一种多变量降雨型滑坡灾害监测方法及监测系统

摘要

本发明提供了一种多变量降雨型滑坡灾害监测方法及监测系统，所述监测方法包括步骤：收集目标地区滑坡监测的各个物理量的历史监测数据以及雨量的历史监测数据；以雨量的历史监测数据为基准，对各个物理量的历史监测数据进行预处理；计算雨量的历史监测数据对应的卷积雨量数据，计算各个物理量的历史监测数据分别对应的各个变化量数据；计算卷积雨量数据与各个变化量数据之间的相关性；进行显著性检验，将各个变化量数据中满足显著性检验条件的变化量数据保留下来，作为预测滑坡的因子；对所述保留的变化量数据进行数据降维，形成新的多维综合变量，用于滑坡监测。本发明具有包含多种与降雨紧密相关的物理量、解决了雨量数据反映滑坡的滞后性问题等优点。

权利要求

1.一种多变量降雨型滑坡灾害监测方法，其特征在于，所述监测方法包括步骤：收集目标地区滑坡监测的各个物理量的历史监测数据以及雨量的历史监测数据；

以雨量的历史监测数据为基准，对各个物理量的历史监测数据进行预处理；

通过式1计算雨量的历史监测数据对应的卷积雨量数据，式1为：

其中，P卷i为卷积雨量数据中第i个数据，mm；Pi为雨量的历史监测数据中第i个数据，mm；

Pi‑j为雨量的历史监测数据中第i‑j个数据，mm；

计算各个物理量的历史监测数据分别对应的各个变化量数据；

通过式2计算卷积雨量数据与各个变化量数据之间的相关性，式2为：

其中，r为相关系数，无因次；n为雨量数据样本个数；P卷i为卷积雨量数据中第i个数据，mm； 为卷积雨量数据的平均值，mm； 为卷积雨量数据的标准差，mm；yi为变化量数据中第i个数据，为变化量数据的平均值，Sy为变化量数据的标准差；

进行显著性检验，将各个变化量数据中满足显著性检验条件的变化量数据保留下来，作为预测滑坡的因子；

对所述保留的变化量数据进行数据降维，形成新的多维综合变量，用于滑坡监测。

2.根据权利要求1所述的多变量降雨型滑坡灾害监测方法，其特征在于，所述各个物理量的历史监测数据包括土压力、抗滑桩变形、深部位移、应力应变的历史监测数据中至少一类。

3.根据权利要求2所述的多变量降雨型滑坡灾害监测方法，其特征在于，所述土压力、抗滑桩变形、深部位移、应力应变的历史监测数据都包括至少一组数据。

4.根据权利要求1所述的多变量降雨型滑坡灾害监测方法，其特征在于，所述对各个物理量的历史监测数据进行预处理包括：补齐缺失数据，剔除不满足条件的数据，用临近值的插值代替，使每一个物理量的历史监测数据和雨量的历史监测数据在时间序列上一一对应；

其中，所述不满足条件的数据为不满足式3的数据，式3为：

其中，xi为物理量的历史监测数据中第i个数据，为物理量的历史监测数据的平均值，σ为物理量的历史监测数据的标准差。

5.根据权利要求1所述的多变量降雨型滑坡灾害监测方法，其特征在于，所述计算各个物理量的历史监测数据分别对应的各个变化量数据通过式4计算，式4为：

yi＝|xi‑xi‑1|

其中，yi为变化量数据中第i个数据，xi为物理量的历史监测数据中第i个数据，xi‑1为物理量的历史监测数据中第i‑1个数据。

6.根据权利要求1所述的多变量降雨型滑坡灾害监测方法，其特征在于，所述显著性检验为将不满足式5的变量排除，式5为：

p_Value＜0.05

其中，p_Value为显著性检验结果。

7.根据权利要求1所述的多变量降雨型滑坡灾害监测方法，其特征在于，所述数据降维包括将保留的变化量数据放入一个n行p列的矩阵Y中：其中，n＞p，p表示变化量数据的个数；n表示每个变化量数据的样本数量；ynp表示第p个变量中的第n个数据；

