甘肅舟曲滑坡易發性分析與治理效果研究

王云峰，馮 瑾

(甘肅省科學院地質自然災害防治研究所，甘肅 蘭州 730000)

舟曲坐落于甘肅南部，山勢陡峭，溝壑縱橫，地貌特征復雜，滑坡災害發育，對當地人民的生命財產安全造成了巨大威脅[1]。針對滑坡易發性的研究以往多采用數學模型分析，田春山等[2]采用CF分析模型獲得廣東滑坡的易發性，利用Logistic模型計算出滑坡災害的易發性；司康平等[3]以深圳市某區滑坡為例，證明了GAM模型效果優于Logistic模型和CART模型的結論；屈新星等[4]驗證了MaxEnt模型對攀枝花滑坡易發性研究方面的適用性；Pradhan等[5- 7]采用了人工神經網絡法、頻率比模型、多元回歸模型和模糊邏輯對馬來西亞等地滑坡進行了易發性評估；唐曉娜[8]基于卷積神經網絡及綜合指數分析模型評價呂梁市滑坡的易發性；楊強等[9]則選用多種組合數學模型對區域間滑坡易發性和準確度展開評價研究。前人的研究在不同的地域均凸顯了各自的評價特點和適用性。近些年來，隨著GIS技術的不斷發展，采用GIS軟件與模型結合的方式對滑坡的易發性展開量化剖析研究取得了較大的研究成果[10- 12]。針對極高易發區的一系列滑坡群，抗滑樁得到了廣泛應用且取得了較好的效果[13- 14]。

本文基于舟曲縣滑坡災害特征，考慮不同因素的影響，利用SVM分類原理，運用遙感與反求工程技術從地貌、水文等方面提取8個影響因子，構建了舟曲滑坡易發性評價模型，采用卷積神經網絡評價滑坡易發性和分區，有效防治和規避滑坡災害風險。另外，對極高易發區的滑坡采取“抗滑群樁+扶壁式擋墻”治理措施進行了三維有限元分析，得到防治效果的可靠性，為舟曲縣滑坡防治工程的設計、施工提供了科學依據。

1 滑坡易發性評價

1.1 數據采集

本文收集并采用前人勘察研究的67處滑坡，繪制舟曲縣滑坡災害分布圖，如圖1所示。使用OKIO- 400型激光三維掃描儀，得到研究區的點云數據。通過逆向軟件Geomagic采用ICP算法進行三維模型構建，經高斯濾波、散亂數據點的自動分割等步驟，得到山體滑坡的精確數據。

圖1 舟曲縣滑坡災害分布略圖[1]

1.2 易發性評價

第一步根據地質圖、地形圖、水文地質圖、遙感影像圖和滑坡災害數據庫構建區域基礎地理空間數據庫；第二步，選取適合當地情況的評價因子，建立滑坡易發性的評價指標體系；第三步，對每個單元進行評價分析；第四步，選取合適的易發性評價模型對研究區滑坡定量或定性評價；第五步，基于卷積神經網絡模型算法，利用SVM分類器完成研究區的滑坡易發性等級劃分，并利用軟件Geomagic繪制易發性分區圖。

(1)評價因子

由于選取的滑坡災害影響因子作為危險性評價指標因子的類型眾多并且復雜[15- 17]。本文參考了眾多研究分類方式方法，并結合了舟曲縣獨特的自然條件情況，將高程劃分為4個等級，坡度劃分為4個等級，坡向劃分9個方位區間，平面曲率分為3個等級，剖面曲率分為3個等級，距河流距離分為6個等級，距道路距離分為6個等級，見表1。

表1 舟曲縣滑坡災害易發性評價因子分級/分類表[1]

(2)權重確定

分析研究區各類滑坡災害影響因子，創建層次分析模型，如圖2所示。根據層次分析法的賦值原則，依據8個評價因子建立對比矩陣，利用Matlab軟件分析影響因子的權重并判斷矩陣的一致性[1]，見表2—3。根據層次分析法的賦值原則，建立對比矩陣。依據8個評價因子之間相互的內在支配關系，在Matlab軟件下進行分析，并判斷矩陣的一致性。

圖2 舟曲縣滑坡災害評價層次模型

(3)神經元模型的構建

神經元模型采用外部偏置bk和恒定輸入權重相等的突觸權重參數模型。x1，x2，…，xm為輸入信號；ωk1，ωk2，…，ωkm為神經元k的突觸權重；uk為輸入信號線性累加求和的輸出；yk為神經元輸出信號；bk為外部偏置信號；φ(·)為激勵函數。表達式如下：

(1)

yk=φ(uk+bk)

(2)

