基于GIS的区域群发性降雨型滑坡时空预报研究

曹 洪 洋，王 禹，满 兵

(1.石家庄经济学院勘查技术与工程学院，河北 石家庄 050031；2.河北省地矿局水文工程地质勘查院，河北 石家庄 050021)



基于GIS的区域群发性降雨型滑坡时空预报研究

曹 洪 洋1，王 禹1，满 兵2

(1.石家庄经济学院勘查技术与工程学院，河北 石家庄 050031；2.河北省地矿局水文工程地质勘查院，河北 石家庄 050021)

以滑坡灾害突出的雅安市雨城区为例，综合考虑降雨强度、前期降雨量及下垫面(地形、岩性、植被覆盖等)构建了基于GIS分析获取的易发指数+BP型神经网络时空预报模型。首先通过试验确定了模型的网络参数和网络结构，然后通过危险性区划图获取降雨型滑坡易发指数，并利用GIS的空间插值功能和雨量站数据获取相应降雨型滑坡的雨量数据，将量化后下垫面的易发指数和降雨数据作为神经元输入层数据。将模型应用于研究区，其中46个降雨型滑坡数据作为训练样本，10个降雨型滑坡数据作为检验样本，预测精度达到90%，显示该模型对于降雨型滑坡的时空预报精度较高。

降雨型滑坡；时空预报；地理信息系统(GIS)；BP神经网络模型

各种自然因素引发的滑坡中，降雨型滑坡发生的频率最高，分布的地域最广，造成的灾害最严重，也是滑坡预报研究的主要对象[1,2]。降雨引起的滑坡具有群发性和区域性的特点，一次强降雨可以引发几十、数百甚至上千处滑坡。建立预报预警系统是防范群发性降雨型滑坡灾害的一个有效途径，这也是目前地质灾害的一个研究热点[3]。

近几年来龙门山断裂活动频繁，造成破坏性较大的5·12汶川地震和4·20雅安地震，由其引发的次生地质灾害也较为严重，大部分地质灾害的发生与降雨有很大关系，对龙门山断裂带影响区域地质灾害规律的研究也成为研究热点[4,5]。本文研究区域雅安市雨城区即位于断裂带影响的区域。

目前对于降雨型滑坡预测预报研究主要集中在对降雨阈值的研究，而忽略了下垫面(地质要素)和外部因素共同作用的影响。针对此问题，本文拟采用基于GIS分析技术的易发指数+BP神经网络预测模型，充分考虑上述两种因子，研究滑坡静态因子、降雨与滑坡之间的响应关系。拟将区域滑坡危险性易发指数和降雨参数作为降雨型滑坡预报的输入因子，结合研究区域历史滑坡资料对模型的训练及预测，进而达到对降雨型滑坡时空预测的目的。

1 国内外降雨与降雨型滑坡关系研究概况

降雨型滑坡的发生既与降雨的强度和历时分布有关，也与地层岩性、地质构造、地形地貌等环境因素有关，随着位置不同而变化，难以事先对所有地点进行治理或监测。因此对这类滑坡灾害的防范需要通过及时预报提供警示。

降雨引发的滑坡是雨水与作为天气系统下垫面的地质、地形、土壤等因素共同作用的结果，对同一地区，如何根据给定的降雨条件，综合利用地质、地形、土壤等信息细化对滑坡预报的空间分辨率，既是减灾实践的需要，也是一个重要的科学问题。地质、地形、土壤等条件在空间上是非均匀变化的，只有在地质、地形、土壤等因素满足一定条件的地方，降雨才会引起滑坡。因此降雨引发滑坡的预报是一个非线性问题，它涉及复杂的系统工程。要实现对降雨引发滑坡的精细化预报，除需要提高降雨预报的时间和空间分辨率，更需要考虑下垫面因素的作用，并引入和发展新的理论、方法[3]。

国内外现有的滑坡预报系统大多是以降雨强度-历时阈值方法为基础建立的，一般很少考虑地层岩性、断裂构造、地形地貌、植被土壤、土地利用等环境因素的影响，因此不能实时、动态地表示出潜在滑坡的位置，难以提供有效的警示。