利用式6对对矩阵Y进行标准化处理得到矩阵Z：式6为：

其中， 为第p个变化量数据的算术平均值，ynp为第p个变化量数据的第n个数据，sp为第p个变化量数据的标准差；

其中，n＞p，p表示变化量数据的个数；n表示每个变化量数据的样本个数；Znp表示ynp标准化后的值；

基于标准化矩阵Z，求得其相关系数矩阵R，

其中，ρpp为矩阵Z中第p列与第p列变量的相关系数；

根据相关系数矩阵R的特征方程|R‑λIp|＝0得p个特征值，将对应的特征值按照大小排序，λ1≥λ2≥…≥λm≥0，然后根据累积贡献度达到85％以上确定所需要的新的综合变量的数量m；

其中，所述累计贡献度通过式7计算，

式7为：

8.根据权利要求7所述的多变量降雨型滑坡灾害监测方法，其特征在寸所述形成新的综合变量包括：求取每个特征值λj，j＝1，2，...，m所对应的单位特征向量uj，j＝1，2，...，m，其中，uj＝T(u1j，u2j，…umj) ，并将其作为转换矩阵，用数据矩阵Z右乘转换矩阵，实现主成分映射，得到式8，式8为；

式中，w1为包含的原始数据信息最丰富的综合变量，w2信息量次之，以此类推。

9.根据权利要求3所述的多变量降雨型滑坡灾害监测方法，其特征在于，所述收集到的物理量的历史监测数据包括3个管道应变的历史监测数据、5个抗滑桩形变历史监测数据、1个深部位移历史监测数据和1个雨量的历史监测数据，其中，每个点管道应变包括了3点、6点、9点和12点共4个方向的应变监测，具有12个历史监测数据，每个深部位移包括了2米、7米和11米深度的监测，具有3个历史监测数据，总共21个历史监测数据。

10.一种多变量降雨型滑坡灾害监测系统，其特征在于，所述监测系统包括：处理器；和存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1‑9中任一项所述的监测方法。

说明书

一种多变量降雨型滑坡灾害监测方法及监测系统

技术领域

[0001] 本发明涉及地质灾害防治技术领域，具体地，涉及一种多变量降雨型滑坡灾害监测方法及监测系统。

背景技术

[0002] 滑坡灾害已经成为仅次于地震灾害的第二大自然灾害，同时也是我国主要的地质灾害类型之一。调查资料显示90％的滑坡由降雨诱发，降雨型滑坡已成为影响人类生活的重要灾害之一。长期以来，研究人员试图找到降雨与滑坡失稳之间的关系，目前其研究主要有两种思路，一是基于降雨诱发性滑坡事件的统计分析，获得降雨诱发滑坡的相关性规律，继而得到经验性降雨阈值模型；另一种是基于降雨入渗机理分析，构建边坡降雨入渗稳定性模型，通过模型试验或数值模拟等手段探讨滑坡发生的内在破坏机理。

[0003] 由于降雨诱发滑坡研究的复杂性，统计分析仍然是研究降雨诱发滑坡灾害的主要手段。有学者通过对降雨诱发滑坡资料进行相关分析，取得了显著成果，但其中也存在一些问题，如传统降雨型滑坡监测方法中对影响滑坡的因子的统计不够全面，通常只依靠雨量监测数据作为判断滑坡的依据，然而实际情况中，引起滑坡事件的因素非常复杂的、多种多样的；而且降雨与滑坡之间通常具有一定的滞后性，直接使用雨量监测数据作为判断滑坡的依据可能会导致滑坡监测结果不可靠。

[0004] 传统降雨型滑坡的监测主要通过建立降雨与滑坡之间的关系模型来监测滑坡事件，当降雨量达到一定的阈值之后，便认为会发生滑坡。

[0005] 盛逸凡等在2019年以湖南省张家界市桑植县为研究区，在全面分析近30年降雨及滑坡数据的基础上，对滑坡及滑坡数量与降雨因子的关系开展了统计分析研究，确定了各不同概率下诱发滑坡的区域有效降雨强度阈值，并利用部分样本数据进行逻辑回归分析，得到了该研究区的滑坡发生概率预测方程，并给出了降雨强度临界值定量表达式。

