傳感器等設(shè)備，將采集的數(shù)據(jù)信息通過(guò)近距離無(wú)線通訊方式傳送至現(xiàn)場(chǎng)預(yù)警終端；現(xiàn)場(chǎng)預(yù)警終端對(duì)采集數(shù)據(jù)進(jìn)行簡(jiǎn)單的閾值判斷，同時(shí)將數(shù)據(jù)信息通過(guò)遠(yuǎn)距離無(wú)線通訊方式發(fā)送至中心站；中心站將采集的數(shù)據(jù)信息進(jìn)行分析，得出滑坡體區(qū)域的預(yù)報(bào)等級(jí)。系統(tǒng)由無(wú)線數(shù)據(jù)采集終端、現(xiàn)場(chǎng)預(yù)警終端、無(wú)線數(shù)據(jù)通訊、中心站和客戶端組成。地質(zhì)災(zāi)害滑坡預(yù)報(bào)系統(tǒng)總體結(jié)構(gòu)圖如圖1 所示。

圖1 地質(zhì)災(zāi)害預(yù)報(bào)系統(tǒng)總體結(jié)構(gòu)

系統(tǒng)選用STM32F103 系列芯片作為RTU 微處理器，足以滿足系統(tǒng)設(shè)計(jì)。采用12V 鋰電池為整個(gè)系統(tǒng)供電。程序下載方式采用SWD 方式，僅需2 根連線即可完成程序下載和代碼調(diào)試的任務(wù)。觸摸屏選用TFT-LCD 作為現(xiàn)場(chǎng)預(yù)警終端實(shí)時(shí)查詢、召測(cè)和設(shè)置等操作。GPRS 模塊選用SIM900A 芯片。無(wú)線射頻模塊選用CC1101 芯片。地質(zhì)災(zāi)害滑坡預(yù)報(bào)系統(tǒng)硬件框圖如圖2 所示。

圖2 滑坡預(yù)報(bào)系統(tǒng)硬件框圖

為了無(wú)線數(shù)據(jù)采集終端設(shè)計(jì)的便利和降低成本等要求，將所有通訊接口集于一體，設(shè)計(jì)WRTU，包括最小系統(tǒng)模塊、無(wú)線射頻模塊、電源模塊、AD 通訊模塊、脈沖通訊模塊、RS232 通訊模塊和RS485通訊模塊。

地質(zhì)災(zāi)害滑坡預(yù)報(bào)系統(tǒng)前端采用各傳感器對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)數(shù)據(jù)采集，系統(tǒng)近距離通訊采用無(wú)線射頻，保證數(shù)據(jù)可靠性傳輸；現(xiàn)場(chǎng)預(yù)警終端（SRTU）包含觸摸屏模塊，主要作用是實(shí)時(shí)查詢當(dāng)前滑坡災(zāi)害的參數(shù)信息和顯示超過(guò)各參數(shù)設(shè)定閾值的參數(shù)；GPRS 模塊負(fù)責(zé)現(xiàn)場(chǎng)預(yù)警終端和中心站之間遠(yuǎn)程通訊；報(bào)警模塊通過(guò)SRTU 發(fā)送的控制指令，控制報(bào)警器的啟動(dòng)和關(guān)閉；中心站實(shí)時(shí)預(yù)測(cè)地質(zhì)災(zāi)害滑坡發(fā)生的等級(jí)，其包括防火墻、服務(wù)器、預(yù)報(bào)模型、故障診斷系統(tǒng)和數(shù)據(jù)庫(kù)系統(tǒng)。此外，手機(jī)APP 客戶端和控制中心上位機(jī)可以用來(lái)接收或發(fā)送服務(wù)器發(fā)送的報(bào)文信息。

3 系統(tǒng)終端程序設(shè)計(jì)