为解决这个问题，有学者采用事先编制的滑坡敏感度图来指示潜在滑坡的空间分布。滑坡敏感度图在我国称滑坡易发程度区划图，对潜在滑坡的空间概率提供的是一种静态描述，难以在滑坡敏感度图与基于降雨阈值的警报系统之间实现实时联动，仍不能实时、动态地指示潜在滑坡的位置。

国内外学者对降雨与滑坡的关系研究主要从两方面开展：1)研究降雨强度引发滑坡的阈值，以某一时段或某几个时段的组合雨量值作为滑坡发生的一个界限值。杜榕桓等[6]研究发现：浅层堆积滑坡多在暴雨后10～12 h出现，16%的滑坡在暴雨后24 h内出现，大量滑坡(包括大型和巨型滑坡)则在暴雨后28～30 h出现，另外77%滑坡在降雨后48 h内产生，85%滑坡在降雨后72 h内产生。李晓[7]对重庆一带的地质、地貌特点、降雨的侵蚀强度等进行研究，分别以日降雨量25 mm、50 mm、100 mm、150 mm、200 mm和250 mm为阈值研究了上述因素之间的关系，得到了当地发生地表侵蚀或触发地质灾害有随日降雨强度变化的规律。2)研究降雨时段与滑坡发生的关系，即滑坡与前期降水的关系。Lumb早在1975 年的研究中就发现，滑坡与前期降水有明显的联系[8]；但Brand 等的研究则认为，对于大型滑坡，前期降水的多少并不是最根本的诱发因素[9]。晏同珍等[10]对灾害性滑坡的降雨临界值进行了讨论。有的学者建议以一次降雨过程总量作为发生大量滑坡的依据，香港地区滑坡研究资料则提出以小时降雨量作为发生灾害性滑坡的临界值。李军等[11]的研究结论为：不同类型的滑坡，前期降水与滑坡体积的关系不尽相同，体积较大的滑坡相对于体积较小的滑坡与前期降水间有较明显的关系。

综合国内外学者关于降雨与滑坡关系的研究成果，虽然在某些方面还有争执，但在以下方面达成了共识：1)环境因子是影响暴雨型滑坡灾害的一个重要因素；2)降雨强度、前期降水与滑坡灾害存在着某种关系；3)不同地区滑坡灾害存在着不同的降雨阈值，即降雨阈值与研究的范围有关，并不存在一个适用于各个地区的降雨阈值。上述学者重点研究了降雨与滑坡发生之间的关系，而忽略了内在因素和触发因素(降雨)共同作用这一原则。降雨引发的地质灾害是降雨作用于地面环境后，地质-气象两系统中诸因素间的组合效应超过某一限值导致的结果，所以要从这两方面因素入手进行研究。

2 基于BP型神经网络的降雨型滑坡预测模型的构建

降雨型滑坡灾害空间预测的理论基础是工程地质类比法，即认为类似的工程地质环境可以发生类似的滑坡[12]。BP型人工神经网络是一个超大规模非线性连续时间自适应信息处理系统，能够通过学习样本完成预测功能，符合滑坡灾害风险预测的基本原理和思路，因此笔者试图将此模型引入降雨型滑坡预测中。

2.1 神经网络模型概述

目前得到广泛应用的人工神经网络(Artificial Neural Network，ANN)又称连接机制模型(Connectionism Model)，是由大量与自然神经细胞类似的人工神经元广泛互连而成的网络。网络的信息处理由神经元间的相互作用实现，知识与信息的存储表现为网络元件互连间分布式的物理联系，网络的学习和识别决定于各神经元连接权系的动态演化过程[13]。

BP(Back Propagation)网络是目前应用最广泛的神经网络模型之一，训练机制为误差逆传播算法，采用最速下降法的学习规则。通过反向传播不断调整其权值和阈值，达到网络的误差平方和最小。其基本原理可以从两方面理解：1)人工神经元。人工神经元是人工神经网络的基本组成单位，它能完成生物神经元最基本的3种处理过程：评价输入信号，决定每个输入信号的强度；计算所有输入信号的权重之和，并与处理单元的阈值进行比较：若权重和大于阈值，则人工神经元被激发产生输出信号，否则没有输出。2)人工神经网络结构。典型的人工神经网络模型由输入层、中间层、输出层组成，每一层包含许多神经元。网络通过输入层接受输入信号并经过它传送给中间层，输入层并不处理数据。中间层也称隐含层，其处理单元与外界没有直接联系，因此在人工神经网络中类似于黑箱，中间层可以为0～12层，为简化通常设计中间层为1层或2层。网络通过输出层将结果输出。

