1.一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统，其特征在于，该系统包括预警监测现场节点、监测数据通信中间件模块和预警分析模块；

(1)所述预警监测现场节点，包括：数据采集模块、通信模块以及控制模块；

所述数据采集模块包括三轴重力加速度感应模块和地下水含量监测模块，分别用于采集实时的x轴、y轴和z轴的重力加速度分量，以及检测地下土壤之间的电阻值；还包括LoRa通信芯片中集成的TOF测距模块，同时其数据帧中提供RSSI参数；

所述通信模块包括NBIOT通信模块和LoRa通信模块，将串口传输过来的数据通过NBIOT/LoRa发送到云端服务器指定端口；

所述控制模块配置NBIOT/LoRa通信模块的通信模式，获取三轴重力加速度感应模块以及地下水含量监测模块的监测数据传给通信模块，休眠省电模式的配置以及动态配置传感器阈值；

(2)所述监测数据通信中间件模块，包括：数据接收模块、数据处理模块、数据缓存模块、短信通知及展示模块；

所述数据接收模块用于监测接收节点与云端服务器之间通信数据；

所述数据处理模块用于处理分析数据逻辑；

所述数据缓存模块用于存储从数据接收模块中接收的数据包；

所述短信通知及展示模块，根据预警消息，通过短信API提醒相关区域管理员；

(3)所述预警分析模块根据采集获取的传感数据，利用RSSI以及TOF方式实时获取节点间距离，依次计算出各个节点的位置坐标，通过RSSI值与节点设备之间的距离关系确定当前设备是否被外力所偏移，从而得出滑坡风险度。

2.根据权利要求1所述的山体滑坡预警监测系统，其特征在于，所述数据处理模块用于处理分析数据逻辑，从数据接收模块中接收的数据包包括：标志位、传感器ID和发送时间，发送ip以及发送端口port，数据包实时到达形成数据流进入数据处理模块中，经过数据处理模块之后，通过接收到的数据来更新数据库中的数据。

3.根据权利要求1所述的山体滑坡预警监测系统，其特征在于，所述数据缓存模块提供如下缓存：固定时间量缓存(dataBuffer)，监测节点控制命令缓存(order)，节点物理地址缓存(macBuffer)，网关节点控制命令缓存(control)，待插入数据库节点地址缓存(queenMacBuffer)，待插入数据库数据缓存(queenDataBuffer)，两次倾角变化率缓存(twiceDataChange)。

4.根据权利要求1所述的山体滑坡预警监测系统，其特征在于，该系统还包括web展示平台模块，包括：山体滑坡实时监测与预测系统地区信息展示模块、传感器指令变更模块、用户管理模块和设备管理模块；

所述山体滑坡实时监测与预测系统地区信息展示模块用于获得所有地区总体概况，某一地区所有传感器的实时状态，或者单一传感器36小时内的监测状态；

所述传感器指令变更模块，在Web端向某一个地区的所有传感器下发指令，改变震动阈值和采样频率；

所述用户管理模块，由管理员增加使用用户，并将用户与某一地区相关联；

所述设备管理模块，用于添加新的设备或者修改已有设备的设备信息。

5.根据权利要求1所述的山体滑坡预警监测系统，其特征在于，所述预警分析模块通过对山体滑坡区采集到的不同特征的数据，分别采用多种预测模型，包括灰色预测、支持向量机预测和粒子群预测，分阶段时间序列预测得到不同预测值以及偏差值，采用动态加权方式融合得到滑坡风险度从而得到整个滑坡区域的滑坡风险度，进而对滑坡发展趋势做出预测；然后通过应用程序接口(Application Programming Interface，API)返回数据给中间件，展示在PC网页端，如果预测出山体滑坡风险值超过阈值，则将此结果下发到短信通知及展示模块。

6.根据权利要求1或5所述的山体滑坡预警监测系统，其特征在于，所述预警分析模块的预测方法，具体包括以下步骤：

S1：通过采集获取的传感数据，分析出传感器的位置坐标，具体包括：S11：动态获取山体滑坡数据，通过RSSI以及TOF方式实时获取节点间距离，依次计算出各个节点的位置坐标，通过RSSI值与节点设备之间的距离关系，采用以下模型计算得到；

其中，d0为基站与参考节点之间的距离；Pr(d0)是参考节点在距离d0处的接受信号功率；

X是一个平均值为0的高斯随机变量；n为路径损耗指数；

S12：初始距离值测量时：

TOF值与节点设备之间的距离关系，采用以下模型计算得到：其中，TRTT为数据包实际飞行的往返时间，TTOT为发射端的总消耗时间，TTAT接收端用于接收数据和返还数据消耗的时间；

则发射端与接收端之间的距离为：

D＝cTTOF

其中，c代表光速；

S13：从测距初始值中选取满足要求的值Di，满足高斯模型值的个数为z；得到测距最优值：

其中，Di为第i个满足要求的值，i＝1,2,3…,z为满足要求的个数；

S14：采用动态加权因子将RSSI测距和TOF测距相融合，得到最佳距离估计值：DR+T＝αDR+(1‑α)DT

其中，DR为RSSI测距得到的最优值，DT为TOF测距得到的最优值，α为加权因子，α在不同的距离段取值有差异；

S2：获取变化数据集，包括：面积变化数据采集Si、体积变化数据采集Vi、重心位移变化数据采集(Xgi,Ygi)、形状因子变化数据采集hi和位移加速度变化数据采集ai。

7.根据权利要求6所述的山体滑坡预警监测系统，其特征在于，步骤S13中，将测距过程中同一位置不同时间的测量值存储下来，利用高斯分布函数对测量值进行处理。

8.根据权利要求6所述的山体滑坡预警监测系统，其特征在于，步骤S2中，获取面积变化数据采集Si：利用各点位移当前时刻与下一时刻位置坐标，以时间作为维度，统计计算每个三角形的面积，在数据库中存储每个时刻的所有划分的三角形面积的大小值；

获取体积变化数据采集Vi：利用各点位移当前时刻与下一时刻位置坐标，以时间作为维度，统计计算每个三角形在固定时刻的体积变化度，在数据库中存储每个时刻的所有划分的三角形体积的大小值；

获取重心位移变化数据采集(Xgi,Ygi)：利用各点位移当前时刻与下一时刻位置坐标，以时间作为维度，统计计算每个三角形在固定时刻的重心位置坐标，在数据库中存储每个时刻的所有划分的三角形重心位置坐标值；

获取形状因子变化数据采集hi：利用各点位移当前时刻与下一时刻位置坐标，以时间作为维度，统计计算每个三角形在固定时刻的内接圆与外切圆的半径之比，作为形状变化因子，在数据库中存储每个时刻的所有划分的三角形形状变化因子；

获取位移加速度变化数据采集ai：利用各点位移当前时刻与下一时刻位置坐标，以时间作为维度，统计计算每个节点设备在每个时刻的位移加速度，在数据库中存储每个时刻的所有节点的位移加速度。