[0006] 诱发滑坡的因素很多，然而传统降雨型滑坡的监测仅依赖雨量监测作为判断滑坡的依据，且降雨与滑坡关系有一定的滞后性，这样会导致模型结果不可靠。

发明内容

[0007] 本发明的目的在于解决现有技术存在的上述不足中的至少一项。例如，本发明的目的之一在于提供一种不仅考虑降雨强度，还充分利用与降雨相关的其他物理量信息的多变量降雨型滑坡灾害监测方法。又如，本发明的另一目的在于提供一种不仅考虑降雨强度，还充分利用与降雨相关的其他物理量信息的、高效快速的多变量降雨型滑坡灾害及监测系统。

[0008] 为了实现上述目的，本发明一方面提供了一种多变量降雨型滑坡灾害监测方法，所述监测方法包括步骤：

[0009] 收集目标地区滑坡监测的各个物理量的历史监测数据以及雨量的历史监测数据；

[0010] 以雨量的历史监测数据为基准，对各个物理量的历史监测数据进行预处理；

[0011] 通过式1计算雨量的历史监测数据对应的卷积雨量数据，

[0012] 式1为：

[0013]

[0014] 其中，P卷i为卷积雨量数据中第i个数据，mm；Pi为雨量的历史监测数据中第i个数据，mm；Pi‑j为雨量的历史监测数据中第i‑j个数据，mm；

[0015] 计算各个物理量的历史监测数据分别对应的各个变化量数据；

[0016] 通过式2计算卷积雨量数据与各个变化量数据之间的相关性，

[0017] 式2为：

[0018]

[0019] 其中，r为相关系数，无因次；n为雨量数据样本个数；P卷i为卷积雨量数据中第i个数据，mm； 为卷积雨量数据的平均值，mm； 为卷积雨量数据的标准差，mm；yi为变化量数据中第i个数据，为变化量数据的平均值，Sy为变化量数据的标准差；

[0020] 进行显著性检验，将各个变化量数据中满足显著性检验条件的变化量数据保留下来，作为预测滑坡的因子；

[0021] 对所述保留的变化量数据进行数据降维，形成新的多维综合变量，用于滑坡监测。

[0022] 在本发明的一个示例性实施例中，所述各个物理量的历史监测数据可包括土压力、抗滑桩变形、深部位移、应力应变的历史监测数据中至少一类。

[0023] 在本发明的一个示例性实施例中，所述土压力、抗滑桩变形、深部位移、应力应变的历史监测数据都可包括至少一组数据。

[0024] 在本发明的一个示例性实施例中，所述对各个物理量的历史监测数据进行预处理可包括：

[0025] 补齐缺失数据，剔除不满足条件的数据，用临近值的插值代替，使每一个物理量的历史监测数据和雨量的历史监测数据在时间序列上一一对应；

[0026] 其中，所述不满足条件的数据为不满足式3的数据，

[0027] 式3为：

[0028]

[0029] 其中，xi为物理量的历史监测数据中第i个数据，为物理量的历史监测数据的平均值，σ为物理量的历史监测数据的标准差。

[0030] 在本发明的一个示例性实施例中，所述计算各个物理量的历史监测数据分别对应的各个变化量数据可通过式4计算，

[0031] 式4为：

[0032] yi＝|xi‑xi‑1|

[0033] 其中，yi为变化量数据中第i个数据，xi为物理量的历史监测数据中第i个数据，xi‑1为物理量的历史监测数据中第i‑1个数据。

[0034] 在本发明的一个示例性实施例中，所述显著性检验可为将不满足式5的变量排除，[0035] 式5为：

[0036] p_Value＜0.05

[0037] 其中，p_Value为显著性检验结果。

[0038] 在本发明的一个示例性实施例中，所述数据降维可包括将保留的变化量数据放入一个n行p列的矩阵Y中：

[0039]

