基于GIS的區(qū)域群發(fā)性降雨型滑坡時空預報研究

曹 洪 洋，王 禹，滿 兵

(1.石家莊經(jīng)濟學院勘查技術(shù)與工程學院，河北 石家莊 050031；2.河北省地礦局水文工程地質(zhì)勘查院，河北 石家莊 050021)

?

基于GIS的區(qū)域群發(fā)性降雨型滑坡時空預報研究

曹 洪 洋1，王 禹1，滿 兵2

(1.石家莊經(jīng)濟學院勘查技術(shù)與工程學院，河北 石家莊 050031；2.河北省地礦局水文工程地質(zhì)勘查院，河北 石家莊 050021)

以滑坡災害突出的雅安市雨城區(qū)為例，綜合考慮降雨強度、前期降雨量及下墊面(地形、巖性、植被覆蓋等)構(gòu)建了基于GIS分析獲取的易發(fā)指數(shù)+BP型神經(jīng)網(wǎng)絡(luò)時空預報模型。首先通過試驗確定了模型的網(wǎng)絡(luò)參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，然后通過危險性區(qū)劃圖獲取降雨型滑坡易發(fā)指數(shù)，并利用GIS的空間插值功能和雨量站數(shù)據(jù)獲取相應降雨型滑坡的雨量數(shù)據(jù)，將量化后下墊面的易發(fā)指數(shù)和降雨數(shù)據(jù)作為神經(jīng)元輸入層數(shù)據(jù)。將模型應用于研究區(qū)，其中46個降雨型滑坡數(shù)據(jù)作為訓練樣本，10個降雨型滑坡數(shù)據(jù)作為檢驗樣本，預測精度達到90%，顯示該模型對于降雨型滑坡的時空預報精度較高。

降雨型滑坡；時空預報；地理信息系統(tǒng)(GIS)；BP神經(jīng)網(wǎng)絡(luò)模型

各種自然因素引發(fā)的滑坡中，降雨型滑坡發(fā)生的頻率最高，分布的地域最廣，造成的災害最嚴重，也是滑坡預報研究的主要對象[1,2]。降雨引起的滑坡具有群發(fā)性和區(qū)域性的特點，一次強降雨可以引發(fā)幾十、數(shù)百甚至上千處滑坡。建立預報預警系統(tǒng)是防范群發(fā)性降雨型滑坡災害的一個有效途徑，這也是目前地質(zhì)災害的一個研究熱點[3]。

近幾年來龍門山斷裂活動頻繁，造成破壞性較大的5·12汶川地震和4·20雅安地震，由其引發(fā)的次生地質(zhì)災害也較為嚴重，大部分地質(zhì)災害的發(fā)生與降雨有很大關(guān)系，對龍門山斷裂帶影響區(qū)域地質(zhì)災害規(guī)律的研究也成為研究熱點[4,5]。本文研究區(qū)域雅安市雨城區(qū)即位于斷裂帶影響的區(qū)域。

目前對于降雨型滑坡預測預報研究主要集中在對降雨閾值的研究，而忽略了下墊面(地質(zhì)要素)和外部因素共同作用的影響。針對此問題，本文擬采用基于GIS分析技術(shù)的易發(fā)指數(shù)+BP神經(jīng)網(wǎng)絡(luò)預測模型，充分考慮上述兩種因子，研究滑坡靜態(tài)因子、降雨與滑坡之間的響應關(guān)系。擬將區(qū)域滑坡危險性易發(fā)指數(shù)和降雨參數(shù)作為降雨型滑坡預報的輸入因子，結(jié)合研究區(qū)域歷史滑坡資料對模型的訓練及預測，進而達到對降雨型滑坡時空預測的目的。

1 國內(nèi)外降雨與降雨型滑坡關(guān)系研究概況

降雨型滑坡的發(fā)生既與降雨的強度和歷時分布有關(guān)，也與地層巖性、地質(zhì)構(gòu)造、地形地貌等環(huán)境因素有關(guān)，隨著位置不同而變化，難以事先對所有地點進行治理或監(jiān)測。因此對這類滑坡災害的防范需要通過及時預報提供警示。

