基于GNSS的地理形变监测系统

技术领域

本发明涉及数据分析与清洗技术领域，具体涉及一种基于GNSS的地理形变监测系统。

背景技术

全球导航卫星系统GNSS是利用卫星、地面检测站等设备，能够通过接收卫星信号获取地表准确三维坐标，提供精准的位置、速度、时间等信息，为地理形变监测提供了强有力的技术保障。由于地球表面微小形变是山体滑坡、泥石流等重大地质灾害发生的重要前兆，因此对地理形变进行监测和研究对于预测和减轻地质灾害具有重要意义。

在地理形变监测过程中，地理形变数据可能会受到信号传播路径、接收设备等方面误差因素的干扰，导致获取的地理形变数据质量较差，无法保证监测数据的准确性和可靠性。故在地理形变监测分析过程中，通常利用监测数据间的欧式距离识别异常数据进行清洗剔除，提高监测数据质量；但由于欧式距离是通过监测系统采集数据所获取的，在采集传输的过程中无法保证数据的准确性，导致所识别的异常数据准确性及可信度低，从而使地理形变监测的监测效果不佳。

发明内容

为了解决仅根据地形监测数据的欧式距离识别剔除异常数据的准确性及可信度较低的技术问题，本发明的目的在于提供一种基于GNSS的地理形变监测系统，所采用的技术方案具体如下：

本发明提出一种基于GNSS的地理形变监测系统，所述系统包括：

监测数据采集模块，用于以预设采样频率获取滑坡隐患点处的地形监测数据的地形时序序列，及环境监测数据的环境时序序列；所述环境时序序列包括降雨量序列和土壤湿度序列；

监测数据分析模块，用于在所述降雨量序列中，根据每个时刻降雨量数据在前后相邻时刻的幅值变化，获取对应时刻的降雨量变化趋势；在所述土壤湿度序列中，根据每个时刻的土壤湿度数据在前后相邻时刻的幅值变化，获取对应时刻的土壤湿度变化趋势；分析每个时刻所述降雨量变化趋势及所述土壤湿度变化趋势间的关联性，获取对应时刻的环境监测数据的同趋系数；

异常数据剔除模块，用于在所述地形时序序列中，根据所述同趋系数获取任意两个所述地形监测数据间的度量距离；根据所述度量距离剔除异常地形监测数据；

地理形变监测模块，对所述地形时序序列中剔除异常地形监测数据后的地形监测数据进行监测。

进一步地，所述降雨量变化趋势的获取方法包括：

计算每个时刻的降雨量数据的后一相邻时刻降雨量数据与前一相邻时刻降雨量数据的第一幅值差值；

计算每个时刻的降雨量数据的后一相邻时刻降雨量数据与对应时刻降雨量数据的第二幅值差值；

将所述第二幅值差值加上预设第一正参数得到第一调参幅值差值；将所述第一幅值差值与所述第一调参幅值差值的比值，作为对应时刻的降雨量变化趋势。

进一步地，所述土壤湿度变化趋势的获取方法包括：

计算每个时刻的土壤湿度数据的后一相邻时刻土壤湿度数据与前一相邻时刻土壤湿度数据的第三幅值差值；

计算每个时刻的土壤湿度数据的后一相邻时刻土壤湿度数据与对应时刻土壤湿度数据的第四幅值差值；

将所述第四幅值差值加上预设第二正参数得到第二调参幅值差值；将所述第三幅值差值与所述第二调参幅值差值的比值，作为对应时刻的土壤湿度变化趋势。

进一步地，所述同趋系数的获取方法包括：

将每个时刻的所述降雨量变化趋势加上预设第三正参数作为所述同趋系数的分母，将对应时刻的所述土壤湿度变化趋势作为所述同趋系数的分子，所述分子与所述分母的比值作为对应时刻的所述同趋系数。