[0040] 其中，n＞p，p表示变化量数据的个数；n表示每个变化量数据的样本数量；ynp表示第p个变量中的第n个数据；

[0041] 利用式6对对矩阵Y进行标准化处理得到矩阵Z：

[0042] 式6为：

[0043]

[0044] 其中， 为第p个变化量数据的算术平均值，ynp为第p个变化量数据的第n个数据，sp为第p个变化量数据的标准差；

[0045]

[0046] 其中，n＞p，p表示变化量数据的个数；n表示每个变化量数据的样本个数；Znp表示ynp标准化后的值；

[0047] 基于标准化矩阵Z，求得其相关系数矩阵R，

[0048]

[0049] 其中，ρpp为矩阵Z中第p列与第p列变量的相关系数；

[0050] 根据相关系数矩阵R的特征方程|R‑λIp|＝0得p个特征值，将对应的特征值按照大小排序,λ1≥λ2≥…≥λm≥0，然后根据累积贡献度达到85％以上确定所需要的新的综合变量的数量m；

[0051] 其中，所述累计贡献度通过式7计算，

[0052] 式7为：

[0053]

[0054] 在本发明的一个示例性实施例中，所述形成新的综合变量包括：

[0055] 求取每个特征值λj，j＝1，2，...，m所对应的单位特征向量uj，j＝1，2，...，m，其中，Tuj＝(u1j，u2j，…umj) ，并将其作为转换矩阵，用数据矩阵Z右乘转换矩阵，实现主成分映射，得到式8，

[0056] 式8为：

[0057]

[0058] 式中，w1为包含的原始数据信息最丰富的综合变量，w2信息量次之，以此类推。

[0059] 在本发明的一个示例性实施例中，所述收集到的物理量的历史监测数据包括3个管道应变的历史监测数据、5个抗滑桩形变历史监测数据、1个深部位移历史监测数据和1个雨量的历史监测数据，其中，每个点管道应变包括了3点、6点、9点和12点共4个方向的应变监测，具有12个历史监测数据，每个深部位移包括了2米、7米和11米深度的监测，具有3个历史监测数据，总共21个历史监测数据。

[0060] 本发明还提供了一种多变量降雨型滑坡灾害监测系统，所述监测系统包括：处理器；和存储器，存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求上所述的监测方法。

[0061] 与现有技术相比，本发明的有益效果包括以下内容：

[0062] 本发明提出了一种降雨型滑坡监测的多变量选择方法，不同于传统的仅仅依赖监测雨量分析滑坡事件的方法，本发明收集了多种传感器观测的物理量的历史监测数据，并通过定量分析筛选出了与降雨紧密相关的物理量，然后利用线性数据降维方法提取数据主要信息，生成了新的可用于滑坡监测的综合变量，能够高效的描述原始的物理量监测数据，减小了数据处理量，提高了数据处理速度。

附图说明

[0063] 图1示出了本发明的多变量降雨型滑坡灾害监测方法的一个示例性实施例的流程示意图。

具体实施方式

[0064] 在下文中，将结合附图和示例性实施例来详细说明本发明的多变量降雨型滑坡灾害监测方法及监测系统。

[0065] 图1示出了本发明的多变量降雨型滑坡灾害监测方法的一个示例性实施例的流程示意图。

[0066] 在本发明的第一示例性实施例中，如图1所示，多变量降雨型滑坡灾害监测方法包括步骤：

[0067] 第一步：收集目标地区滑坡监测的各个物理量的历史监测数据以及雨量的历史监测数据。具体来讲，收集目标地区现场各类传感器监测获得的历史监测数据，这些历史数据可包括土压力、抗滑桩变形、深部位移、应力应变等物理量，以及降雨量的历史监测数据。这里，各个物理量数据根据不同地区监测指标的不同和侧重有所差别，视现场具体情况而定。