系統(tǒng)上電后，首先進(jìn)行系統(tǒng)內(nèi)部初始化，初始化完成后，CC1101 進(jìn)入接收數(shù)據(jù)模式。然后掃描是否有按鍵操作或觸摸屏操作，若有，則執(zhí)行按鍵或觸摸屏程序。完成按鍵或觸摸屏程序后，檢驗(yàn)是否有召測(cè)指令，若沒(méi)有鍵按下，則直接檢測(cè)是否有召測(cè)指令。若有召測(cè)指令，則檢測(cè)召測(cè)任務(wù)類別，采集對(duì)應(yīng)的數(shù)據(jù)信息，通過(guò)GPRS 通訊方式上傳至中心站；若無(wú)召測(cè)指令，則按照預(yù)先設(shè)定的順序依次采集降雨量、土壤含水率、地表位移、次聲波和孔隙水壓力數(shù)據(jù)，并進(jìn)行閾值比較。最后若采集的數(shù)據(jù)信息超過(guò)預(yù)先設(shè)定的閾值，則CC1101 進(jìn)入發(fā)送數(shù)據(jù)模式，并下發(fā)報(bào)警指令，以及配置CC1101 數(shù)據(jù)包發(fā)送指令給報(bào)警模塊，采集的數(shù)據(jù)信息沒(méi)有超過(guò)預(yù)先設(shè)定的閾值，則配置GPRS 數(shù)據(jù)包發(fā)送采集的本組數(shù)據(jù)信息給中心站。滑坡預(yù)警終端軟件設(shè)計(jì)流程圖如圖3 所示。

圖3 滑坡預(yù)警終端軟件設(shè)計(jì)流程

4 滑坡影響因子篩選

從地質(zhì)災(zāi)害滑坡體監(jiān)測(cè)對(duì)象角度篩選影響因子，將土壤含水率、降雨量、孔隙水壓力、地表位移和次聲頻率等影響因子數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)采集[11]。根據(jù)《陜西山陽(yáng)縣地質(zhì)災(zāi)害調(diào)查與區(qū)劃報(bào)告》以及地質(zhì)結(jié)構(gòu)、周圍環(huán)境、歷史滑坡體災(zāi)害發(fā)生的變化趨勢(shì)，分析陜西山陽(yáng)縣地質(zhì)災(zāi)害山體滑坡的主要影響因子。如：x1為土壤含水率，x2為降雨量，x3為孔隙水壓力，x4為裂縫位移，x5為次聲頻率，x6為人為活動(dòng)，x7為巖土性質(zhì)，x8為凍融）；可以根據(jù)MIV 方法對(duì)這些滑坡體因子的影響權(quán)重比值來(lái)篩選預(yù)測(cè)輸入影響因子，減少模型訓(xùn)練步數(shù)和仿真時(shí)間。

MIV 實(shí)現(xiàn)過(guò)程如下：

1) 在八個(gè)變量 x1、x2、x3、x4、x5、x6、x7、x8的原有矩陣P 的基礎(chǔ)上加、減10%，變成新的樣本矩陣P1、P2，形如：

式中xmn表示第m 個(gè)因子的第n 個(gè)數(shù)值。

2) 采用拉格朗日插值法計(jì)算P1、P2中的每個(gè)變量，得出對(duì)應(yīng)的結(jié)果 L1、L2：

其中，L1、L2表示每個(gè)變量的差值，xk表示每個(gè)變量的均值，xi表示每個(gè)變量，此處n 為8。

3) 對(duì)L1和 L2進(jìn)行MATLAB 仿真。所得出的MIV 值如表1 所示?？梢?jiàn)，按其對(duì)滑坡災(zāi)害影響的大小排序?yàn)椋簒2＞x1＞x4＞ x3＞ x5＞x8＞x7＞x6。由此篩選出滑坡體災(zāi)害影響因子 x1、x2、x3、x4、x5作為訓(xùn)練樣本，x6、x7、x8影響極小,可以忽略不計(jì)。

表1 MIV 算法仿真結(jié)果

經(jīng)上述MIV 算法對(duì)滑坡體災(zāi)害的影響因子的篩選，最后選出降雨量、土壤含水率、孔隙水壓力、裂縫、次聲頻率五個(gè)滑坡影響因子作為預(yù)報(bào)預(yù)測(cè)模型輸入的參數(shù)。表2 為滑坡各影響因子數(shù)據(jù)量化結(jié)果。