进一步地，所述度量距离的获取方法包括：

将所述同趋系数乘以对应时刻的所述地形监测数据，获得置信地形监测数据；获取任意两个所述置信地形监测数据间的欧式距离，得到度量距离。

进一步地，所述异常地形监测数据的剔除方法包括：

根据所述地形监测数据的所述度量距离，利用SOS异常数据检测算法计算对应所述地形监测数据的异常概率值，将大于预设异常概率阈值的所述地形监测数据剔除。

进一步地，所述预设异常概率阈值为0.8。

进一步地，所述地形监测数据包括所述滑坡隐患点处的位移数据、位移速率、倾斜角度。

进一步地，所述位移数据的获取方法包括：

根据所述滑坡隐患点在相邻时刻的经度、维度及高度的差异变化，获取对应时刻的位移数据。

进一步地，所述预设采样频率为10分钟每次。

本发明具有如下有益效果：

本发明首先以预设采样频率获取滑坡隐患点处的地形监测数据及环境监测数据的时序序列，考虑到降雨量及土壤湿度是引起山体滑坡的重要影响因素之一，故所采集的环境监测数据包括降雨量数据及土壤湿度数据，进而可以通过分析降雨量及土壤湿度数据的变化情况及变化关联性进一步判断地形变化的可能性及监测系统的采集传输准确性；通过计算降雨量监测数据在每个采集时刻下的变化趋势及土壤湿度监测数据在每个采集时刻下的变化趋势，分析两种环境监测数据变化趋势的关联性，获取两种环境监测数据在每时刻变化的同趋系数，同趋系数反映了降雨量及土壤湿度数据变化趋势的相似程度，同样也反映了监测系统的置信度，根据每时刻环境监测数据的同趋系数获取任意两个地形监测数据间的度量距离，进而根据度量距离剔除异常地形监测数据，对地形监测数据进行准确监测。本发明根据影响地理形变的降雨量及土壤湿度数据的变化趋势获取同趋系数，结合反映真实地理形变趋势的同趋系数为地形监测数据赋予置信系数获取度量距离，进而剔除异常地形监测数据，提高地理形变监测系统的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于GNSS的地理形变监测系统的系统框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于GNSS的地理形变监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于GNSS的地理形变监测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于GNSS的地理形变监测系统的系统框图，该系统包括：监测数据采集模块101、监测数据分析模块102、异常数据剔除模块103、地理形变监测模块104。

监测数据采集模块101，用于以预设采样频率获取滑坡隐患点处的地形监测数据的地形时序序列，及环境监测数据的环境时序序列；环境时序序列包括降雨量序列和土壤湿度序列。

本发明的地理形变监测系统需要根据环境变化对地理形变的影响及参考价值，获取根据全球导航卫星系统GNSS及传感器所采集的地理形变数据的置信水平，进而剔除异常地形数据，更准确地对地理形变进行监测。故本发明实施例通过监测数据采集模块101以预设采样频率获取滑坡隐患点处的地形监测数据的地形时序序列，及环境监测数据的环境时序序列；又考虑到滑坡隐患点处的降雨量及土壤湿度是引起山体滑坡和泥石流等地质灾害及地理形变的直接影响因素之一，故本发明实施例中的环境监测数据包括降雨量数据及土壤湿度数据，则所获取的环境时序序列包括环境时序序列包括降雨量序列和土壤湿度序列。

在本发明的一个实施例中，具体通过在滑坡隐患点处设置GNSS监测站，并在GNSS监测站上分别安装地形监测传感器和环境监测传感器，对滑坡隐患点处的地形数据及环境数据进行监测，其中地形监测数据包括滑坡隐患点处的位移数据、位移速率、倾斜角度。GNSS监测站中的地形监测传感器包括陀螺仪和加速器，用于监测获取隐患点的位移速率和倾斜角度数据；环境监测传感器则包括土壤湿度传感器和雨量传感器，用于获取滑坡隐患点处的土壤湿度及降雨量大小。

为获取滑坡隐患点的位移数据，本发明实施例进一步通过全球导航卫星系统GNSS获取滑坡隐患点处的经度、维度及高度三种数据，考虑到在GNSS信号传播过程中，易受到大气延迟等误差影响，导致GNSS监测站的定位精度不高，故在本发明的一个实施例中首先需利用基线解算和平差计算将GNSS观测站得到的原始数据转化为可靠数据，便于提高后续地理形变监测的准确性；基线解算通常采用载波相位观测值来进行，利用载波相位差分技术消除大气延迟等误差，获得高精度的相对位置信息；然后通过平差计算对基线解算得到的相对位置信息进行整体优化，通过建立数学模型，将观测值和先验信息结合，利用边观测和角观测的关系进行误差补偿和优化，得到全局一致的、相对可靠的各个GNSS监测站的绝对坐标和姿态信息；通过基线解算和平差计算，可以将原始的GNSS观测数据转化为可靠的空间位置和姿态数据成果。对GNSS观测站获取的原始数据进行一定的预处理后，通过计算相邻采集时刻所获取的经度、维度及高度数据组成的位置数据序列间的欧式距离，得到地形监测数据中的位移数据。在本发明的一个实施例中，具体以10分钟每次的采样频率获取地形监测数据及温度监测数据，然后使用LoRa/4G网络通讯模块将GNSS监测站采集的数据无线传输至云平台，并通过卡尔曼滤波数据进行预处理，改善数据的质量和可分析性，最后根据采集数据的时间节点顺序构建每种地形监测数据的地形时序序列，及每种环境监测数据的环境时序序列，每个序列中每个数据点为对应时间节点的监测数据。卡尔曼滤波算法是本领域技术人员熟知的现有技术，在此不再赘述。

