Предлагаем вниманию читателей немного сокращенный адаптированный перевод статьи исследователей из Индии и Саудовской Аравии «Оперативная количественная оценка показателей оползневой опасности с использованием беспроводных датчиков и управления данными на основе искусственного интеллекта». Эта работа была опубликована в рецензируемом журнале Computational Intelligence and Neuroscience («Вычислительный интеллект и нейронаука») издательством Hindawi по лицензии CC BY 4.0. Данная лицензия позволяет копировать и распространять статью на любом носителе и в любом формате, адаптировать, видоизменять и создавать новое, опираясь на нее, в любых целях, включая коммерческие, при указании ссылки на первоисточник. В данном случае полная ссылка на первоисточник приведена в конце перевода.
Возможности беспроводных сенсорных сетей позволили разработать крупномасштабные системы внутреннего мониторинга. Датчики могут играть большую роль в прогнозировании оползней: в составе беспроводной локальной сети они могут эффективно работать для картирования, выявления, анализа и прогнозирования оползневых процессов и явлений в удаленных районах и т.д. Беспроводная сенсорная сеть (БСС) состоит из автономных датчиков, распределенных в пространстве для мониторинга физических и других параметров окружающей среды, таких как температура, звук, давление и др. Соответствующий сервис дистанционного управления включает в себя систему мониторинга с получением расширенной информации и помогает пользователю понять проблему и сфокусироваться на ней, если работа БСС говорит о возможности катастрофического события и может в перспективе отследить его.
В данной публикации показана эффективность применения беспроводных сенсорных сетей и алгоритмов искусственного интеллекта (ИИ), в частности логистической регрессии, для мониторинга оползней в реальном времени. БСС выполняет наблюдение за факторами, вызывающими оползни, такими как количество атмосферных осадков, влажность грунта, поровое давление воды и смещения, в режиме реального времени. В статье рассматриваются проблемы, связанные с отслеживанием поведения склонов, а также результаты анализа данных, позволяющие их решать. Использование БСС и ИИ дает возможность мониторинга развития быстрых оползней в режиме реального времени. Предложенная система продемонстрировала выполнение мониторинга оползней в реальном времени, необходимое для своевременного информирования людей об опасных ситуациях через систему оповещения.
Каждый год почти в каждом регионе происходят сотни оползней. Они случаются все чаще под действием многочисленных факторов, таких как изменения климата, деятельность человека и особенности рельефа [1]. Такие события обычно случаются во время сильных дождей, когда изменяются уровни подземных вод. В редких случаях оползни сходят неожиданно, когда никто не предвидел этого. Для отслеживания изменений незначительных элементов с целью прогнозирования и своевременного выявления оползней необходим постоянный мониторинг.
Оползни со склонов могут представлять угрозу для расположенных поблизости зданий и сооружений [2]. Основная цель мониторинга оползней – защита людей и этих строительных объектов. При существующих технологиях модель может охватить огромную территорию, на которой возможны оползни. Но систему мониторинга невозможно развернуть во всех опасных местах, чтобы полностью защитить жителей и зоны движения транспорта [3]. В дополнение к получению информации для разработки мер по улучшению характеристик грунтовых массивов, слагающих склоны, еще одной целью мониторинга является своевременное и точное выявление оползней.
Одним из наиболее эффективных инструментов для оперативного оповещения о природных или техногенных бедствиях является искусственный интеллект (ИИ). И здесь критически важно использование беспроводных сенсорных сетей (БСС), в том числе и для своевременного оказания медицинской помощи в условиях таких катастроф, как оползни. БСС могут работать крупномасштабно с обеспечением масштабируемости, гибкости, минимального технического обслуживания и т.д. [2, 3]. Несмотря на такие ограничения, как небольшой объем памяти, низкие мощность и пропускная способность, беспроводные сенсорные сети все равно являются одними из лучших систем мониторинга в режиме реального времени, поскольку могут работать в опасных условиях и характеризуются низкими требованиями к техническому обслуживанию.
За последние два десятилетия многие системы ИИ широко использовались в том числе для сейсмического анализа. Основные преимущества подходов на основе искусственного интеллекта заключаются в обеспечении точности количественных оценок и повторяемости результатов, в способности анализировать влияние различных факторов и возможности постоянного усовершенствования [4].