表2 各因子作用和滑坡的關(guān)系量化

根據(jù)地質(zhì)災(zāi)害滑坡體災(zāi)害的損失、發(fā)生概率和危害等級(jí)，將地質(zhì)災(zāi)害滑坡災(zāi)害預(yù)警等級(jí)根據(jù)標(biāo)準(zhǔn)劃分為四級(jí)[12]。具體劃分情況如表3 所示。

表3 預(yù)警等級(jí)劃分

5 RBF神經(jīng)網(wǎng)絡(luò)模型

5.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF 徑向基神經(jīng)網(wǎng)絡(luò)收斂于局部的網(wǎng)絡(luò)模型，模型輸出的結(jié)果受連接權(quán)的影響比較小，一旦確定了連接權(quán)值基本上不需要重新設(shè)定。其優(yōu)點(diǎn)在于訓(xùn)練的學(xué)習(xí)速度較快，在實(shí)際應(yīng)用比較常用。地質(zhì)滑坡災(zāi)害預(yù)報(bào)的基本模型如圖4 所示。

圖4 RBF 神經(jīng)網(wǎng)絡(luò)模型

圖中，RBF 網(wǎng)絡(luò)模型輸入為MIV 篩選后的五個(gè)地質(zhì)災(zāi)害成災(zāi)影響因子，輸出為滑坡體災(zāi)害發(fā)生的概率值，模型中間的隱含層節(jié)點(diǎn)RBF 節(jié)點(diǎn)構(gòu)成由高斯核函數(shù)建立，如式：

此公式只對(duì)收斂的局部數(shù)據(jù)起到相應(yīng)的作用，最后由模型的隱含層節(jié)點(diǎn)給出較大的數(shù)值。其中，x 為n維輸入向量；神經(jīng)元徑向基節(jié)點(diǎn)數(shù)用r 表示，基函數(shù)中心由ci表示，δi決定著RBF 神經(jīng)網(wǎng)絡(luò)模型的隱含層中心點(diǎn)的聚集寬度；感知向量數(shù)用i 表示，每個(gè)單元的數(shù)目用m 表示，用表示x 與ci的距離。RBF 神經(jīng)網(wǎng)絡(luò)模型隱含層是通過(guò)它的自由組織和自適應(yīng)的方式進(jìn)行學(xué)習(xí)訓(xùn)練的，它的里面每一個(gè)參數(shù)是根據(jù)模型輸入量的分布情況而定的。模型的輸入輸出之間的關(guān)系是根據(jù)期望值來(lái)建立的。最終模型參數(shù)由此確定。

徑向基神經(jīng)元采用徑向基函數(shù)的網(wǎng)絡(luò)結(jié)構(gòu)，由隱含的徑向基層和輸出線性層組成，再根據(jù)第一個(gè)神經(jīng)元層的輸出顯示，依次類推，有：

式中，第一個(gè)神經(jīng)元的輸出用a 表示；d 代表網(wǎng)絡(luò)神經(jīng)元的輸入向量與權(quán)值向量之間的距離；N 表示RBF 神經(jīng)網(wǎng)絡(luò)模型輸入向量與權(quán)值向量元素的乘積以及他們之間的誤差之和，模型輸出的函數(shù)值是徑向基傳遞函數(shù)radbas 經(jīng)過(guò)計(jì)算求得。

5.2 滑坡模型建立

滑坡預(yù)報(bào)的過(guò)程分為兩步：①訓(xùn)練RBF 神經(jīng)網(wǎng)絡(luò)模型；②用已經(jīng)訓(xùn)練好的RBF 神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)地質(zhì)災(zāi)害滑坡發(fā)生概率。

對(duì)一個(gè)滑坡體采集一些數(shù)據(jù)，然后對(duì)這些數(shù)據(jù)做歸一化處理，將這些數(shù)據(jù)做為RBF 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的輸入數(shù)據(jù)：xi為{x1i,x2i,...,xni}。神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出數(shù)據(jù)：滑坡發(fā)生的概率Y 為{y1,y2,...,yn}。通過(guò)MIV 算法篩選后的變量為：x1為降雨量，x2為土壤含水率，x3為孔隙水壓力，x4為裂縫位移，x5為次聲頻率?；趯?duì)滑坡體的監(jiān)測(cè)數(shù)據(jù)，選n 為1000 的一組數(shù)據(jù)作為模型結(jié)構(gòu)訓(xùn)練數(shù)據(jù)。

