基于GISANN的宁德地质灾害风险评价系统研究

张世良

基于GISANN的宁德地质灾害风险评价系统研究

张世良

（宁德师范学院计算机系，福建宁德352100）

将GIS技术和神经网络集成应用于宁德地质灾害危险性评价中，发挥GIS强大的空间信息可视化管理分析功能及神经网络的非线性描述和分析功能，建立GISANN模型.旨在实现地质灾害危险性评价的可视化管理，为宁德国土资源开发、环境保护、地质灾害防治工程等提供科学决策依据，增强政府自然灾害应急救助能力，为和谐社会建设和可持续发展提供科学支撑.

危险性评价；地质灾害；GIS；倒传递类神经网络

宁德市地质灾害易发区分布范围较广，具有点多、面广、突发性强、危害性大的特点，除滨海平原、山间盆地、山前坡麓及零星洼地外，大部分山区、沟谷、沟口、坡度≥15°的土质斜坡及结构面与斜坡坡向同向且倾角小于坡角的岩质斜坡，极易产生滑坡、崩塌、泥石流等各类地质灾害［1］.2008年宁德市连续遭受“风神”和“海鸥”、“凤凰”、“森拉克”、“蔷薇”等多次台风暴雨的影响，全市共发生大小地质灾害50起，其中滑坡25起，崩塌25起；2010年6月12日-6月19日福建省遭遇50年一遇持续强降雨侵袭期间，宁德市古田县地质灾害严重，造成多处重要交通干线中断、多人伤亡和人民财产严重损失.利用GIS技术和神经网络集成应用于宁德地质灾害危险性评价.根据宁德地质灾害发育和分布特征，社会经济条件和历史灾情记录，初步提出一套适合宁德地质灾害风险评价的技术体系，对于有效应对和防御各类地质灾害，增强政府地质灾害应急救助能力有积极意义.

1 改进的RBF算法

类神经网络（Artificial Neural Network）是一种以计算机的软、硬件来模仿生物神经网络信息处理模式之计算系统，具有学习能力，并且在学习完成后使用十分方便，能快速得到结果，因此早已应用于各领域的研究上［2］.类神经网络是由复杂的权重与转换函数所构成，因此通常被视为黑箱模型的一种，并无法直接衡量每个输入变量的作用与重要性.然而，在类神经网络中又分为许多模式，每一种模式皆有独特的算法与适用的问题，其中倒传递类神经网络［3］（Back Propagation Neural Network，BPNN）加入EDBD算法(Extended Delta-Bar-Delta Algorithm)后是一种加速收敛的方法，对于学习循环中跳跃和趋缓有加速收敛和提高精准度之效，这在卫星影像分类上并不多见.笔者以PBN+EDBD作为本文主要的研究方法，该方法是对神经网络与GIS对现有的地质灾害风险评价理论框架进行了适度的改进.

当BPN使用固定学习速率进行学习时，经常会遭遇两种现象，即减缓现象与跳出现象，主要内容有几个方面.

1.1减缓现象

在网络学习过程中，某一连结的权值改变量连续数次为同号，即连续为正或连续为负，这表示该连结的上端神经元之差距量连续为正或连续为负（见图1）.这种现象也表示着使误差函数达到最低值的权值尚末被跳过.如果误差函数递减的速度递减，称为减缓现象.

1.2跳出现象

在网络学习过程中，某一连结的权值改变量连续数次为异号，即正负连续穿插，这表示该处神经元的差距量连续正负相互穿插（见图2）.这种现象也表示着使误差函数达到最低值的权值已经跳过.如果误差函数值递增，称为跳出现象.

图1 减缓现象

图2 跳出现象

为了改善上述两种现象，本研究将引用Minia A A等人提出的EDBD算法［4-5］，使BPN学习时之速率与精度提高，EDBD算法相关原理就是在神经网络的学习权值的改变量+惯性项，用以改善收敛过程中震荡的现象及加速收敛，见公式（1）.

其中ΔWij(t)表示为Wij（表示介于第n-1层的第i个神经元与第n层的第j个神经元间的权值）第t次学习循环的改变量，其余类推.

αij(t)·ΔWij(t-1)表示惯性项；αij(t)表示惯性因子，控制惯性项之比例，且0≤αij(t)≤1.

其中ηmax表示学习速率上限值.

其中αmax表示惯性因子上限值.

δij(t)：第t次的差距量.式（1）至（5）共有kl、øl、γl、ηmax、km、øm、γm、αmax、ξ等九个参数，其中参数值由使用者依网络特性而自行决定，一般透过试误或经验获得较佳之参数组合.