降雨引發(fā)的滑坡是雨水與作為天氣系統(tǒng)下墊面的地質(zhì)、地形、土壤等因素共同作用的結(jié)果，對同一地區(qū)，如何根據(jù)給定的降雨條件，綜合利用地質(zhì)、地形、土壤等信息細化對滑坡預報的空間分辨率，既是減災實踐的需要，也是一個重要的科學問題。地質(zhì)、地形、土壤等條件在空間上是非均勻變化的，只有在地質(zhì)、地形、土壤等因素滿足一定條件的地方，降雨才會引起滑坡。因此降雨引發(fā)滑坡的預報是一個非線性問題，它涉及復雜的系統(tǒng)工程。要實現(xiàn)對降雨引發(fā)滑坡的精細化預報，除需要提高降雨預報的時間和空間分辨率，更需要考慮下墊面因素的作用，并引入和發(fā)展新的理論、方法[3]。

國內(nèi)外現(xiàn)有的滑坡預報系統(tǒng)大多是以降雨強度-歷時閾值方法為基礎(chǔ)建立的，一般很少考慮地層巖性、斷裂構(gòu)造、地形地貌、植被土壤、土地利用等環(huán)境因素的影響，因此不能實時、動態(tài)地表示出潛在滑坡的位置，難以提供有效的警示。

為解決這個問題，有學者采用事先編制的滑坡敏感度圖來指示潛在滑坡的空間分布?；旅舾卸葓D在我國稱滑坡易發(fā)程度區(qū)劃圖，對潛在滑坡的空間概率提供的是一種靜態(tài)描述，難以在滑坡敏感度圖與基于降雨閾值的警報系統(tǒng)之間實現(xiàn)實時聯(lián)動，仍不能實時、動態(tài)地指示潛在滑坡的位置。

國內(nèi)外學者對降雨與滑坡的關(guān)系研究主要從兩方面開展：1)研究降雨強度引發(fā)滑坡的閾值，以某一時段或某幾個時段的組合雨量值作為滑坡發(fā)生的一個界限值。杜榕桓等[6]研究發(fā)現(xiàn)：淺層堆積滑坡多在暴雨后10～12 h出現(xiàn)，16%的滑坡在暴雨后24 h內(nèi)出現(xiàn)，大量滑坡(包括大型和巨型滑坡)則在暴雨后28～30 h出現(xiàn)，另外77%滑坡在降雨后48 h內(nèi)產(chǎn)生，85%滑坡在降雨后72 h內(nèi)產(chǎn)生。李曉[7]對重慶一帶的地質(zhì)、地貌特點、降雨的侵蝕強度等進行研究，分別以日降雨量25 mm、50 mm、100 mm、150 mm、200 mm和250 mm為閾值研究了上述因素之間的關(guān)系，得到了當?shù)匕l(fā)生地表侵蝕或觸發(fā)地質(zhì)災害有隨日降雨強度變化的規(guī)律。2)研究降雨時段與滑坡發(fā)生的關(guān)系，即滑坡與前期降水的關(guān)系。Lumb早在1975 年的研究中就發(fā)現(xiàn)，滑坡與前期降水有明顯的聯(lián)系[8]；但Brand 等的研究則認為，對于大型滑坡，前期降水的多少并不是最根本的誘發(fā)因素[9]。晏同珍等[10]對災害性滑坡的降雨臨界值進行了討論。有的學者建議以一次降雨過程總量作為發(fā)生大量滑坡的依據(jù)，香港地區(qū)滑坡研究資料則提出以小時降雨量作為發(fā)生災害性滑坡的臨界值。李軍等[11]的研究結(jié)論為：不同類型的滑坡，前期降水與滑坡體積的關(guān)系不盡相同，體積較大的滑坡相對于體積較小的滑坡與前期降水間有較明顯的關(guān)系。