[0068] 第二步：以雨量的历史监测数据为基准，对各个物理量的历史监测数据进行预处理。具体来讲，数据预处理主要包括以雨量的历史监测数据为基准对其余各个物理量的历史数据进行数据补齐和异常值处理，使各个物理量的数据量和雨量数据量相同。数据补齐：例如，应变的历史监测数据为每2小时监测传回一次，而雨量的历史监测数据是每1小时监测传回一次，那么需要在时间序列上对应变的历史监测数据进行插值，使其时间间隔也为1小时。对于数据存在部分缺失的情况，也可通过插值进行补齐。异常值处理：在原始观测数据中可能会存在一些前后变化超大的值(即野点或噪声)，所以需要对原始数据进行筛选处理。数据筛选的方法可以采用一段时间内各数据与其平均值的偏移量需要小于一个设定值来进行筛选，在实际的数据处理操作中我们往往设定一个阈值(标准差的倍数)来筛选数据。剔除不满足条件的数据，用临近值的插值来代替。对别的变量，其采集时间可能为0.5小时一次，则数据量为雨量数据的2倍，需要对数据进行选取。

[0069] 第三步：对各个物理量和雨量的历史监测数据进行转变。通过式1计算雨量的历史监测数据对应的卷积雨量数据。

[0070] 式1为：

[0071]

[0072] 其中，P卷i为卷积雨量数据中第i个数据，mm；Pi为雨量的历史监测数据中第i个数据，mm，即，Pi可以为第i次观测到的雨量数据；Pi‑j为雨量的历史监测数据中第i‑j个数据，mm；·表示相乘。

[0073] 计算各个物理量的历史监测数据分别对应的各个变化量数据。分别计算出各个物理量的历史监测数据中每一个物理量的历史监测数据对应的变化量数据。具体来讲，雨量(雨量的历史监测数据)是影响滑坡最为重要的因素之一，但雨量对滑坡的影响是有滞后性和衰减性的，当前的雨量要与之前的雨量卷积后方能体现雨量对滑坡的总体作用效果，雨量当天的影响效果为100％，第二天减弱为80％，第三天减弱为40％，第四天减弱为0。而对于类似于应变的物理量采用其变化量更能反映其在滑坡事件中的作用效果，针对这类物理量，在实际建模中使用相邻数据的变化量描述其变化特征即可。

[0074] 第四步：对个物理的变化量进行筛选。通过式2计算卷积雨量数据与各个变化量数据之间的相关性。

[0075] 式2为：

[0076]

[0077] 其中，r为相关系数，无因次；n为雨量数据样本个数；P卷i为卷积雨量数据中第i个数据，mm； 为卷积雨量数据的平均值，mm； 为卷积雨量数据的标准差，mm；yi为变化量数据中第i个数据，为变化量数据的平均值，Sy为变化量数据的标准差。

[0078] 进行显著性检验，将各个变化量数据中满足显著性检验条件的变化量数据保留下来，作为预测滑坡的因子。例如，所述显著性检验为将不满足式5的变量排除。

[0079] 式5为：

[0080] p_Value＜0.05

[0081] 其中，p_Value为显著性检验结果。当然，式5中不等式右边的数值可根据实际情况进行调整。

[0082] 第五步：对所述保留的变化量数据进行数据降维，形成新的多维综合变量，用于滑坡监测。具体来讲，针对第三步通过显著性检验的多种物理量的历史监测数据对应的变化量数据，通常存在数据维度较高、数据之间信息冗余等问题，针对这些问题采用一种线性数据降维方法在尽可能多的保留原始变量信息的情况下提取数据的主要信息，降低原数据集的维度，形成新的多维综合变量，便于后期滑坡监测。

[0083] 在本示例性实施例中，所述各个物理量的历史监测数据可包括土压力、抗滑桩变形、深部位移、应力应变的历史监测数据。进一步地，所述土压力、抗滑桩变形、深部位移、应力应变的历史监测数据都可包括至少一组数据。例如，所述收集到的物理量的历史监测数据包括3个管道应变的历史监测数据、5个抗滑桩形变历史监测数据、1个深部位移历史监测数据和1个雨量的历史监测数据，其中，每个点管道应变包括了3点、6点、9点和12点共4个方向的应变监测，具有12个历史监测数据，每个深部位移包括了2米、7米和11米深度的监测，具有3个历史监测数据，总共21个物理量的历史监测数据。