监测数据分析模块102，用于在降雨量序列中，根据每个时刻降雨量数据在前后相邻时刻的幅值变化，获取对应时刻的降雨量变化趋势；在土壤湿度序列中，根据每个时刻的土壤湿度数据在前后相邻时刻的幅值变化，获取对应时刻的土壤湿度变化趋势；分析每个时刻降雨量变化趋势及土壤湿度变化趋势间的关联性，获取对应时刻的环境监测数据的同趋系数。

在地理形变监测的过程中，数据质量的控制非常重要，需要对数据进行严格的筛选、过滤和验证，排除可能存在的异常值和干扰因素，确保监测数据的准确性和可靠性。然而地理形变监测系统中，GNSS监测站获取地形监测数据的过程中会受到卫星信号、传播路径、接收设备等方面误差因素的干扰，导致获取的监测数据质量较差，无法保证监测数据的准确性和可靠性。

考虑到强降雨及土壤松散度是诱发滑坡主要原因之一，当强降雨时，大量雨水渗入坡体导致土壤中含水量饱和，不仅会使土壤颗粒的排列结构变松散，还会使土壤失去抗剪强度，边坡土壤更容易流动和变形；且当土壤中含水量饱和时，边坡体的重量增加，当超出其承受范围时，坡体将会崩塌，因此强降雨和土壤湿度的变化趋势应当与滑坡隐患点的地形变化趋势是大致相同的，即降水量越大，土壤湿度越大，地形变化的可能性越大。故本发明实施例首先在降雨量序列中，根据每个时刻降雨量数据在前后相邻时刻的幅值变化，获取对应时刻的降雨量变化趋势；并在土壤湿度序列中，根据每个时刻的土壤湿度数据在前后相邻时刻的幅值变化，获取对应时刻的土壤湿度变化趋势；进而可以分析土壤湿度变化趋势及降雨量变化趋势的关联性判断GNSS监测站所获取传输的环境检测数据是否存在异常，进而评估地形监测数据在采集传输过程中出现异常的可能性。

优选地，在本发明的一个实施例中，考虑到数据在前后相邻时刻的幅值变化差异反映了数据在每个时刻的相对变化趋势。基于此，降雨量变化趋势的获取方法包括，计算每个时刻的降雨量数据的后一相邻时刻降雨量数据与前一相邻时刻降雨量数据的第一幅值差值；计算每个时刻的降雨量数据的后一相邻时刻降雨量数据与对应时刻降雨量数据的第二幅值差值；将第二幅值差值加上预设第一正参数得到第一调参幅值差值；将第一幅值差值与第一调参幅值差值的比值，作为对应时刻的降雨量变化趋势。降雨量变化趋势的计算公式具体表示为：

式中，

在降雨量变化趋势的计算公式中，分子表示当前时刻的后一时刻的降雨量与前一时刻的降雨量的幅值差值，而分母则表示调参后的后一时刻降雨量与当前时刻降雨量的幅值差异，通过比值的形式反映了当前时刻与前一时刻的降雨量幅值相对当前时刻与后一时刻的降雨量幅值的变化情况，当比值大于1时，说明降雨量随时间变化呈单调递增或递减的趋势，且当比值越趋近于1时，当前时刻的后一相邻时刻内数据变化越剧烈；当比值小于1时，说明降雨量随时间变化无固定变化趋势，即先增后减或先减后增的不规则变化趋势。

优选地，在本发明的一个实施例中，土壤湿度变化趋势的获取方法包括，计算每个时刻的土壤湿度数据的后一相邻时刻数据与前一相邻时刻土壤湿度数据的第三幅值差值；计算每个时刻的土壤湿度数据的后一相邻时刻土壤湿度数据与对应时刻土壤湿度数据的第四幅值差值；将第四幅值差值加上预设第二正参数得到第二调参幅值差值；将第三幅值差值与第二调参幅值差值的比值，作为对应时刻的土壤湿度变化趋势。土壤湿度变化趋势的计算公式具体表示为：