綜合國內(nèi)外學者關(guān)于降雨與滑坡關(guān)系的研究成果，雖然在某些方面還有爭執(zhí)，但在以下方面達成了共識：1)環(huán)境因子是影響暴雨型滑坡災害的一個重要因素；2)降雨強度、前期降水與滑坡災害存在著某種關(guān)系；3)不同地區(qū)滑坡災害存在著不同的降雨閾值，即降雨閾值與研究的范圍有關(guān)，并不存在一個適用于各個地區(qū)的降雨閾值。上述學者重點研究了降雨與滑坡發(fā)生之間的關(guān)系，而忽略了內(nèi)在因素和觸發(fā)因素(降雨)共同作用這一原則。降雨引發(fā)的地質(zhì)災害是降雨作用于地面環(huán)境后，地質(zhì)-氣象兩系統(tǒng)中諸因素間的組合效應超過某一限值導致的結(jié)果，所以要從這兩方面因素入手進行研究。

2 基于BP型神經(jīng)網(wǎng)絡(luò)的降雨型滑坡預測模型的構(gòu)建

降雨型滑坡災害空間預測的理論基礎(chǔ)是工程地質(zhì)類比法，即認為類似的工程地質(zhì)環(huán)境可以發(fā)生類似的滑坡[12]。BP型人工神經(jīng)網(wǎng)絡(luò)是一個超大規(guī)模非線性連續(xù)時間自適應信息處理系統(tǒng)，能夠通過學習樣本完成預測功能，符合滑坡災害風險預測的基本原理和思路，因此筆者試圖將此模型引入降雨型滑坡預測中。

2.1 神經(jīng)網(wǎng)絡(luò)模型概述

目前得到廣泛應用的人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)又稱連接機制模型(Connectionism Model)，是由大量與自然神經(jīng)細胞類似的人工神經(jīng)元廣泛互連而成的網(wǎng)絡(luò)。網(wǎng)絡(luò)的信息處理由神經(jīng)元間的相互作用實現(xiàn)，知識與信息的存儲表現(xiàn)為網(wǎng)絡(luò)元件互連間分布式的物理聯(lián)系，網(wǎng)絡(luò)的學習和識別決定于各神經(jīng)元連接權(quán)系的動態(tài)演化過程[13]。

BP(Back Propagation)網(wǎng)絡(luò)是目前應用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，訓練機制為誤差逆?zhèn)鞑ニ惴?，采用最速下降法的學習規(guī)則。通過反向傳播不斷調(diào)整其權(quán)值和閾值，達到網(wǎng)絡(luò)的誤差平方和最小。其基本原理可以從兩方面理解：1)人工神經(jīng)元。人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本組成單位，它能完成生物神經(jīng)元最基本的3種處理過程：評價輸入信號，決定每個輸入信號的強度；計算所有輸入信號的權(quán)重之和，并與處理單元的閾值進行比較：若權(quán)重和大于閾值，則人工神經(jīng)元被激發(fā)產(chǎn)生輸出信號，否則沒有輸出。2)人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。典型的人工神經(jīng)網(wǎng)絡(luò)模型由輸入層、中間層、輸出層組成，每一層包含許多神經(jīng)元。網(wǎng)絡(luò)通過輸入層接受輸入信號并經(jīng)過它傳送給中間層，輸入層并不處理數(shù)據(jù)。中間層也稱隱含層，其處理單元與外界沒有直接聯(lián)系，因此在人工神經(jīng)網(wǎng)絡(luò)中類似于黑箱，中間層可以為0～12層，為簡化通常設(shè)計中間層為1層或2層。網(wǎng)絡(luò)通過輸出層將結(jié)果輸出。

2.2 研究技術(shù)路線

本模型具體研究思路為：采用BP型神經(jīng)網(wǎng)絡(luò)作為數(shù)學模型，綜合考慮降雨因素和地質(zhì)因素對滑坡災害實時預測預報等級研究。在同一地區(qū)不同的滑坡危險性等級區(qū)段對同一次降雨過程的反應是不同的，在空間預測的基礎(chǔ)上通過疊加降雨數(shù)據(jù)，從而確定在不同降雨量下的危險性預測預報等級，即網(wǎng)絡(luò)輸入層參數(shù)為兩類：降雨參數(shù)和易發(fā)指數(shù)。

2.3 預測模型的構(gòu)建

基于上述技術(shù)路線，本模型首先設(shè)計了BP網(wǎng)絡(luò)配置。目前BP神經(jīng)網(wǎng)絡(luò)研究中對隱含層數(shù)目及學習步長等參數(shù)的選取還沒有理論指導。本研究采用從訓練樣本中選取子樣本的方法，進行多種網(wǎng)絡(luò)結(jié)構(gòu)的配置，從中選取較好的一種網(wǎng)絡(luò)配置。表1是網(wǎng)絡(luò)配置的參數(shù)，表2是在相同參數(shù)情況下不同隱含層個數(shù)的測試結(jié)果。