БСС можно рассматривать как систему для прогноза состояния грунтовой среды. Предлагаемая модель мониторинга оползней с использованием ИИ представлена на рисунке 1. На нем показана интеграция множества датчиков, беспроводных узлов, серверов, шлюзов и инструментов прогнозирования с помощью искусственного интеллекта [5]. Эта система интегрирована в структуру склона, предрасположенного к оползням, для постоянного мониторинга параметров, влияющих на оползнеобразование, с помощью инклинометров, диэлектрических датчиков влажности, геофонов, тензометров и пьезометров [6]. Стратегически продуманное размещение беспроводных узлов в грунтовом массиве позволяет создать единую беспроводную ячеистую сеть для передачи информации с датчиков на компьютер через промежуточные беспроводные узлы.
Рис. 1. Мониторинг оползней с использованием беспроводных датчиков и искусственного интеллекта
Для мониторинга, проверки, хранения и отображения данных, полученных через беспроводные узлы, связанные с множеством датчиков, а также для отправки местным органам власти и населению аудиовизуальных оповещений, SMS-сообщений и предупреждений по электронной почте о возможном сходе оползней используются алгоритмы прогнозирования этих событий на основе искусственного интеллекта.
Источник питания беспроводных узлов пополняется с помощью солнечной панели, заложенной в конструкцию системы [7, 8].
Обзор литературы
Джорджетти и др. [1] использовали сети геологических датчиков и датчиков движения. Всякий раз, когда значение параметра, полученное узлом, превышало заданный порог, соответствующая информация передавалась в удаленный центр. Активировались датчики движения. Можно устанавливать колонны датчиков под землей – в специально пробуренных вертикальных скважинах глубиной, например, 30 м. Точность измерений порового давления и смещений грунта на разной глубине можно повысить без использования камер благодаря большому количеству интеллектуальных устройств.
Канунго и др. [3] обсудили установку специального телескопа для мониторинга оползня Пакхи в Гархвальских/Западных Гималаях в Индии в режиме реального времени. Цель заключалась в выявлении механики движения этого опасного оползня. Такой метод является дорогостоящим и нецелесообразным. Однако можно установить пороговое количество атмосферных осадков и при его превышении отправлять соответствукющую информацию через систему оповещения (на основе данных, полученных от автоматических метеостанций).
Сурьяванши и Дешпанде [4] использовали различные виды датчиков. В том числе они рассмотрели подходы к созданию беспроводных сенсорных сетей для непрерывного мониторинга оползневых рисков в опасных местах. Их исследование включало применение множества сетевых интерфейсов для передачи данных с помощью технологий беспроводной связи ZigBee, WI-FI в удаленные аналитические центры. В некоторые системы также был встроен модуль GSM для передачи тревожных оповещений по мобильной связи жителям близлежащих районов.
Вэй Чэнь и др. [5] рассказали о последних оползневых событиях, последствия которых становились все более серьезными, а различные исследования по борьбе с ними и защите от них стали привлекать все больше внимания. Одной из основных тем исследований стала возможность прогнозирования предрасположенности территорий к оползням в зависимости от уровней грунтовых вод, что может быть использовано для планирования и проектирования в сферах землеустройства и градостроительства в холмистых районах.
Сюйдун [7] исследовал возможность использования такого ансамблевого метода машинного обучения, как стекинг. При этом в качестве базовых методов обучения для были выбраны: метод опорных векторов, искусственная нейронная сеть, логистическая регрессия и наивный байесовский классификатор. Для оценки уровней их значимости совместно применялись метод повторной выборки и корреляционный анализ по Пирсону.
Ван Хоа и Такаяма [8] описали беспроводную сенсорную сеть для обнаружения катастроф в удаленных районах. Конструкция этой системы включала три компонента: локальную систему узлов, облачную систему и центральную систему (систему управления). Была разработана подходящая программа управления, в которой центральная система распределяла несколько типов данных (данные узлов, локальной системы узлов и др.) по группам для мониторинга состояния поля (текущего состояния территории) и состояния удаленных узлов. Центральная система и облачная система могли управляться с использованием аналогичных наборов данных.