激勵函數采用sigmoid函數模型，如圖5所示。

圖3 卷積神經網絡模型

表2 評價因子判斷矩陣

表3 評價因子權重值

1.3 評價結果

根據神經元k的突觸權重參數分配將研究區舟曲縣主要劃分為不易發區、低易發區、中易發區、高易發區和極高易發區，并利用Geomagic軟件繪制舟曲縣的滑坡易發性分區圖，如圖4所示。其中極高易發區主要集中白龍江流域過舟曲縣段西有鎖兒頭、咀疙瘩巨型滑坡、東有泄流坡、南有峪滑坡，北有三眼峪、羅家峪和寨子溝和南山滑坡群，涉及8個鄉鎮，涉及面積占舟曲總面積12.5%，分布有30處滑坡災害點，S313公路幾乎全部穿插在該區域，是人類工程活動最為活躍的地帶。因此，滑坡的治理顯得非常必要和關鍵。由此可以看出，滑坡的易發性跟人類工程活動的強烈程度有很大的關系。

圖4 舟曲縣滑坡災害易發區分級圖

1.4 評價結果檢驗

本文采用滑坡災害易發性成功率曲線對層次分析法-卷積神經網絡模型的評價結果進行有效性檢驗，如圖5所示。圖5曲線下的面積即為AUC值，AUC=0.8352，說明了該層次分析法-卷積神經網絡模型的正確率為83.52%，表明了該整套的評價模型適用于研究區舟曲縣滑坡災害的易發性評價。

圖5 舟曲縣滑坡易發性評價結果ROC檢測曲線圖[1]

2 滑坡治理措施效果研究

基于上述評價結果，舟曲滑坡災害的極高易發區主要分布在人類工程活動最強烈的區域。因此，在無法避讓的情況下，對該區域滑坡進行綜合治理顯得尤為重要。經過調查發現：該區滑坡治理多采用“抗滑群樁+扶壁式擋墻”治理措施，在滑坡中后部崩塌部位采用多級預應力錨索框架進行永久性預加固，在滑坡崩塌變形的沖溝前部設置攔石壩等工程措施，把滑坡防治與泥石流溝治理相結合，在滑坡前緣設置抗滑樁等。

本文以舟曲縣典型的干溝滑坡為例研究淺層碎石層滑坡的治理。干溝滑坡呈舌狀，長130m，寬220m，平均厚度15m，體積21.45×104m3。后壁坡度約50°，坡高約30m，坡體物質為松散的碎石、塊石，受降雨沖刷作用，坡體中部發育縱向切溝，松散物質在坡腳堆積。塊碎石土分析其土體物理參數見表4。

表4 土體物理力學參數

經過有限元非線性計算模擬，擋土墻及抗滑樁變形規律是：擋土墻的變形指向下、向河谷，x向最大位移約為52mm，鉛直向最大位移約為5.9mm，擋墻自身的相對變形很小，約在5mm以內；抗滑樁的變形規律表現為明顯的“S形”彎曲變形，即滑帶土處向河谷側彎曲，樁頂處向岸坡彎曲，但總體是向河谷變形。x向最大位移約為53.7mm，鉛直向下最大位移在樁頂，約為6.9mm；上坡側樁的變形比河谷側樁的變形明顯，即第1排到第4排逐漸減小。附近滑帶土6m以上分層平切面x向位移云圖可以看出樁間土有明顯的向樁間擠入的現象并呈現出土拱效應，如圖6所示。

可以看出，滑坡經過“抗滑群樁+扶壁式擋墻”治理后，樁后滑坡推力明顯降低，群樁變形呈“S”形，整體性較好，樁間存在明顯的土拱效應，各排樁推力分擔效果較好，說明“抗滑群樁+扶壁式擋墻”滑坡治理效果較佳。

3 結論

本文運用遙感與反求工程技術采集數據，利用SVM分類原理構建了舟曲滑坡易發性評價模型，通過卷積神經網絡進行滑坡易發性評價，合理劃分出舟曲滑坡的易發性分區。其中，極高易發區集中分布在白龍江流域過舟曲縣段，是人類工程活動最為活躍的地帶。另外，以極高易發區干溝滑坡為例，對其“抗滑群樁+扶壁式擋墻”治理措施進行三維有限元分析發現，滑坡經過“抗滑群樁+扶壁式擋墻”治理后，樁體后滑坡推力明顯降低，群樁裂縫呈“S”形，整體性較好，樁間存在顯著的土拱效應，各排樁推力分擔效果比較好，治理效果較佳。此外，本文選取案例較少，在研究成果代表性方面存在欠缺，有待進一步研究更多數據和案例，使成果更具有說服力。