表1 網(wǎng)絡(luò)配置參數(shù)

Table 1 Neural network configuration parameters

參數(shù)激勵函數(shù)終止條件訓練參數(shù)設(shè)置對數(shù)形式迭代次數(shù)50000動量項0．2容錯性(%)95權(quán)重調(diào)節(jié)速度0．3

表2 網(wǎng)絡(luò)結(jié)構(gòu)配置測試結(jié)果

Table 2 Testing result of network structure

實驗編次輸入層隱含層輸出層誤差17711．921527811．871437911．8669471011．8248571111．8526

學習樣本中包含兩類數(shù)據(jù)：一是降雨數(shù)據(jù)，通過分析前人的研究，確定由臨近滑坡一次持續(xù)降雨量的強度和前期降雨兩個參數(shù)來研究降雨與滑坡的關(guān)系。前期降雨的時間段考慮為前1天、前5天、前10天、前15天和前1個月，包含6個降雨參數(shù)的數(shù)據(jù)分別為X1～X6。二是區(qū)域地質(zhì)因子的易發(fā)指數(shù)X7。輸出層個數(shù)為1個，對于輸出數(shù)值可按滑坡劃分為危險和不危險2個等級，數(shù)值化分別為1、0。

最后選用網(wǎng)絡(luò)結(jié)構(gòu)為輸入層神經(jīng)元個數(shù)7個、隱含層神經(jīng)元個數(shù)10個、輸出層神經(jīng)元個數(shù)1個。圖1為基于BP型神經(jīng)網(wǎng)絡(luò)滑坡災害預測的網(wǎng)絡(luò)配置圖。

圖1 滑坡災害預測模型網(wǎng)絡(luò)配置

Fig.1 Network arrangement diagram of landslide hazard prediction model

3 研究實例

3.1 研究區(qū)域概況

本文選取雅安市雨城區(qū)作為研究區(qū)，并以2003年7-9月發(fā)生在此地區(qū)56處降雨滑坡為研究對象。繼2008年5月12日四川汶川M8.0級大地震后，2013年4月20日08時02分46秒在四川蘆山發(fā)生M7.0級地震，兩次地震均發(fā)生在龍門山地震帶上[4]。與蘆山縣相鄰的雨城區(qū)同樣位于地震破壞帶內(nèi)，研究區(qū)內(nèi)松散堆積物廣布，加之氣候類型屬于亞熱帶濕潤季風氣候，雨量充沛，降雨集中，因此本區(qū)域是降雨型滑坡的集中地。

3.2 基于GIS的降雨數(shù)據(jù)處理

為了研究降雨與滑坡之間的關(guān)系，在研究區(qū)域內(nèi)布置了20臺雨量計(圖2)。由于并不是所有的滑坡點都設(shè)有雨量計，為了獲得每個滑坡點的降雨量數(shù)據(jù)，利用GIS技術(shù)做如下處理：首先通過GIS表面插值功能，對某個時段20個雨量站點降雨數(shù)據(jù)進行插值處理，形成一個連續(xù)表面，生成等值線圖。通過疊加滑坡點圖層和等值線圖，便可得到相應時間段內(nèi)每個滑坡點的降雨量數(shù)值。分別統(tǒng)計滑坡前持續(xù)降雨量和前1天、前5天、前10天、前15天、前1個月降雨數(shù)值。

圖2 雨量計平面位置

Fig.2 The plane position plan of the hyetometers

3.3 基于GIS的易發(fā)指數(shù)數(shù)據(jù)獲取

本模型除了考慮降雨數(shù)據(jù)外還考慮了影響降雨型滑坡發(fā)生的下墊面因子，筆者在前期研究中通過GIS空間分析功能及多因子疊加方法獲取了易發(fā)指數(shù)[14,15]，易發(fā)指數(shù)中充分考慮了斜坡類型、地層巖組、高程、年降雨量、坡度、植被覆蓋、坡向、道路、水系、線性構(gòu)造等滑坡靜態(tài)影響因素。通過疊加滑坡與易發(fā)指數(shù)圖層，得到每個滑坡對應的易發(fā)指數(shù)，此指數(shù)經(jīng)過處理作為模型的輸入值。