В работе [9] рассматриваются следующие из наиболее распространенных типов оползней. Ротационные/вращательные оползни имеют поверхность скольжения выпуклой формы, то есть в виде обратной стороны ложки, и движутся более или менее вращательно (вокруг горизонтальной оси. – Ред.). Трансляционные/поступательные оползни характеризуются перемещением основной массы дисперсных и скальных грунтов вперед/наружу или вниз и вперед/наружу (часто по плоской или слегка наклонной поверхности скольжения. – Ред.) с минимальным присутствием вращения или обратного наклона. В последних двух случаях может происходить опрокидывание (topple) – когда отдельный фрагмент скального грунта отделяется, отклоняется или движется вперед, вращаясь, падая, отскакивая или катясь вниз по склону. При мониторинге территории беспроводной сенсорный узел преобразует аналоговые данные, поступившие от датчика, в количественную информацию, необходимую для того, чтобы машина могла их воспринимать. Кроме того, эти данные передаются на шлюз. Микропроцессор беспроводной сенсорной сети, основанной на поправке IEEE 802.15.4e к стандарту IEEE 802.15.4, включает беспроводной приемопередатчик, источник питания, модуль энергосбережения и микроконтроллер, осуществляющий сбор аналоговых сигналов, поступающих от датчиков [10]. Программное обеспечение, встроенное в микросхему, обеспечивает возможность подключения сенсорных узлов к любому узлу, расположенному вблизи территории мониторинга, с использованием функций самоорганизации. Подключенное устройство анализирует полученную информацию и передает ее с использованием метода пошаговой/прыжковой передачи (hopping technique) на сенсорный узел и дальше [11]. Посредством многоступенчатой/многопрыжковой маршрутизации данные наблюдений передаются через ряд сетевых узлов и достигают шлюза.
Оползни – это очень сложные процессы и явления, на которые влияют несколько факторов, включая количество дождевых осадков, сейсмические события, погодные условия, динамику влажности, поровое давление, дренаж, подвижки склонов и др. В настоящее время для мониторинга оползней имеется множество технологий дистанционного зондирования с использованием спутниковых наблюдений [12]. Основным преимуществом таких подходов является то, что они позволяют обследовать огромные территории с высоким пространственным разрешением и возможностью трехмерного анализа. Методы дистанционного зондирования хорошо подходят для картирования уязвимостей, рисков и последствий катастроф. Но они имеют такое ограничение, как отсутствие возможностей для полноценного мониторинга в режиме реального времени, поскольку это требует долгосрочных повторных наблюдений со спутников [1, 13]. Для отслеживания огромных объемов подповерхностной среды применяются неинвазивные геофизические исследования с использованием сейсмических, электромагнитных, георадиолокационных/георадарных, электротомографических и многих других методов. Однако эти методы являются косвенными и приводят к неоднозначным выводам, что ограничивает их использование для достоверных оповещений [14].
Проведение мониторинга оползней основано на использовании геотехнического оборудования – экстензометров, инклинометров, пьезометров и др., позволяющих проводить точные измерения. Но такие измерения ограничиваются небольшими участками, на которых установлено то или иное устройство. Системы, основанные на применении подобных инструментов, все же могут использоваться для наблюдений за оползнями, угрожающими важным линейным объектам инфраструктуры, но они имеют ограничение по охвату территорий при региональном мониторинге. Применение этих методов является чрезвычайно сложным и дорогостоящим, требующим мощного и трудноуправляемого оборудования для работы в тяжелых условиях с максимальной эффективностью и только при специализированной эксплуатации. Поэтому в действительности их можно использовать в основном для дополнительных исследований в целях уточнения, детализации [15].
Обзор недавних публикаций
Авторы одной из недавних статьей [16] разработали модель мониторинга путем поиска всех возможных способов обнаружения оползней с использованием различных подходов, таких как анализ изображений и оценка предрасположенности к оползням, преимущественно с прогнозированием потенциальных оползней дистанционно. Но выделение на изображениях нужной информации является сложной задачей, которую нельзя решить с помощью оценочных процедур. Поэтому, следуя модели дистанционной съемки, авторы работы [17] интегрировали программное обеспечение для поиска и интерпретации всех неявных особенностей. Однако при таком типе выявления оползней получается больше ошибок, поэтому для повышения точности применяются программы, позволяющие обрабатывать описания на естественном языке и интегрированные с предварительно полученными знаниями о выявлении оползневых зон на основе наблюдаемых данных. При расширении этой программной модели было проведено моделирование с помощью программы на языке Python [18] в целях выполнения анализа всех неглубоких оползней на конкретной территории, на которой в случае обильных дождей может произойти инициирование или активизация оползней. В качестве новой технологии также был предложен метод картирования, учитывающий определенные аспекты окружающей среды [19], что является достаточно приемлемой моделью с комплексной параметрической оценкой.