式中，

在土壤湿度变化趋势的计算公式中，分子表示当前时刻的后一时刻的土壤湿度与前一时刻的土壤湿度的幅值差值，而分母则表示调参后的后一时刻土壤湿度与当前时刻土壤湿度的幅值差异，通过比值的形式反映了当前时刻与前一时刻的土壤湿度幅值相对当前时刻与后一时刻的土壤湿度幅值的变化情况，当比值大于1时，说明土壤湿度随时间变化呈单调的变化趋势，且当比值越趋近于1时，当前时刻的后一相邻时刻内数据变化越剧烈；当比值小于1时，说明土壤湿度随时间变化无固定变化趋势，即先增后减或先减后增的不规则变化趋势。

由于降雨过程中，土壤湿度是随降雨量的增大而逐渐增大的，若地理形变监测系统中所采集传输的土壤湿度数据及降雨量数据在每个采集时刻都具有相同的变化趋势，则可认为监测系统在每个时刻所采集传输的地形监测数据置信度较高，且当具有相同变化趋势的土壤湿度数据与降雨量数据的变化是随时间逐渐增大时，地形监测数据的变化可能性将越大。基于此，本发明实施例通过分析降雨量变化趋势及土壤湿度变化趋势间的关联性，获取对应时刻的环境监测数据的同趋系数。

优选地，在本发明的一个实施例中，考虑到当土壤湿度数据及降雨量数据在每个采集时刻都具有相同的变化趋势，环境监测数据的置信度越高，侧面反映地形监测数据的置信度也越高；又考虑到两个环境监测数据变化趋势的比值反映了变化趋势的相似度。基于此，同趋系数的获取方法包括，将每个时刻的降雨量变化趋势加上预设第三正参数作为同趋系数的分母，将对应时刻的土壤湿度变化趋势作为同趋系数的分子，分子与分母的比值作为同趋系数。同趋系数的计算公式表示为：

式中，

在同趋系数的计算公式中，根据土壤湿度数据与降雨量数据的变化趋势比获取两个环境监测数据变化趋势的相似程度，进而判断地理形变监测系统所采集的数据能否反应真实的变化情况，侧面反映出地理形变监测系统的准确性，同时也侧面反映了土壤湿度及降雨量对地形变化的影响，当土壤湿度越大，土壤松散度越大，地形监测数据变化的可能性也越大。在本发明的其他实施例中也可以通过计算差值、欧式距离等其他数学手段获取两监测数据是否具有相似的变化趋势，进而获取同趋系数。

异常数据剔除模块103，用于在地形时序序列中，根据同趋系数获取任意两个地形监测数据间的度量距离；根据度量距离剔除异常地形监测数据。

度量距离在异常数据监测过程中可以用于评估数据点之间的相似度或差异程度，判断数据点是否符合正常分布范围，如果某个数据点与其他数据点之间的度量距离较大，则数据点存在异常的可能性越大；又考虑到监测数据分析模块102获取的同趋系数反映了环境监测数据的置信度，同时也侧面反映了地形监测数据的异常可能性，故本发明实施例在地形时序序列中，根据同趋系数获取任意两个地形监测数据间的度量距离。

需要说明的是，每种地形监测数据的度量距离的获取方法一致，在此仅以一种位移数据为例，获取位移数据的度量距离，并在后续根据位移数据的度量距离剔除异常位移数据。

优选地，在本发明的一个实施例中，度量距离的获取方法包括，将同趋系数乘以对应时刻的地形监测数据，获得置信地形监测数据；获取任意两个置信地形监测数据间的欧式距离，得到度量距离。度量距离的计算公式表示为：

式中，

在度量距离的计算公式中，将同趋系数作为位移数据的系数，当同趋系数越趋近于1时，监测系统所采集的数据置信度越高，置信地形监测数据中的置信位移数据也越趋近于监测系统所采集的位移数据，此时获取的度量距离的置信度也越高，反之，当同趋系数为非趋近于1的其他数值时，将对所采集的位移数据赋予一定的异常权重，改变位移数据的度量距离，则数据异常的可能性越大。

通过上述度量距离的计算公式获取任意两个位移数据间的度量距离后，考虑到通过异常数据检测算法可以根据度量距离获取每个数据的异常概率，进一步可根据异常概率剔除不符合要求的异常数据，故本发明实施例根据度量距离剔除异常位移数据。

优选地，在本发明的一个实施例中，异常地形监测数据的剔除方法包括，根据地形监测数据的度量距离，利用SOS异常数据检测算法计算对应地形监测数据的异常概率值，将大于预设异常概率阈值的地形监测数据剔除。在本发明实施例中具体采用SOS异常数据检测算法计算对应地形监测数据的异常概率值。由于SOS异常数据检测算法为现有技术，此处不再过多赘述，仅简述本发明一个实施例下通过SOS异常数据检测算法获取异常概率值的简要步骤：