對(duì)地質(zhì)滑坡災(zāi)害作出預(yù)報(bào)就是選出主要影響因子信息，根據(jù)這些數(shù)據(jù)預(yù)測(cè)出滑坡體發(fā)生災(zāi)害的概率Y。把篩選出來(lái)的主要影響因子作為RBF 神經(jīng)網(wǎng)絡(luò)的輸入量，RBF 神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)hi(x)由高斯核函數(shù)構(gòu)成，如式(2)所示RBF 神經(jīng)網(wǎng)絡(luò)模型的輸入、隱含層和輸出之間的關(guān)系函數(shù)如下式所示：

其中，Y 為RBF 神經(jīng)網(wǎng)絡(luò)的輸出，ωij為隱含層與輸入層之間的權(quán)值；i 為輸入變量的個(gè)數(shù)，設(shè)為5；b 為修正參數(shù)。

5.3 系統(tǒng)驗(yàn)證與應(yīng)用

使用陜西山陽(yáng)縣的滑坡體采集數(shù)據(jù)[13]為例，驗(yàn)證RBF 預(yù)報(bào)模型的準(zhǔn)確性。根據(jù)陜西山陽(yáng)縣的實(shí)際滑坡體情況，經(jīng)過(guò)MIV 算法篩選出：土壤含水率，降雨量，孔隙水壓力，裂縫位移和次聲頻率影響因子，并對(duì)這些數(shù)據(jù)進(jìn)行歸一化處理。

歸一化處理后，用newrb 函數(shù)構(gòu)建并進(jìn)行不斷地訓(xùn)練，程序代碼選用BP 網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，由地質(zhì)災(zāi)害滑坡預(yù)報(bào)模型和采集的影響因子的數(shù)據(jù)不斷地訓(xùn)練。MATLAB 中訓(xùn)練代碼如下：

如圖5 為訓(xùn)練窗口，從中可見(jiàn)網(wǎng)絡(luò)及運(yùn)行相關(guān)數(shù)據(jù)的結(jié)構(gòu)、網(wǎng)絡(luò)訓(xùn)練的算法、誤差函數(shù)和網(wǎng)絡(luò)訓(xùn)練過(guò)程中的動(dòng)態(tài)變化。網(wǎng)絡(luò)模型中迭代次數(shù)設(shè)定為1000。迭代453 次時(shí)，數(shù)據(jù)樣本就已經(jīng)到達(dá)收斂的程度。網(wǎng)絡(luò)完成訓(xùn)練后，達(dá)到預(yù)先設(shè)定目標(biāo)數(shù)值。

圖5 訓(xùn)練窗口

使用train 函數(shù)對(duì)RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行不斷地訓(xùn)練，仿真結(jié)果如圖6 和圖7 所示。圖6 中的虛橫線是訓(xùn)練數(shù)值達(dá)到最優(yōu)的位置，垂直虛線為RBF 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練到達(dá)的期望值，深色實(shí)線為RBF 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中的誤差實(shí)際變化曲線；圖7 中的實(shí)現(xiàn)和虛線分別表示輸出值與理想值之間的擬合程度。進(jìn)行不斷地仿真實(shí)驗(yàn)，通過(guò)測(cè)試可得出滑坡體數(shù)據(jù)預(yù)測(cè)結(jié)果。

圖6 訓(xùn)練目標(biāo)圖

圖7 樣本數(shù)據(jù)擬合曲線

使用手機(jī)APP 查詢滑坡體災(zāi)害數(shù)據(jù)，選擇了0000001 號(hào)監(jiān)測(cè)點(diǎn)，可以清楚地看到該點(diǎn)滑坡災(zāi)害具體數(shù)據(jù)值。APP 界面如圖8 所示。圖8(a)為登錄界面；圖8(b)為手機(jī)實(shí)時(shí)數(shù)據(jù)顯示，可以通過(guò)多種方式查詢滑坡體的歷史數(shù)據(jù)，如：屬性、監(jiān)測(cè)點(diǎn)編號(hào)和時(shí)間范圍等組合條件查詢讀取，可查詢到該監(jiān)測(cè)點(diǎn)監(jiān)測(cè)的歷史曲線圖；生成的滑坡體歷史數(shù)據(jù)曲線如圖8(c)所示。