Недостаточно изученные вопросы и обоснование необходимости исследований
С другой стороны, экономически эффективной и широко применяемой моделью своевременного предупреждения об оползневой опасности на основе пороговых количеств дождевых осадков является система раннего оповещения. Однако такие предупреждения подвержены большому количеству ложных срабатываний и не дают хорошего решения либо из-за недостатка необходимой информации, либо из-за отсутствия детализированных данных о количестве дождевых осадков в пространстве и во времени. Оповещения об опасности на большой территории являются весьма общими и могут быть уточнены для применения в конкретном месте. Кроме того, необходимы данные наблюдений за осадками за много лет, чтобы их можно было сопоставить с реальными оползневыми событиями [16–21]. Пороговые количества осадков имеют широкий диапазон значений. Кроме того, мониторинг лишь одного важного параметра, связанного с оползнеобразованием, недостаточен для уверенного решения проблемы раннего предупреждения об оползнях.
Цели исследований
Главная цель заключается в разработке высокоточных методов измерений и беспроводной мультисенсорной сети для сбора значений различных параметров, включая поровое давление воды, влажность грунта, характеристики сейсмических колебаний и количество дождевых осадков, для формирования точных ранних предупреждений, привязанных к конкретным участкам. Для обеспечения достаточной достоверности, надежности и своевременности ранних оповещений был использован метод, основанный на данных. На основе многопараметрических данных применяются алгоритмы искусственного интеллекта с учетом следующих ограничений:
1) на основе измерений количества осадков и порового давления можно получить прогноз устойчивости склона только на ближажйшие 24 часа;
2) чтобы спрогнозировать состояние склона на ближайшее время, нужны статистические данные на основе анализа прошлых событий.
Прогнозирование значений параметров склоновых процессов в режиме реального времени стало возможным благодаря алгоритмам искусственного интеллекта, которые позволяют создавать надежно функционирующие системы для работы в условиях чрезвычайных ситуаций, когда не доступны точные данные. Еще одним использованием ИИ для работы с данными, получаемыми от мультисенсорной системы, является то, что информация о состоянии склона, накопленная и проанализированная за несколько лет, может применяться в качестве виртуального датчика, тогда как реальные датчики могут быть перенесены в другие места в целях ведения там измерений для расширения базы данных.
По сравнению с данными реальной БСС, все ранние предупреждения за 24 часа до потери устойчивости склона, а также прогнозы в режиме реального времени, полученные с помощью ИИ, проходят валидацию.
Рассматриваемый метод обеспечивает непрерывную передачу данных наблюдений от сенсорных узлов в центр управления данными (ЦУД). В состав ЦУД входят сервер базы данных и аналитический модуль, который анализирует информацию о состоянии грунта и выполняет моделирование для оценки вероятности возникновения оползня. Информация по сети передается в режиме реального времени вместе с результатами анализа данных. Для оповещения специалистов о риске схода оползней, состоянии сети и контроле компонентов системы добавляются службы оповещения, такие как электронная почта, служба коротких сообщений (SMS) и служба мультимедийных сообщений (MMS) [12]. Использование широкополосной мобильной связи с пакетной передачей данных обеспечивает возможность загрузки информации в режиме реального времени непосредственно на веб-страницу. В системе в том числе ведется постоянный мониторинг оставшегося заряда аккумуляторов и скорости их зарядки от солнечных панелей. Также анализируются данные всех беспроводных и геологических датчиков для выявления неисправных узлов и сенсорных систем [13]. С помощью механизма обратной связи непрерывно изменяется частота опроса геофизических датчиков в зависимости от изменений погодных условий в режиме реального времени.
Данные беспроводной сенсорной сети обрабатываются в режиме реального времени Центром управления данными, расположенным на территории этой сети. При этом:
1) есть ограничения по интенсивности и длительности непрерывного выпадения осадков;
2) важным фактором является коэффициент устойчивости склона (factor of safety, FoS);
3) регистрируются шумы и вибрации, вызванные работой датчиков движения.
Если объединенить значения угла наклона, показателей свойств грунта и порового давления в заданном месте увлаженного склона, то полученная функция будет отражать условия устойчивости склона и ее можно будет вычислить. Эту статистику (функцию результатов наблюдений) можно представить в виде безразмерной сетки [12, 13]. Коэффициент устойчивости, или коэффициент запаса устойчивости (FoS), в модели Айверсона (Iverson) определяется по следующей формуле:
Рис. 3. Иллюстрация отсутствия мультиколлинеарности среди пяти параметров, влияющих на возникновение оползней: крутизны (а), экспозиции (б), высоты (в), плановой кривизны (г) склона, а также количества дождевых осадков (д). VIF (Variance Inflation Factor) – фактор/коэффициент инфляции дисперсии, то есть мера мультиколлинеарности между предикторами. (Следует отметить, что авторы исходной статьи (Kshirsagar et al., 2022) не расшифровали цветовые обозначения для рисунков «б»–«д». – Ред.)
