基于GIS的區域群發性降雨型滑坡時空預報研究

曹 洪 洋，王 禹，滿 兵

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

?

基于GIS的區域群發性降雨型滑坡時空預報研究

曹 洪 洋1，王 禹1，滿 兵2

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

以滑坡災害突出的雅安市雨城區為例，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)構建了基于GIS分析獲取的易發指數+BP型神經網絡時空預報模型。首先通過試驗確定了模型的網絡參數和網絡結構，然后通過危險性區劃圖獲取降雨型滑坡易發指數，并利用GIS的空間插值功能和雨量站數據獲取相應降雨型滑坡的雨量數據，將量化后下墊面的易發指數和降雨數據作為神經元輸入層數據。將模型應用于研究區，其中46個降雨型滑坡數據作為訓練樣本，10個降雨型滑坡數據作為檢驗樣本，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(GIS)；BP神經網絡模型

各種自然因素引發的滑坡中，降雨型滑坡發生的頻率最高，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性和區域性的特點，一次強降雨可以引發幾十、數百甚至上千處滑坡。建立預報預警系統是防范群發性降雨型滑坡災害的一個有效途徑，這也是目前地質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，由其引發的次生地質災害也較為嚴重，大部分地質災害的發生與降雨有很大關系，對龍門山斷裂帶影響區域地質災害規律的研究也成為研究熱點[4,5]。本文研究區域雅安市雨城區即位于斷裂帶影響的區域。

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分析技術的易發指數+BP神經網絡預測模型，充分考慮上述兩種因子，研究滑坡靜態因子、降雨與滑坡之間的響應關系。擬將區域滑坡危險性易發指數和降雨參數作為降雨型滑坡預報的輸入因子，結合研究區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 國內外降雨與降雨型滑坡關系研究概況

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

降雨引發的滑坡是雨水與作為天氣系統下墊面的地質、地形、土壤等因素共同作用的結果，對同一地區，如何根據給定的降雨條件，綜合利用地質、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、地形、土壤等條件在空間上是非均勻變化的，只有在地質、地形、土壤等因素滿足一定條件的地方，降雨才會引起滑坡。因此降雨引發滑坡的預報是一個非線性問題，它涉及復雜的系統工程。要實現對降雨引發滑坡的精細化預報，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，并引入和發展新的理論、方法[3]。

國內外現有的滑坡預報系統大多是以降雨強度-歷時閾值方法為基礎建立的，一般很少考慮地層巖性、斷裂構造、地形地貌、植被土壤、土地利用等環境因素的影響，因此不能實時、動態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。滑坡敏感度圖在我國稱滑坡易發程度區劃圖，對潛在滑坡的空間概率提供的是一種靜態描述，難以在滑坡敏感度圖與基于降雨閾值的警報系統之間實現實時聯動，仍不能實時、動態地指示潛在滑坡的位置。

國內外學者對降雨與滑坡的關系研究主要從兩方面開展：1)研究降雨強度引發滑坡的閾值，以某一時段或某幾個時段的組合雨量值作為滑坡發生的一個界限值。杜榕桓等[6]研究發現：淺層堆積滑坡多在暴雨后10～12 h出現，16%的滑坡在暴雨后24 h內出現，大量滑坡(包括大型和巨型滑坡)則在暴雨后28～30 h出現，另外77%滑坡在降雨后48 h內產生，85%滑坡在降雨后72 h內產生。李曉[7]對重慶一帶的地質、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系，得到了當地發生地表侵蝕或觸發地質災害有隨日降雨強度變化的規律。2)研究降雨時段與滑坡發生的關系，即滑坡與前期降水的關系。Lumb早在1975 年的研究中就發現，滑坡與前期降水有明顯的聯系[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生大量滑坡的依據，香港地區滑坡研究資料則提出以小時降雨量作為發生災害性滑坡的臨界值。李軍等[11]的研究結論為：不同類型的滑坡，前期降水與滑坡體積的關系不盡相同，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系。

綜合國內外學者關于降雨與滑坡關系的研究成果，雖然在某些方面還有爭執，但在以下方面達成了共識：1)環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系；3)不同地區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，并不存在一個適用于各個地區的降雨閾值。上述學者重點研究了降雨與滑坡發生之間的關系，而忽略了內在因素和觸發因素(降雨)共同作用這一原則。降雨引發的地質災害是降雨作用于地面環境后，地質-氣象兩系統中諸因素間的組合效應超過某一限值導致的結果，所以要從這兩方面因素入手進行研究。

2 基于BP型神經網絡的降雨型滑坡預測模型的構建

降雨型滑坡災害空間預測的理論基礎是工程地質類比法，即認為類似的工程地質環境可以發生類似的滑坡[12]。BP型人工神經網絡是一個超大規模非線性連續時間自適應信息處理系統，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 神經網絡模型概述

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

BP(Back Propagation)網絡是目前應用最廣泛的神經網絡模型之一，訓練機制為誤差逆傳播算法，采用最速下降法的學習規則。通過反向傳播不斷調整其權值和閾值，達到網絡的誤差平方和最小。其基本原理可以從兩方面理解：1)人工神經元。人工神經元是人工神經網絡的基本組成單位，它能完成生物神經元最基本的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重之和，并與處理單元的閾值進行比較：若權重和大于閾值，則人工神經元被激發產生輸出信號，否則沒有輸出。2)人工神經網絡結構。典型的人工神經網絡模型由輸入層、中間層、輸出層組成，每一層包含許多神經元。網絡通過輸入層接受輸入信號并經過它傳送給中間層，輸入層并不處理數據。中間層也稱隱含層，其處理單元與外界沒有直接聯系，因此在人工神經網絡中類似于黑箱，中間層可以為0～12層，為簡化通常設計中間層為1層或2層。網絡通過輸出層將結果輸出。