[0084] 在本示例性实施例中，所述对各个物理量的历史监测数据进行预处理可包括：补齐缺失数据，剔除不满足条件的数据，用临近值的插值代替，使每一个物理量的历史监测数据和雨量的历史监测数据在时间序列上一一对应；

[0085] 其中，所述不满足条件的数据为不满足式3的数据。

[0086] 式3为：

[0087]

[0088] 其中，xi为物理量的历史监测数据中第i个数据，为物理量的历史监测数据的平均值，σ为物理量的历史监测数据的标准差。当然，本发明不限于此，也可以通过其它方式进行数据剔除，例如离群点检测方法。在本示例性实施例中，所述计算各个物理量的历史监测数据分别对应的各个变化量数据可通过式4计算。

[0089] 式4为：

[0090] yi＝|xi‑xi‑1|

[0091] 其中，yi为变化量数据中第i个数据，xi为物理量的历史监测数据中第i个数据，xi‑1为物理量的历史监测数据中第i‑1个数据。当然，本发明不限于此，也可通过其他方式求得各个物理量的历史监测数据分别对应的各个变化量数据。例如，斜率，导数等。

[0092] 在本示例性实施例中，所述数据降维可包括将保留的变化量数据放入一个n行p列的矩阵Y中：

[0093]

[0094] 其中，n＞p，p表示变化量数据的个数；n表示每个变化量数据的样本数量；ynp表示第p个变量中的第n数据。

[0095] 利用式6对对矩阵Y进行标准化处理得到矩阵Z：

[0096] 式6为：

[0097]

[0098] 其中， 为第p个变化量数据的算术平均值，ynp为第p个变化量数据的第n个数据，sp为第p个变化量数据的标准差。

[0099]

[0100] 其中，n＞p，p表示变化量数据的个数；n表示每个变化量数据的样本个数；Znp表示ynp标准化后的值；基于标准化矩阵Z，求得其相关系数矩阵R，。

[0101]

[0102] 其中，ρpp为矩阵Z中第p列与第p列变量的相关系数。

[0103] 根据相关系数矩阵R的特征方程|R‑λIp|＝0得p个特征值，将对应的特征值按照大小排序，λ1≥λ2≥…≥λm≥0，然后根据累积贡献度达到85％以上确定所需要的新的综合变量的数量m；。

[0104] 其中，所述累计贡献度通过式7计算。

[0105] 式7为：

[0106]

[0107] 在本发明的一个示例性实施例中，所述形成新的综合变量包括：

[0108] 求取每个特征值λj，j＝1，2，...，m所对应的单位特征向量uj，j＝1，2，...，m，其中，Tuj＝(u1j，u2j，…umj) ，并将其作为转换矩阵，用数据矩阵Z右乘转换矩阵，实现主成分映射，得到式8。

[0109] 式8为：

[0110]

[0111] 式中，w1为包含的原始数据信息最丰富的综合变量，w2信息量次之，以此类推。

[0112] 通过下面结合中缅管道区域监测点中某一个典型的监测点为例进行详细说明，本发明的上述和其他目的和/或特点将会变得更加清楚。

[0113] 第一步：数据收集

[0114] 收集到的物理量包括3个管道应变、5个抗滑桩形变、1个深部位移和1个雨量。其中每个点管道应变包括了3点、6点、9点和12点共4个方向的应变监测，具有12个监测变量。每个深部位移包括了2米、7米和11米深度的监测，具有3个变量。因此总体有21个监测量。同时，监测的时间段数据为2018年6月至2019年11月，以小时为监测周期，每天每个变量有24个监测数据。这里，由于数据量过于巨大，在此不做展示，只是给出后续的计算结果。