Этот анализ показал, что мониторинг оползней возможен с использованием искусственного интеллекта (методов логистической регрессии, опорных векторов, стохастического градиентного спуска).
Из рисунка 4 видно, что для территории, проанализированой с использованием метода логистической регрессии, 58,90% площади относено к зонам с очень низкой оползневой опасностью, 29,90% – с очень высокой, 5,89% – с высокой, 4,78% – с низкой, 3,45% – со средней (таблица 2).
Что касается метода опорных векторов, то для 54,78% территории, оцененной с его помощью, показана очень низкая оползневая опасность, для 29,78% – очень высокая, для 6,90% – высокая, для 4,89% – низкая, для 4,78% – средняя (см. рис. 4, таблицу 2).
Если говорить о территории, проанализированной с применением алгоритма стохастического градиентного спуска, то 51,34% ее площади отнесено к зонам с очень низкой оползневой опасностью, 26,01% – с очень высокой, 9,43% – с высокой, 6,45% – с низкой, 6,23% – со средней (см. рис. 4, таблицу 2).
Рис. 4. Процентные доли территорий с оползневой опасностью разных классов, проанализированных методами логистической регрессии (а), опорных векторов (б) и стохастического градиентного спуска (в) (следует отметить, что авторы исходной статьи (Kshirsagar et al., 2022) не расшифровали обозначения цветов и типов линий для рисунка «в». – Ред.)
Таблица 2. Процентные доли территорий с оползневой опасностью разных классов
В таблице 3 представлены результаты оценки эффективности трех рассмотренных выше методов. В случае аппроксимации функции оползневой опасности самую высокую эффективность продемонстрировал метод логистической регрессии. Его чувствительность составила 92,76%, а у алгоритма стохастического градиентного спуска она была 84,78%, у машины опорных векторов – 77,67%
. Метод логистической регрессии показал также наибольшие специфичность (99,78%), точность (93,78%) и F-меру (0,95) и при этом наименьшие СКО=RMSE (0,126) и СКО2=MSE (0,045) (см. таблицу 3).
Оползни относятся к числу самых масштабных и опасных природных явлений на Земле. Используя данные беспроводных датчиков, авторы представленной статьи создали системы на основе искусственного интеллекта, способные точно предсказывать сдвиговые смещения грунтов. С помощью беспроводной сенсорной сети можно вести непрерывное наблюдение в режиме реального времени за ключевыми факторами, влияющими на оползнеобразование (атмосферными осадками, вертикальными и горизонтальными составляющими наклона массивов пород, смещениями грунтов, движением подземных вод), в целях прогнозирования оползней.
Основнми целями данной работы были анализ и оценка эффективности использования трех передовых технологий наблюдения за оползнями на основе искусственного интеллекта, то есть таких методов, как логистическая регрессия, машина опорных векторов и алгоритм стохастического градиентного спуска (SGDA). Полученные результаты показали высокую конкурентоспособность моделей логистической регрессии. В дальнейшем планируется использование методов глубокого обучения.
—
Наборы данных, использованные и/или проанализированные в ходе этого исследования, могут быть предоставлены по обоснованному запросу, направленному авторам по указанным адресам электронной почты.
—
Проект, по которому проводилась данная работа, финансировался Управлением научных исследований (Deanship of Scientific Research, DSR) Университета Короля Абдулазиза в г. Джидде в рамках гранта D-994-135-1443. В связи с этим авторы выражают благодарность DSR за техническую и финансовую поддержку.
ИСТОЧНИК ДЛЯ ПЕРЕВОДА
Kshirsagar P.R., Manoharan H., Kasim S., Khan A.I., Alam M.M., Abushark Y.B., Abera W. Expedite quantification of landslides using wireless sensors and artificial intelligence for data controlling practices // Computational Intelligence and Neuroscience. Hindawi Publishing Corporation, 2022. Vol. 2022. Article ID 3211512. 11 p. https://doi.org/10.1155/2022/3211512.
наверх
Поделиться
Поделиться
Скопировать ссылку
Оформить подписку