首先根据地形监测数据之间的度量距离获取相异度矩阵，获取相异度矩阵后计算关联度矩阵，然后计算出关联概率矩阵，根据关联概率矩阵，计算出每个地形监测数据的异常概率值。

获取每个地形监测数据的异常概率后，将大于预设异常概率阈值的地形监测数据剔除，不作为地理形变监测的参考数据。在本发明的一个实施例中，预设异常概率阈值为0.8，在具体应用中，实施者可根据具体情况进行设置。

地理形变监测模块104，对地形时序序列中剔除异常地形监测数据后的地形监测数据进行监测。

通过上述异常数据剔除模块103将异常地形监测数据从地形时序序列中清洗剔除，获取了准确的高质量地形监测数据。将清洗后的地理形变数据传输至地理形变监测模块104中进行存储监测，当隐患点的地理形变程度偏离正常范围时，对其进行预警，帮助人们采取防范措施，减少灾害造成的损失，也便于后续进行地质灾害预警或作为地理形变分析的参考依据。

综上，本发明首先以预设采样频率获取滑坡隐患点处的地形监测数据及环境监测数据的时序序列，其中环境监测数据包括降雨量数据及土壤湿度数据；然后通过计算降雨量监测数据在每个采集时刻下的变化趋势及土壤湿度监测数据在每个采集时刻下的变化趋势，根据两种环境监测数据在每时刻的变化趋势的关联性获取同趋系数；根据同趋系数获取任意两个地形监测数据间的度量距离，进而剔除异常的地形监测数据，对地形监测数据进行准确监测。本发明根据影响地理形变的降雨量及土壤湿度数据的变化趋势获取同趋系数，结合反映真实地理形变趋势的同趋系数为地形监测数据赋予置信系数获取度量距离，进而剔除异常地形监测数据，提高地理形变监测系统的准确性。

一种基于GNSS的地理形变监测数据清洗系统实施例：

在地理形变监测过程中，地理形变数据可能会受到信号传播路径、接收设备等方面误差因素的干扰，导致获取的地理形变数据质量较差，故通常利用监测数据间的欧式距离识别异常数据进行清洗剔除；但由于欧式距离是通过监测系统采集数据所获取的，在采集传输的过程中无法保证数据的准确性，导致所识别的异常数据准确性及可信度低，进而导致数据清洗效果不佳。本发明提供一种基于GNSS的地理形变监测数据清洗系统，所述系统包括：

监测数据采集模块101，用于以预设采样频率获取滑坡隐患点处的地形监测数据的地形时序序列，及环境监测数据的环境时序序列；环境时序序列包括降雨量序列和土壤湿度序列。

监测数据分析模块102，用于在降雨量序列中，根据每个时刻降雨量数据在前后相邻时刻的幅值变化，获取对应时刻的降雨量变化趋势；在土壤湿度序列中，根据每个时刻的土壤湿度数据在前后相邻时刻的幅值变化，获取对应时刻的土壤湿度变化趋势；分析降雨量变化趋势及土壤湿度变化趋势间的关联性，获取对应时刻的环境监测数据的同趋系数。

异常数据剔除模块103，用于在地形时序序列中，根据同趋系数获取任意两个地形监测数据间的度量距离；根据度量距离剔除异常地形监测数据。

其中，监测数据采集模块101、监测数据分析模块102和异常数据剔除模块103在上述一种基于GNSS的地理形变监测系统实施例中已给出了详细说明，不再赘述。

本发明首先以预设采样频率获取滑坡隐患点处的地形监测数据及环境监测数据的时序序列，考虑到降雨量及土壤湿度是引起山体滑坡的重要影响因素之一，故所采集的环境监测数据包括降雨量数据及土壤湿度数据，进而可以通过分析降雨量及土壤湿度数据的变化情况及变化关联性进一步判断地形变化的可能性及监测系统的采集传输准确性；通过计算降雨量监测数据在每个采集时刻下的变化趋势及土壤湿度监测数据在每个采集时刻下的变化趋势，并分析两种环境监测数据变化趋势的关联性，获取两种环境监测数据在每时刻变化的同趋系数，同趋系数反映了降雨量及土壤湿度数据变化趋势的相似程度，同样也反映了监测系统的置信度；根据每时刻环境监测数据的同趋系数获取任意两个地形监测数据间的度量距离，进而根据度量距离剔除异常地形监测数据。本发明根据影响地理形变的降雨量及土壤湿度数据的变化趋势获取同趋系数，结合反映真实地理形变趋势的同趋系数为地形监测数据赋予置信系数获取度量距离，进而剔除异常地形监测数据，改善地理形变监测数据清洗系统的清洗效果。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。