降雨量貝葉斯分類器的泥石流預(yù)測研究

張建偉，雷 霖，陳二陽，趙永鑫

(成都大學(xué)電子信息工程學(xué)院，四川 成都 610106)

降雨量貝葉斯分類器的泥石流預(yù)測研究

張建偉，雷 霖，陳二陽，趙永鑫

(成都大學(xué)電子信息工程學(xué)院，四川 成都 610106)

泥石流是一種危害程度很高的地質(zhì)自然災(zāi)害，其預(yù)測的準(zhǔn)確性有著極其重要的現(xiàn)實意義.為了能夠更有效地對泥石流進(jìn)行預(yù)測，提出了一種基于降雨量貝葉斯分類器的泥石流預(yù)測方法.首先根據(jù)某地域歷年來的降雨量和泥石流數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，然后對貝葉斯分類器的參數(shù)進(jìn)行確定，最后用該分類器對某地近幾年的降雨量和泥石流數(shù)據(jù)進(jìn)行計算和驗證.實驗表明，該貝葉斯分類器可以有效地通過降雨量數(shù)據(jù)來實現(xiàn)對該地域泥石流發(fā)生的預(yù)測，通過數(shù)據(jù)庫比對確定其正確率達(dá)到85%.

降雨量;泥石流;貝葉斯;分類器

0 引言

四川地區(qū)由于地形復(fù)雜多變，涵蓋高原、盆地、山脈、丘陵等各種地形，是我國的一個地質(zhì)災(zāi)害多發(fā)的區(qū)域［1］.泥石流是一種山區(qū)中常見的固、液二相輸移現(xiàn)象，其中固、液主要是指泥沙、石塊等［2］，泥石流的形成與多種因素相關(guān)，例如地形、土壤、植被、降雨量等［3］.本研究通過對某區(qū)域地質(zhì)、植被等條件相對固定的前提下的降雨量分析來實現(xiàn)對泥石流的預(yù)測，并從信號與信息處理的角度，將模式識別的分類器［4］引入到災(zāi)害數(shù)據(jù)分析中，通過對歷史的數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練，以達(dá)到預(yù)測未來泥石流發(fā)生的可能情況.

1 基于ZigBee傳輸?shù)慕涤炅坎杉桨?/h2>

預(yù)測泥石流的前提就是要采集預(yù)測所需要的數(shù)據(jù)，而這些數(shù)據(jù)中，最重要的、最多變的就是降雨量，為了更方便地得到更準(zhǔn)確的降雨量數(shù)據(jù)并為后期的預(yù)測做好基礎(chǔ)，本研究采用了基于ZigBee［5］無線傳輸?shù)姆绞讲杉桨?為了能夠形成“自組織"通信網(wǎng)絡(luò)，其控制內(nèi)核仍然采用具有 ZigBee通信的CC2431芯片進(jìn)行控制，該芯片能夠與雨量監(jiān)測終端兼容，形成統(tǒng)一無線傳感網(wǎng)絡(luò).與此同時，雨量終端和環(huán)境數(shù)據(jù)采集終端可相互實現(xiàn)其監(jiān)測信息的路由傳輸和無線通信.圖1為ZigBee檢測終端框架示意圖.

圖1 ZigBee檢測終端框架示意圖

2 貝葉斯分類器原理

貝葉斯分類器作為分類器中最為經(jīng)典的分類器，基于貝葉斯的分類器按照其風(fēng)險決策的選擇分為:基于最小錯誤率的貝葉斯決策、基于最小風(fēng)險的貝葉斯決策、最小最大決策等.針對本研究的特點，選擇基于最小錯誤率的貝葉斯決策.

在基于最小錯誤率的貝葉斯決策中，主要考慮的就是分類錯誤率最小，不同的應(yīng)用中有不同的物理含義.以基于降雨量的泥石流決策為例，其決策的2個類結(jié)果就是發(fā)生泥石流和不發(fā)生泥石流，由于百分之百的決策是不可能的，因此這里只能將錯誤的分類概率降到最低.在普通的決策中，最常用到的一個量就是先驗概率，對于泥石流來說在一年中降雨就發(fā)生泥石流的概率為P(ω1)，降雨未發(fā)生的概率為P(ω2)，僅僅依靠先驗概率2個值來決策的話，就可以認(rèn)為如果P(ω1)＞P(ω2)，那么就會發(fā)生泥石流，否則就不會發(fā)生.但這樣的信息量太少，做出的決策錯誤率太高，幾乎不能實際應(yīng)用.為了提高貝葉斯分類決策的實際可應(yīng)用性，本研究將后驗概率的概念引進(jìn)決策中.所謂后驗概率，即是通過引入觀測量后所得到的概率，觀測量可以由多維向量組成.這里假設(shè)觀測量只有一個，日降雨量為d，其后驗概率就可以表示為P(ωi/d)，也就是在d出現(xiàn)的情況下發(fā)生泥石流或不發(fā)生泥石流的概率.按照貝葉斯公式，

其中，P(d/ωi)為后驗概率密度.