2.2 研究技术路线

本模型具体研究思路为：采用BP型神经网络作为数学模型，综合考虑降雨因素和地质因素对滑坡灾害实时预测预报等级研究。在同一地区不同的滑坡危险性等级区段对同一次降雨过程的反应是不同的，在空间预测的基础上通过叠加降雨数据，从而确定在不同降雨量下的危险性预测预报等级，即网络输入层参数为两类：降雨参数和易发指数。

2.3 预测模型的构建

基于上述技术路线，本模型首先设计了BP网络配置。目前BP神经网络研究中对隐含层数目及学习步长等参数的选取还没有理论指导。本研究采用从训练样本中选取子样本的方法，进行多种网络结构的配置，从中选取较好的一种网络配置。表1是网络配置的参数，表2是在相同参数情况下不同隐含层个数的测试结果。

表1 网络配置参数

Table 1 Neural network configuration parameters

参数激励函数终止条件训练参数设置对数形式迭代次数50000动量项0．2容错性(%)95权重调节速度0．3

表2 网络结构配置测试结果

Table 2 Testing result of network structure

实验编次输入层隐含层输出层误差17711．921527811．871437911．8669471011．8248571111．8526

学习样本中包含两类数据：一是降雨数据，通过分析前人的研究，确定由临近滑坡一次持续降雨量的强度和前期降雨两个参数来研究降雨与滑坡的关系。前期降雨的时间段考虑为前1天、前5天、前10天、前15天和前1个月，包含6个降雨参数的数据分别为X1～X6。二是区域地质因子的易发指数X7。输出层个数为1个，对于输出数值可按滑坡划分为危险和不危险2个等级，数值化分别为1、0。

最后选用网络结构为输入层神经元个数7个、隐含层神经元个数10个、输出层神经元个数1个。图1为基于BP型神经网络滑坡灾害预测的网络配置图。

图1 滑坡灾害预测模型网络配置

Fig.1 Network arrangement diagram of landslide hazard prediction model

3 研究实例

3.1 研究区域概况

本文选取雅安市雨城区作为研究区，并以2003年7-9月发生在此地区56处降雨滑坡为研究对象。继2008年5月12日四川汶川M8.0级大地震后，2013年4月20日08时02分46秒在四川芦山发生M7.0级地震，两次地震均发生在龙门山地震带上[4]。与芦山县相邻的雨城区同样位于地震破坏带内，研究区内松散堆积物广布，加之气候类型属于亚热带湿润季风气候，雨量充沛，降雨集中，因此本区域是降雨型滑坡的集中地。

3.2 基于GIS的降雨数据处理

为了研究降雨与滑坡之间的关系，在研究区域内布置了20台雨量计(图2)。由于并不是所有的滑坡点都设有雨量计，为了获得每个滑坡点的降雨量数据，利用GIS技术做如下处理：首先通过GIS表面插值功能，对某个时段20个雨量站点降雨数据进行插值处理，形成一个连续表面，生成等值线图。通过叠加滑坡点图层和等值线图，便可得到相应时间段内每个滑坡点的降雨量数值。分别统计滑坡前持续降雨量和前1天、前5天、前10天、前15天、前1个月降雨数值。

图2 雨量计平面位置

Fig.2 The plane position plan of the hyetometers

3.3 基于GIS的易发指数数据获取

本模型除了考虑降雨数据外还考虑了影响降雨型滑坡发生的下垫面因子，笔者在前期研究中通过GIS空间分析功能及多因子叠加方法获取了易发指数[14,15]，易发指数中充分考虑了斜坡类型、地层岩组、高程、年降雨量、坡度、植被覆盖、坡向、道路、水系、线性构造等滑坡静态影响因素。通过叠加滑坡与易发指数图层，得到每个滑坡对应的易发指数，此指数经过处理作为模型的输入值。

3.4 模型训练及预测

数据库中共有232个历史滑坡数据[14]，从中选择与降雨有密切关系的56个滑坡作为模型的学习训练数据。在网络模型运算过程中，选取其中46个滑坡作为学习样本用来训练网络模型，当迭代次数大于50 000次时结束训练，最后控制总误差为0.3386。将其余的10个滑坡点作为检验样本输入训练好的模型中，如果精度达到要求，则说明网络模型的建立是成功的。表3是检验样本的输入值及学习结果，表4是检验样本的预测精度。