3.4 模型訓練及預測

數(shù)據(jù)庫中共有232個歷史滑坡數(shù)據(jù)[14]，從中選擇與降雨有密切關(guān)系的56個滑坡作為模型的學習訓練數(shù)據(jù)。在網(wǎng)絡(luò)模型運算過程中，選取其中46個滑坡作為學習樣本用來訓練網(wǎng)絡(luò)模型，當?shù)螖?shù)大于50 000次時結(jié)束訓練，最后控制總誤差為0.3386。將其余的10個滑坡點作為檢驗樣本輸入訓練好的模型中，如果精度達到要求，則說明網(wǎng)絡(luò)模型的建立是成功的。表3是檢驗樣本的輸入值及學習結(jié)果，表4是檢驗樣本的預測精度。

表3 檢驗樣本輸入值

Table 3 Input values of the test samples

滑坡序號X1X2X3X4X5X6X7196152．3501．2190．0181．3173．367．50．3197152．3501．2190．0181．3173．367．50．3198152．3501．2190．0181．3173．367．50．2200181．3525．5212．4204．3195．882．20．2207203．9639．9260．3249．4242．2129．10．2210196．9627．2253．2242．3235．0124．80．2211210．8644．4267．3256．7249．8133．80．3212191．4639．1248．5237．1229．2120．70．39327．1282．2213．1167．197．615．30．2995．7121．261．559．422．25．70．2

表4 檢驗樣本預測值

Table 4 Predicted values of the test samples

滑坡序號1961971982002072102112129399理想輸出值0000011000實際輸出值00000．9960．9800．9900．14300

3.5 結(jié)果分析

分析預測結(jié)果可以看到，207號滑坡預測結(jié)果與實際情況不符，211號預測結(jié)果較好。對比207號與211號滑坡的輸入數(shù)據(jù)，二者差別較小，說明其地質(zhì)條件和觸發(fā)因素比較相似，其輸出結(jié)果應該也比較接近，考察模型的輸出值可以看到輸出值都接近于1，因此出現(xiàn)誤差的原因不是模型本身的問題。繼續(xù)考察207號李家壩滑坡，之所以在8·25降雨中沒有發(fā)生大面積的變形移動，是因為此滑坡在變形初期有一些簡易的支護措施。模型中并沒有考慮人為的影響因素，導致輸出值誤差較大，需要在今后的工作中進一步完善模型。

210號、211號和212號滑坡實際輸出值與理想輸出值有一定的差別，在實際處理中，應將實際輸出值在0和1附近一定區(qū)間的數(shù)值都分別歸類為0和1，即分別定性為危險程度小和大?？傮w看，在10個預測樣本中9個值符合要求，預測精度達到90%。

4 結(jié)論與建議

采用BP神經(jīng)網(wǎng)絡(luò)方法和GIS分析技術(shù)建立的群發(fā)性降雨型滑坡災害預測模型，充分考慮了降雨和下墊面(地形、巖性、植被覆蓋等)兩方面因素，實現(xiàn)了滑坡區(qū)劃和降雨之間的聯(lián)動，為降雨型滑坡的預報提供了一種新的理論方法。

本模型的預測精度會受訓練樣本分布和降雨數(shù)據(jù)插值的影響。隨著降雨滑坡數(shù)據(jù)增多，可以加大網(wǎng)絡(luò)的訓練樣本以提高預測精度。本模型是基于歷史滑坡的學習構(gòu)建的，因此在推廣應用時，首先應進行本地區(qū)滑坡樣本的學習。

本研究所用的滑坡數(shù)據(jù)和降雨數(shù)據(jù)由中國地質(zhì)環(huán)境監(jiān)測院災害室提供，此致謝忱！

[1] 陳偉,許強.地質(zhì)災害降雨預警基準研究[J].地球與環(huán)境,2011,39(3):393-398.