這樣，最終進(jìn)行分類決策就不僅僅是依靠先驗概率那么簡單，而是有了更多的后驗信息，

3 基于降雨量的貝葉斯分類器設(shè)計

本研究所設(shè)計的分類器是以一個區(qū)域中多年的降雨量與泥石流發(fā)生數(shù)據(jù)作為樣本進(jìn)行訓(xùn)練的，在這種情況下，其他的數(shù)據(jù)都可以看成為定值.在本研究中，數(shù)據(jù)來源于川南攀東與云南交界地區(qū)的泥石流與降雨量資料.

在貝葉斯分類器設(shè)計中，使用VC++中的MFC進(jìn)行軟件的界面設(shè)計，該軟件可以讀取來自網(wǎng)絡(luò)傳輸?shù)接嬎銠C中的降雨量數(shù)據(jù)信息.貝葉斯分類器的先驗概率和類概率密度函數(shù)很容易根據(jù)前幾年該地區(qū)的實際數(shù)據(jù)訓(xùn)練后得到，降雨量本身也包含了很多參數(shù)量，例如月降雨量、10日降雨量、單日降雨量以及 10 min 降雨量(也稱為雨強)［6－8］，從地質(zhì)災(zāi)害學(xué)來看，單日降雨量對泥石流的影響權(quán)重最高，往日的降雨量也起到很大的作用.因此，本研究按照近2日的平均降雨量作為一維觀測量進(jìn)行貝葉斯分類器設(shè)計，并設(shè)ω1表示發(fā)生泥石流，ω2表示未發(fā)生泥石流，P(ω1)表示發(fā)生泥石流的先驗概率，P(ω2)表示未發(fā)生泥石流的先驗概率，p(x/ωj)表示發(fā)生或未發(fā)生泥石流的類條件概率密度，P(ωj/d)為發(fā)生或未發(fā)生泥石流的后驗概率.根據(jù)公式(1)可以得到以下貝葉斯分類器的決策規(guī)則.

規(guī)則 若P(ω1/d)＞P(ω2/d)，則決策結(jié)果為發(fā)生泥石流，反之，P(ω1/d)＜P(ω2/d)，則決策結(jié)果為不發(fā)生泥石流.

4 實驗與分析

根據(jù)2001～2003年，川南攀東與云南交界地區(qū)的泥石流和降雨量實際數(shù)據(jù)，該區(qū)域共發(fā)生330次日降雨，發(fā)生泥石流的次數(shù)為32次，由此可得到發(fā)生泥石流的先驗概率為0.096，未發(fā)生的概率為0.904.同樣，可以按照后驗概率的定義統(tǒng)計得到日降雨量分類器的每種降雨量后驗概率.此時，可以通過統(tǒng)計直接得到后驗概率而不通過條件概率密度，使用這些參數(shù)就可以建立基于最小錯誤概率的貝葉斯分類器.

為了驗證該分類器的效果，本研究采該區(qū)域2010年全年的泥石流與其最近2日降雨量的數(shù)據(jù)進(jìn)行檢測，結(jié)果如表1所示.

表1 2010年某地泥石流數(shù)據(jù)

為了簡化繁多的數(shù)據(jù)，實際發(fā)生泥石流及其預(yù)測的情況如表2所示.

表2 2010年泥石流數(shù)據(jù)預(yù)測對比

由表2可以看出，2010年該地區(qū)共發(fā)生了6次泥石流，其中2次預(yù)測錯誤，第一次是7月23～24日的5.2 mm降雨量時發(fā)生了泥石流，而貝葉斯分類器預(yù)測未發(fā)生;第二次是8月4～5日的2.7 mm降雨量時發(fā)生了泥石流.對于未列出的發(fā)生了降雨而未發(fā)生泥石流的情況共46次，有6次預(yù)測為發(fā)生而實際未發(fā)生.從得到的泥石流總流量數(shù)據(jù)來看，降雨量小的時候泥石流的總流量也相對較小.因此，從風(fēng)險控制的角度來講，預(yù)測錯誤的風(fēng)險還是相對較小的.綜合來看，52次降雨，8次預(yù)測錯誤，預(yù)測的準(zhǔn)確率為85%.