2.2 研究技術路線

本模型具體研究思路為：采用BP型神經網絡作為數學模型，綜合考慮降雨因素和地質因素對滑坡災害實時預測預報等級研究。在同一地區不同的滑坡危險性等級區段對同一次降雨過程的反應是不同的，在空間預測的基礎上通過疊加降雨數據，從而確定在不同降雨量下的危險性預測預報等級，即網絡輸入層參數為兩類：降雨參數和易發指數。

2.3 預測模型的構建

基于上述技術路線，本模型首先設計了BP網絡配置。目前BP神經網絡研究中對隱含層數目及學習步長等參數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，進行多種網絡結構的配置，從中選取較好的一種網絡配置。表1是網絡配置的參數，表2是在相同參數情況下不同隱含層個數的測試結果。

表1 網絡配置參數

Table 1 Neural network configuration parameters

參數激勵函數終止條件訓練參數設置對數形式迭代次數50000動量項0．2容錯性(%)95權重調節速度0．3

表2 網絡結構配置測試結果

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據：一是降雨數據，通過分析前人的研究，確定由臨近滑坡一次持續降雨量的強度和前期降雨兩個參數來研究降雨與滑坡的關系。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個降雨參數的數據分別為X1～X6。二是區域地質因子的易發指數X7。輸出層個數為1個，對于輸出數值可按滑坡劃分為危險和不危險2個等級，數值化分別為1、0。

最后選用網絡結構為輸入層神經元個數7個、隱含層神經元個數10個、輸出層神經元個數1個。圖1為基于BP型神經網絡滑坡災害預測的網絡配置圖。

圖1 滑坡災害預測模型網絡配置

Fig.1 Network arrangement diagram of landslide hazard prediction model

3 研究實例

3.1 研究區域概況

本文選取雅安市雨城區作為研究區，并以2003年7-9月發生在此地區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秒在四川蘆山發生M7.0級地震，兩次地震均發生在龍門山地震帶上[4]。與蘆山縣相鄰的雨城區同樣位于地震破壞帶內，研究區內松散堆積物廣布，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，因此本區域是降雨型滑坡的集中地。

3.2 基于GIS的降雨數據處理

為了研究降雨與滑坡之間的關系，在研究區域內布置了20臺雨量計(圖2)。由于并不是所有的滑坡點都設有雨量計，為了獲得每個滑坡點的降雨量數據，利用GIS技術做如下處理：首先通過GIS表面插值功能，對某個時段20個雨量站點降雨數據進行插值處理，形成一個連續表面，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每個滑坡點的降雨量數值。分別統計滑坡前持續降雨量和前1天、前5天、前10天、前15天、前1個月降雨數值。

圖2 雨量計平面位置

Fig.2 The plane position plan of the hyetometers

3.3 基于GIS的易發指數數據獲取

本模型除了考慮降雨數據外還考慮了影響降雨型滑坡發生的下墊面因子，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指數[14,15]，易發指數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、線性構造等滑坡靜態影響因素。通過疊加滑坡與易發指數圖層，得到每個滑坡對應的易發指數，此指數經過處理作為模型的輸入值。

3.4 模型訓練及預測

數據庫中共有232個歷史滑坡數據[14]，從中選擇與降雨有密切關系的56個滑坡作為模型的學習訓練數據。在網絡模型運算過程中，選取其中46個滑坡作為學習樣本用來訓練網絡模型，當迭代次數大于50 000次時結束訓練，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，則說明網絡模型的建立是成功的。表3是檢驗樣本的輸入值及學習結果，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 結果分析

分析預測結果可以看到，207號滑坡預測結果與實際情況不符，211號預測結果較好。對比207號與211號滑坡的輸入數據，二者差別較小，說明其地質條件和觸發因素比較相似，其輸出結果應該也比較接近，考察模型的輸出值可以看到輸出值都接近于1，因此出現誤差的原因不是模型本身的問題。繼續考察207號李家壩滑坡，之所以在8·25降雨中沒有發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附近一定區間的數值都分別歸類為0和1，即分別定性為危險程度小和大。總體看，在10個預測樣本中9個值符合要求，預測精度達到90%。

4 結論與建議

采用BP神經網絡方法和GIS分析技術建立的群發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，實現了滑坡區劃和降雨之間的聯動，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據插值的影響。隨著降雨滑坡數據增多，可以加大網絡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建的，因此在推廣應用時，首先應進行本地區滑坡樣本的學習。

本研究所用的滑坡數據和降雨數據由中國地質環境監測院災害室提供，此致謝忱！

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

[2] 趙衡,宋二祥.誘發區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:地質出版社，2008.

[4] 蘭恒星,周成虎,高星,等.四川雅安蘆山地震災區次生地質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.汶川地震強震區地震誘發滑坡與后期降雨誘發滑坡控制因子耦合分析[J].工程地質學報,2012,20(4):522-531.

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

[7] 李曉.重慶地區的強降雨過程與地質災害的相關分析[J].中國地質災害與防治學報，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.崩塌滑坡災害群發性初探[J].災害學,1987,2(3):23-24.

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

[12] BP模型在區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.人工神經網絡原理——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的斷層構造對滑坡災害發育控制作用分析——以雅安市雨城區為例[J].地球與環境,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科研專項項目(201011003)

曹洪洋(1975-)，男，博士，副教授，主要從事環境地質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