表3 检验样本输入值

Table 3 Input values of the test samples

滑坡序号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 检验样本预测值

Table 4 Predicted values of the test samples

滑坡序号1961971982002072102112129399理想输出值0000011000实际输出值00000．9960．9800．9900．14300

3.5 结果分析

分析预测结果可以看到，207号滑坡预测结果与实际情况不符，211号预测结果较好。对比207号与211号滑坡的输入数据，二者差别较小，说明其地质条件和触发因素比较相似，其输出结果应该也比较接近，考察模型的输出值可以看到输出值都接近于1，因此出现误差的原因不是模型本身的问题。继续考察207号李家坝滑坡，之所以在8·25降雨中没有发生大面积的变形移动，是因为此滑坡在变形初期有一些简易的支护措施。模型中并没有考虑人为的影响因素，导致输出值误差较大，需要在今后的工作中进一步完善模型。

210号、211号和212号滑坡实际输出值与理想输出值有一定的差别，在实际处理中，应将实际输出值在0和1附近一定区间的数值都分别归类为0和1，即分别定性为危险程度小和大。总体看，在10个预测样本中9个值符合要求，预测精度达到90%。

4 结论与建议

采用BP神经网络方法和GIS分析技术建立的群发性降雨型滑坡灾害预测模型，充分考虑了降雨和下垫面(地形、岩性、植被覆盖等)两方面因素，实现了滑坡区划和降雨之间的联动，为降雨型滑坡的预报提供了一种新的理论方法。

本模型的预测精度会受训练样本分布和降雨数据插值的影响。随着降雨滑坡数据增多，可以加大网络的训练样本以提高预测精度。本模型是基于历史滑坡的学习构建的，因此在推广应用时，首先应进行本地区滑坡样本的学习。

本研究所用的滑坡数据和降雨数据由中国地质环境监测院灾害室提供，此致谢忱！

[1] 陈伟,许强.地质灾害降雨预警基准研究[J].地球与环境,2011,39(3):393-398.

[2] 赵衡,宋二祥.诱发区域性滑坡的降雨阈值[J].吉林大学学报(地球科学版),2011,41(5):1481-1487.

[3] 李长江,麻士华,朱兴盛,等.降雨型滑坡预报的理论、方法及应用[M].北京:地质出版社，2008.

[4] 兰恒星,周成虎,高星,等.四川雅安芦山地震灾区次生地质灾害评估及对策建议[J].地理科学进展,2013,32(4)：499-504.

[5] 齐信,唐川,陈州丰,等.汶川地震强震区地震诱发滑坡与后期降雨诱发滑坡控制因子耦合分析[J].工程地质学报,2012,20(4):522-531.

[6] 杜榕桓.长江三峡工程库区滑坡与泥石流研究[M].成都：四川科学技术出版社,1991.

[7] 李晓.重庆地区的强降雨过程与地质灾害的相关分析[J].中国地质灾害与防治学报，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,杨顺安.崩塌滑坡灾害群发性初探[J].灾害学,1987,2(3):23-24.

[11] 李军,周成虎.香港地区滑坡体积与前期降水关系分析[J].自然灾害学报,2002,11(2):37-45.

[12] BP模型在区域滑坡灾害风险预测中的应用[J].岩土力学,2005,26(9):1409-1413.

[13] 王伟.人工神经网络原理——入门与应用[M].北京：北京航空航天大学出版社，1995.

[14] 曹洪洋,边亚东.一种新的区域滑坡影响因子敏感性分析方法研究与应用[J].湖南科技大学学报,2009,24(2):49-52.

[15] 曹洪洋,陈继华,高彦丽.基于GIS的断层构造对滑坡灾害发育控制作用分析——以雅安市雨城区为例[J].地球与环境,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

国家自然科学基金项目(41301015)；国土资源公益性行业科研专项项目(201011003)

曹洪洋(1975-)，男，博士，副教授，主要从事环境地质和岩土工程教学和科研工作。E-mail:hongyangc@126.com

10.3969/j.issn.1672-0504.2015.01.022

P642.22

A

1672-0504(2015)01-0106-04