對于發(fā)生預(yù)測失誤的原因，從降雨量的數(shù)據(jù)分析可見，表中2次實際發(fā)生預(yù)測為未發(fā)生的失誤是由于預(yù)測時間之前2～3日都出現(xiàn)了較大的降雨;在6次實際未發(fā)生卻預(yù)測為發(fā)生的失誤是由于預(yù)測時間之前2～3日甚至4～5日都幾乎沒有任何降雨.因此，降雨量的持續(xù)影響在本分類器中并未體現(xiàn).但本方法并不需要考慮降雨量以外的其他因素［9－10］，簡化了預(yù)測的復(fù)雜度，因此具有一定的研究與實際應(yīng)用價值.

5 結(jié)論

基于最小錯誤概率的貝葉斯分類器可以在不同的地區(qū)通過其歷史數(shù)據(jù)自動建立泥石流預(yù)測模型，而不過分依賴于其他如地質(zhì)、地形等因素，適應(yīng)性較好.從實驗驗證結(jié)果也可以看出，基于最小錯誤概率的貝葉斯分類器用于通過降雨量來預(yù)測泥石流發(fā)生的思路，在降雨量大的時候預(yù)測較為準(zhǔn)確，而在降雨量小的時候其預(yù)測結(jié)果準(zhǔn)確度不夠，對于風(fēng)險控制來說，已經(jīng)達(dá)到最小，且從總體上看，效果較好.需說明的是，由于本研究得到的實際數(shù)據(jù)有限，用現(xiàn)有的驗證數(shù)據(jù)其準(zhǔn)確率已達(dá)到了85%，并且一維的觀測量信息量有限還會造成一定的誤判.因此，通過采用更多維的觀測量來提高本方法預(yù)測的準(zhǔn)確率是下一步研究工作的方向.

［1］蘇鵬程，劉希林，郭潔.四川泥石流災(zāi)害與降雨關(guān)系的初步探討［J］.自然災(zāi)害學(xué)報，2006，15(4):19 －23.

［2］白永峰.成昆線暴雨泥石流預(yù)報量化方法的探討［J］.土壤侵蝕與水土保持學(xué)報，1998，4(3):67－72.

［3］李大鳴，呂會嬌.山區(qū)暴雨泥石流預(yù)報數(shù)學(xué)模型的研究［J］.中國農(nóng)村水利水電，2011，53(6):24 －28.

［4］邊肇祺.模式識別［M］.北京:清華大學(xué)出版社，1999.

［5］龐泳，李光明.基于ZigBee的智能家居系統(tǒng)改進(jìn)研究［J］.計算機工程與設(shè)計，2014，36(5):1547 －1550.

［6］孫偉，高峰.暴雨型泥石流預(yù)報中的降水因子［J］.安徽農(nóng)業(yè)科學(xué)，2010，38(12):6287 －6288.

［7］倪化勇，王德偉.基于雨強條件的泥石流預(yù)測預(yù)報研究現(xiàn)狀、問題與建議［J］.災(zāi)害學(xué)，2010，25(1):124 －128.

［8］田冰，王裕宜，洪勇.泥石流預(yù)報中前期降水量與始發(fā)H降水量的權(quán)重關(guān)系——以云南省蔣家溝為例［J］.水土保持學(xué)報，2008，28(2):71 －78.

［9］李大鳴，呂會嬌.山區(qū)暴雨泥石流預(yù)報數(shù)學(xué)模型的研究［J］.中國農(nóng)村水利水電，2011，6(1):24 －28.

［10］康志成，李焯芬，馬藹乃，等.中國泥石流研究［M］.北京:科學(xué)出版社，2004.

Debris Flow Prediction Based on Rainfall Bayes Classifier

ZHANG Jianwei，LEI Lin，CHEN Eryang，ZHAO Yongxin
(School of Electronic and Information Engineering，Chengdu University，Chengdu 610106，China)

Debris flow is very detrimental natural disaster with serious destructiveness.The precise prediction of debris flow plays quite important role.In order to predict debris flow effectively，this paper proposes an prediction method based on rainfall Bayes classifier.First of all，training and learning are made by the debris flow and rainfall data of certain area.Then，the parameters of the Bayes classifier are determined.At last，the latest data of debris flow and rainfall are computed and verified by this classifier.The experimental results show that the Bayes classifier can predict the debris flow status by the rainfall data effectively，and the correction ratio reaches 85%by database comparison.

rainfall;debris flow;Bayes;classifier

P642.23

A

1004－5422(2015)01－0094－03

2015－01－09.

四川省科技廳科技支撐計劃(13ZC1371)資助項目.

張建偉(1980—)，男，博士，講師，從事計算機圖像處理與模式識別研究.