圖8 手機(jī)端APP 界面及顯示

地質(zhì)災(zāi)害滑坡體監(jiān)測(cè)預(yù)警系統(tǒng)主要可用來(lái)實(shí)現(xiàn)對(duì)系統(tǒng)閾值的設(shè)定，采集影響因子數(shù)據(jù)，并對(duì)預(yù)測(cè)的概率進(jìn)行顯示[14]。系統(tǒng)的主界面提供了通道的選擇途徑；顯示界面部分的主要功能是對(duì)設(shè)備名稱、網(wǎng)絡(luò)通道IP 地址和采集影響因子的實(shí)時(shí)顯示?？赏ㄟ^(guò)觸屏的方式對(duì)時(shí)間、數(shù)據(jù)上報(bào)的時(shí)間間隔、網(wǎng)絡(luò)IP 地址和監(jiān)測(cè)點(diǎn)通道選擇等進(jìn)行設(shè)置。進(jìn)入到參數(shù)設(shè)置頁(yè)面后，首先要讀取系統(tǒng)的數(shù)據(jù)，如出現(xiàn)錯(cuò)誤就需要對(duì)相應(yīng)參數(shù)重新進(jìn)行設(shè)置。地質(zhì)災(zāi)害智能監(jiān)測(cè)預(yù)警系統(tǒng)的觸屏界面如圖9 所示。

圖9 地質(zhì)災(zāi)害智能監(jiān)測(cè)預(yù)警系統(tǒng)實(shí)物圖

經(jīng)過(guò)RBF 神經(jīng)網(wǎng)絡(luò)不斷訓(xùn)練，通過(guò)輸入的數(shù)據(jù)預(yù)測(cè)結(jié)果，可以根據(jù)公式(4)計(jì)算出地質(zhì)災(zāi)害滑坡體成災(zāi)發(fā)生的概率，并通過(guò)對(duì)發(fā)生概率的量化，得出其對(duì)應(yīng)的預(yù)報(bào)等級(jí)。最終的預(yù)報(bào)結(jié)果數(shù)據(jù)如表4 所示。

表4 原始數(shù)據(jù)及相應(yīng)的測(cè)試預(yù)報(bào)結(jié)果

從表中可以看出，將陜西山陽(yáng)縣2018 年3 月24 號(hào)前后幾天滑坡采集的數(shù)據(jù)輸入地質(zhì)滑坡體災(zāi)害RBF 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行災(zāi)害發(fā)生的等級(jí)預(yù)測(cè)預(yù)報(bào)，將輸出預(yù)測(cè)結(jié)果與原始采集的數(shù)據(jù)值進(jìn)行對(duì)比，可由對(duì)比分析得出模型理論預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)的平均誤差率約為0.18%，實(shí)驗(yàn)結(jié)果較為理想，驗(yàn)證了該地質(zhì)災(zāi)害滑坡體監(jiān)測(cè)預(yù)警系統(tǒng)預(yù)報(bào)結(jié)果的準(zhǔn)確性和可行性。

6 結(jié)束語(yǔ)

地質(zhì)災(zāi)害滑坡體監(jiān)測(cè)預(yù)警系統(tǒng)由野外監(jiān)測(cè)點(diǎn)和室內(nèi)監(jiān)測(cè)站組成，能對(duì)滑坡的多個(gè)傳感器的參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)采集，經(jīng)過(guò)GPRS/Internet 方式進(jìn)行遠(yuǎn)距離傳輸?shù)筋A(yù)警指揮控制中心，成本低廉，優(yōu)勢(shì)明顯。通過(guò)RBF 神經(jīng)網(wǎng)絡(luò)，采用MIV 算法進(jìn)行對(duì)成災(zāi)因子的篩選和對(duì)歷史數(shù)據(jù)訓(xùn)練，最后通過(guò)手機(jī)APP 和上位機(jī)方式輸出滑坡災(zāi)害預(yù)報(bào)概率，可以較為理想地達(dá)到預(yù)警滑坡災(zāi)害發(fā)生的目的，對(duì)人民生活及生命財(cái)產(chǎn)安全有著重要的意義。