[2] 趙衡,宋二祥.誘發(fā)區(qū)域性滑坡的降雨閾值[J].吉林大學學報(地球科學版),2011,41(5):1481-1487.

[3] 李長江,麻士華,朱興盛,等.降雨型滑坡預報的理論、方法及應用[M].北京:地質(zhì)出版社，2008.

[4] 蘭恒星,周成虎,高星,等.四川雅安蘆山地震災區(qū)次生地質(zhì)災害評估及對策建議[J].地理科學進展,2013,32(4)：499-504.

[5] 齊信,唐川,陳州豐,等.汶川地震強震區(qū)地震誘發(fā)滑坡與后期降雨誘發(fā)滑坡控制因子耦合分析[J].工程地質(zhì)學報,2012,20(4):522-531.

[6] 杜榕桓.長江三峽工程庫區(qū)滑坡與泥石流研究[M].成都：四川科學技術(shù)出版社,1991.

[7] 李曉.重慶地區(qū)的強降雨過程與地質(zhì)災害的相關(guān)分析[J].中國地質(zhì)災害與防治學報，1995,6(3):39-42.

[8] LUMB P.Slope failure in Hong Kong[J].Quarterly Journal of Engineering Geology,1975,8:31-65.

[9] BRAND E W,PREMCHITT J,PHILLIPSON H B.Relationship between rainfall and landslide in Hong Kong[A].Proceedings of the Fourth International Symposium on Landslide[C].Toronto，1984.377-384.

[10] 晏同珍,楊順安.崩塌滑坡災害群發(fā)性初探[J].災害學,1987,2(3):23-24.

[11] 李軍,周成虎.香港地區(qū)滑坡體積與前期降水關(guān)系分析[J].自然災害學報,2002,11(2):37-45.

[12] BP模型在區(qū)域滑坡災害風險預測中的應用[J].巖土力學,2005,26(9):1409-1413.

[13] 王偉.人工神經(jīng)網(wǎng)絡(luò)原理——入門與應用[M].北京：北京航空航天大學出版社，1995.

[14] 曹洪洋,邊亞東.一種新的區(qū)域滑坡影響因子敏感性分析方法研究與應用[J].湖南科技大學學報,2009,24(2):49-52.

[15] 曹洪洋,陳繼華,高彥麗.基于GIS的斷層構(gòu)造對滑坡災害發(fā)育控制作用分析——以雅安市雨城區(qū)為例[J].地球與環(huán)境,2012,40(4):595-598.

Spatio-Temporal Prediction of the Regional Group-Occurring Rainfall-Induced Landslides Based on GIS

CAO Hong-yang1,WANG Yu1,MAN Bing2

(1.CollegeofProspectingTechniques,ShijiazhuangUniversityofEconomics,Shijiazhuang050031; 2.HydrogeologyandEngineeringGeologySurveyInstitute，GeologyandMineralExplorationBureauofHebeiProvince,Shijiazhuang050021,China)

The new method of spatio-temporal prediction model is proposed based on the rainfall-induced historical landslides of Yucheng County,Yaan City,which influence factors of rain intensity,precipitation and underlying surface are fully considered.The prediction model of BP neural network and landslide easy-happening index based on GIS are constructed.Firstly,on the basis of the experiments，the network parameters and the network structure are confirmed.Secondly,easy-happening values of landslides underlying surface are obtained from the hazard zonation data.Every landslide rainfall data is performed by the spatial interpolation of GIS.The quantified underlying surface and precipitation are used as the input layer data of the model.Finally,the new method of landslide prediction is applied to the researched region.Forty-six landslides data of that are used as the training samples and ten landslides are used in the test samples.It shows 90 percent are correct.It is proved the new method of landslide prediction can predict the occurrence time of landslides with higher precision.

rainfall-induced landslides;spatio-temporal prediction;Geographic Information System(GIS);BP neural network model

2013-12-27；

2014-07-21

國家自然科學基金項目(41301015)；國土資源公益性行業(yè)科研專項項目(201011003)

曹洪洋(1975-)，男，博士，副教授，主要從事環(huán)境地質(zhì)和巖土工程教學和科研工作。E-mail:hongyangc@126.com

10.3969/j.issn.1672-0504.2015.01.022

P642.22

A

1672-0504(2015)01-0106-04