[0115] 第二步：数据处理

[0116] 1、数据补齐：对于缺失值部分，可通过插值补齐。

[0117] 2、异常值处理：对于每个变量，利用式3进行剔除异常值处理，超出范围的值为异常值，用周边正常值的插值代替。

[0118] 第三步：物理量转变

[0119] 3、物理量转变：对于降雨量数据的转变利用式1计算得到卷积雨量数据。对于除降雨量之外的其他数据，通过式4获得相邻观测值的变化量。

[0120] 第四步：变量筛选

[0121] 利用式2计算卷积雨量P卷与其他物理量变化量y的相关性，并进行显著性检验，检验结果如表1中所示：

[0122] 表1卷积雨量与监测物理量显著性测试

[0123]

[0124] 由表1可知，监测点1050应变的显著性检验结果p_Value值为0.9594，远大于0.05，因此该变化量数据与卷积雨量的相关性不显著，不可用于降雨型滑坡监测，而其他变化量数据可以。

[0125] 第五步：数据降维

[0126] 对上一步通过显著性检验的剩余19个变化量数据以及1个雨量数据共计20个变化量数据进行数据降维处理。将20个变化量数据放入一个n行p列的矩阵Y中：

[0127]

[0128] 其中，n＞p，p表示变化量的个数；n表示每个变化量的样本数量；ynp表示第p个变量中的第n数据。

[0129] 利用式6对对矩阵Y进行标准化处理得到矩阵Z：

[0130] 式6为：

[0131]

[0132] 其中， 为第p个变化量数据的算术平均值，ynp为第p个变化量数据的第n个数据，sp为第p个变化量数据的标准差。

[0133]

[0134] 其中，n＞p，p表示变化量数据的个数；n表示每个变化量数据的样本个数；Znp表示ynp标准化后的值。

[0135] 基于标准化矩阵Z，求得其相关系数矩阵R，。

[0136]

[0137] 其中，ρij为矩阵Z中第i列与第j列变量的相关系数。

[0138] 根据相关系数矩阵R的特征方程|R‑λIp20|＝0得20个特征值，将对应的特征值按照大小排序,λ1≥λ2≥…≥λ20≥0得到：30.62>22.38>12.66>9.64>7.94>6.64>6.11>5.83>5.42>3.21>0.30>0.22>0.14>0.10>0.09>0.06>0.02>0.01>0≥0，然后根据累积贡献度达到
85％以上确定所需要的新的综合变量的数量m＝7。

[0139] 其中，所述累计贡献度通过式7计算。

[0140] 式7为：

[0141]

[0142] 这7个综合变量能够高效地描述原始的20维数据，可用于降雨型滑坡监测。

[0143] 求取每个特征值λj，j＝1，2，...，7所对应的单位特征向量uj，j＝1，2，...，7，其中，Tuj＝(u1j，u2j，…u7j) ，并将其作为转换矩阵，用数据矩阵Z右乘转换矩阵，实现主成分映射，得到式8。

[0144] 式8为：

[0145]

[0146] 式中，w1为包含的原始数据信息最丰富的综合变量，w2信息量次之，以此类推。

[0147] 本发明提出了一种降雨型滑坡监测的多变量选择方法，不同于传统的仅仅依赖监测雨量分析滑坡事件的方法，本发明收集了多种传感器观测的物理量的历史监测数据，并通过定量分析筛选出了与降雨紧密相关的物理量，然后利用线性数据降维方法提取数据主要信息，生成了新的可用于滑坡监测的综合变量，能够高效的描述原始的物理量监测数据，减小了数据处理量，提高了数据处理速度。

[0148] 本发明还提供一种多变量降雨型滑坡灾害监测系统。该监测系统可包括处理器和存储器。存储器用于存储计算机程序。计算机程序被处理器执行使得处理器执行根据本发明的多变量降雨型滑坡灾害监测方法的计算机程序。

[0149] 尽管上面已经结合示例性实施例及附图描述了本发明，但是本领域普通技术人员应该清楚，在不脱离权利要求的精神和范围的情况下，可以对上述实施例进行各种修改。