2 模型建立

人们所有活动主要都围绕在道路周边，离道路越近，人为开发以及破坏程度越高，越影响坡地间原有的稳定性.崩塌所分布的高程，主要集中在人们所涉及，活动较为频繁且密集之处，边坡地质、边坡水文、人为因素对崩塌地的发生和影响因素有相当大的重要性，可用来当作边坡稳定问题的参考，因此选取了距河川距离与距道路距离及高程3个因子为主要分析因子；因距河川愈近地区，土壤含水量丰富，易发生崩塌，而人们所有之活动主要都围绕在道路周边，因此距离道路越近，人为开发以及破坏程度也越高，影响坡地间原有的稳定性［6-7］.选取与道路距离、与河川距离、地形坡度、平均降雨量、人类工程经济活动强度、泥石流沟密度和地貌类型，而地貌类型包括平原、沟谷和丘陵山地3类，地貌类型控制地物的分布.首先将评估区划分为127个单元网络，然后对8个因子进行了定性量化，按照定性评价结果分别赋值，并将该值归一化后，作为神经网络的8个输入向量，选取隐层数量为10，输出层含有4个神经元，如用1 000、0 100、0 010和0 001代表滑坡、崩塌、不稳定斜坡和泥石流；而输出四个量中4个输出值都非常接近1表示极敏感区，有3个值都接近1表示高度敏感区，二个表示敏感区，有一个表示轻度敏感区，没有接近1表示不敏感区. BPN-EDBD算法的各项数据参数共分为kl、øl、γl、ηmax、km、øm、γm、αmax、ξ等九个参数，在此次的3个范例中皆设为(20、0.7、10、0.1、20、0.7、10、0.1、0.01)，初始权重值与阀值则随机设为-1至1之间值.整个系统构成8-10-4网络模型（见图3）.

图3 RBFANN预测模型

3 预测结果分析

受灾地区的土地信息，如耕地、林地和建设用地等，从遥感数据提取，然后与DEM数据集成对灾区地形分成平原区、陡坡区、斜坡区和山谷等类型而形成受灾地区地形地图.然后对遥感图像进行分割再与坡度信息进行变叠加提取崩塌，滑坡和泥石流等灾害分布图.从地.然后根据灾害不同的致灾因子对地质灾害的影响程度而确定其影响系数，最后分析致灾因子对地质灾害的分布规律的关系，通过调用集成GIS工具计算，得到地质灾害的危险性分布图.为了提高系统的准确性，首先实地考察选取部分已知的点进行训练，然后选取整个市的处理数据进行分析，最后效果见图4.

宁德地区极度敏感区几乎没有而且高度敏感度区分布相对比较集中，风险中的地区主要分布于山区各县，宁德地区地质灾害风险较高的地区主要分布于西北地区，即周宁、屏南和寿宁，主要是山体滑坡与泥石流，这些地区地质灾害发育，活动性较强、山体稳定性较差受雨水台风冲蚀较易产生山体滑坡与泥石流.有些地区如霞浦县的部分地区，几乎受不到地质灾害的危胁.从整个评估结果可看出，使用基于GISANN的宁德地质灾害风险评价系统模型能够有效地解决地质灾害评价的不确定性，评估结果与实质情况相差不大，这就表明此模型评估方法是合理可行的，在工程实践中具有良好的参考价值.

图4 预测结果分布图

4 结论

利用地理信息系统所提供的强大空间分析功能和神经网络的非线性描述和分析功能建立GISANN模型，并且在倒传递类神经网络加入EDBD算法来加速其收敛，使神经网络在学习循环中跳跃和趋缓有加速收敛作用，从而提高精准度.对宁德地区地质灾害资料进行处理，以地图图层的形式输入GIS系统中，作出了地质灾害风险程度分布图，在应对人类自然灾害的预测与决策中提供可靠的科学数据，为宁德的环境保护等方面发挥更大作用.

［1］张枝令，张世良.基于GIS的宁德市水资源管理信息系统设计［J］.宁德师范学院学报：自然科学版，2013，25(2)：159-162.

［2］马锐.人工神经网络原理［M］.北京：机械工业出版社，2010.

［3］张世良.改进的RBF网络在宁德市综合需水预测中的应用［J］.聊城大学学报：自然科学版，2013，26（4）：99-102.

［4］Diedirichs K，Freigang J，Umhau S，etc.1998.Prediction by a neural network of outer membrane{beta}-strand protein topology［J］.Protein Science，7(11)，2413–2420.

［5］Minai A A，Williams R D.Back-propagation heuristics:a study of the extended delta-bardelta algorithm［J］.Neural Networks，1，595-600.

［6］周维华.RBF神经网络隐层结构与参数优化研究［D］.上海：华东理工大学硕士论文［D］，2013.

［7］柯福阳，李亚云.基于BP神经网络的滑坡地质灾害预测方法［J］.工程勘察，2014(8)：55-60.

The research of geological disaster risk assessment system based on GISANN in Ningde

ZHANG Shi-liang
（Department of Computer,Ningde Normal University,Ningde 352100,Fujian,China）

The paper applied integration of GIS technology and neural network to the geological hazard evaluation of Ningde.The GISANN neural network,with the powerful functions of GIS spatial information visualization and analysis of nonlinear description and analysis,could achieve geological hazard assessment visualization management,to help the development of land and resources,thus to help Ningde,environmental protection and geological disaster prevention projects by providing scientific basis for decision making and enhancing government natural disaster emergency relief capacity,and providing scientific support for building a harmonious society and sustainable development.

risk assessment；geological disasters；GIS；RBF

TP391.9

A

1007-5348（2014）12-0015-04

（责任编辑：欧恺）

2014-10-09

福建省教育厅A类项目（JA14331）；宁德师范学院创新团队项目（2013T08）；宁德师范学院服务海西项目（2013F33）.

张世良（1973-），男，福建宁德人，宁德师范学院计算机系讲师，硕士研究生，主要从事地理信息系统理论与应用的研究.