朱崇浩 張建經 馬東華 劉 陽 向 波
(①西南交通大學土木工程學院,成都 610031,中國) (②四川省交通廳公路規劃勘察設計研究院,成都 610041,中國)
2017年8月8日21時19分四川省九寨溝縣發生7.0級地震,震源深度20km、最大烈度為Ⅸ度,Ⅶ度及以上烈度區面積約4289km2(易桂喜等,2017)。地震期間,九寨溝地區發生多處滑坡、崩塌事件。地震后,九寨溝區域地表巖土愈加破碎、松散,形成了大量的滑坡隱患體,這些隱患體具有隱蔽性高、危險性不確定的特點,在短期內極有可能發生滑動,造成人員傷亡和財產損失(戴嵐欣等,2017)。
滑坡隱患體的識別和評價常見于滑坡危險性評價研究中,主要方法分為物理模型分析和經驗模型分析(Dieu Tien Bui et al.,2016),其本質區別在于是否考慮滑坡產生的物理、力學機制。物理模型通常基于具體的滑坡參數,例如幾何形態、容重、滲透率、黏聚力(c)、內摩擦角(φ)等,通過不同的滑坡物理力學模型來計算安全系數FS,最終根據FS來判斷滑坡個體的危險性(Montgomery et al.,1994; Thanh et al.,2014)。這種方法對于單個滑坡的評價具有較高的精確度,但是難以用于區域滑坡危險性評價。經驗模型常用于區域性滑坡危險性評價,因為這種方法通常不考慮滑坡的具體物理力學指標,而是通過一定數量的滑坡樣本,基于數學統計或機器學習的方法,建立滑坡影響因子與危險性之間的非線性關系,最終輸入不同的影響因子信息來獲得整個區域的滑坡危險性,其中人工神經網絡(Artificial neural networks)(向喜瓊等,2000; Lee et al.,2003; Melchiorre et al.,2008; 夏卜敬,2008; 譚龍等,2014)、邏輯回歸(Logistic regression)(Costanzo et al.,2014; 劉明學等,2014)、支持向量機(Support Vector Machines)(Kavzoglu et al.,2014)、隨機森林(Random forest)(李亭等,2014;……