基于PSO-SVM的凤县公路边坡地质灾害空间预测

吴 迪

(陕西铁路工程职业技术学院测绘工程系，陕西 渭南 714000)

0 引言

近年来，黄土地区公路建设迅猛发展，“高填深挖”的公路建设模式产生了大量未经防护的公路边坡，加之黄土特殊的物理、水理性质，使公路边坡地质灾害频发[1]。2012年7月下旬，陕西普降暴雨，造成S302佳榆线全线暴发泥流，挡土墙破坏20处/360延米，多处边坡坍塌，断道长达2个多月，各项经济损失超过1 000万元[2]。灾害空间预测是灾害监测与预警的前提，它以多元异构地理、地质和水文信息融合为基础，依据研究区内各种环境要素的空间分布和组合特征判断灾害的易发程度，对降低灾害经济损失和减少人员伤亡具有重要意义[3]。凤县位于陕西省宝鸡市，总面积3 187 km2，地貌以塬、梁、峁和沟壑纵横交错为主，是我国最典型的黄土分布区之一[1]。本文开展凤县公路边坡地质灾害空间预测研究，揭示不同区域发生灾害的难易程度，为提高黄土地区公路抗灾能力和区域防灾减灾能力提供理论基础。

灾害空间预测有两种模式：一是基于灾害孕育、演化及工程地质条件对灾害的定量研究，这种确定性模型需要逐点进行大量地质构造及动力学监测，适于特定灾害点研究[4]；二是基于统计学原理，根据特定区域的孕灾环境建立数学模型，从概率分析的角度实现灾害易发程度的定量或半定量研究[5]，其中，智能算法的出现和发展为揭示灾害发生与诱发因素间的非线性关系提供了新思路。YANG等[6]在地质和降水因素分级标度的基础上，提出了基于人工神经网络(ANN)的降水诱发滑坡灾害时空预测方法。JIANG等[7]通过多普勒气象雷达和GIS平台建立了区域地质灾害预测信息库，采用ANN方法建立了预测模型并在四川凉山地质观测站进行了应用。刘艺梁等[8]基于ANN和GIS开展了三峡坝区巴东段的滑坡灾害危险性空间预测。SARO等[9]针对韩国江原道麟蹄郡的Deokeokri和Kaisaris地区，在考虑降水概率的基础上提出了基于支持向量机(SVM)和GIS的滑坡灾害空间预测方法。张俊等[10]以三峡库区白水河滑坡为研究对象，基于粒子群算法(PSO)与时间序列耦合开展了滑坡位移预测研究。武雪玲等[11]以三峡库区长江干流岸坡为研究区，通过构建粒子群改进支持向量机(PSO-SVM)开展了滑坡灾害易发性定量研究。YING等[12]根据遥感影像数据，提出了一种基于深度学习的滑坡灾害辨识方法。

通过分析已有文献可知，以往的灾害空间预测主要通过ANN和SVM建模，其中，SVM是继ANN之后的新一代智能学习算法，影响其运算效率的关键问题是惩罚参数C和核参数σ的寻优速度，当寻优范围较大时，SVM易将局部最优视为全局最优而发生早熟，PSO-SVM采用PSO算法搜索C和σ，具有收敛速度快、实现简单和全局性好等优点[13]，本文在借鉴已有研究的基础上，基于区域孕灾环境特点和灾害实地调查数据，采用PSO-SVM建立预测模型，基于GIS开展凤县公路边坡地质灾害空间预测。

1 PSO-SVM模型与建模流程

SVM模型回归采用f(x)=ωx+b拟合{xi,yi},i=1,2,…,n,xi∈Rn,yi∈R，根据SVM的基本理论[14]，有式1。

(1)

maxW(α,α*) =

(2)

(3)

式中：C为惩罚参数，K(xi,xj)为核函数。径向基核函数是某种沿径向对称的标量函数，具有非线性映射能力，可用式4表示。

(4)

式中：σ——核参数。

在PSO模型中，群体中第i个粒子的位置为X=(xi1,xi2,…,xiD)，其飞翔速度为Vi=(vi1,vi2,…,viD)[15]。种群中至少有一个粒子位于全局历史最优位置，粒子速度更新如式5所示。

(5)

粒子位置更新如式6所示。

(6)

本文选择径向基函数作为SVM的核函数，利用PSO模型对C和σ进行寻优，构建凤县公路边坡地质灾害空间预测的PSO-SVM模型[16]，主要步骤见图1。

图1 PSO-SVM建模流程Fig.1 PSO-SVM modeling process

(1)PSO-SVM模型初始参数设置，包括种群规模、迭代次数、学习因子、惯性权重、初始粒子和粒子初始速度等[11]。

(2)寻优过程中，优化问题的每个解称为空间中的一个粒子，每对粒子向量的C和σ对应一个SVM模型，通过适应度函数计算并比较粒子适应值fi、种群个体最优解qi和种群全局最优解qg，对粒子位置和速度进行更新。

(3)如果种群中粒子的适应值满足要求，或者达到终止进化代数，计算结束，该粒子对应最优C和σ组合，否则转至步骤2继续迭代。

(4)将最优C和σ代入SVM进行样本训练，得到全局最优PSO-SVM模型，开展凤县公路边坡地质灾害空间预测。

2 凤县公路边坡地质灾害概况

2.1 灾害概况

截至2016年底，凤县公路通车总里程达到1 063.62 km，包括1条国道(G316)和3条省道(S201、S205、S302)[17](图2)。

凤县公路边坡地质灾害主要包括坡面侵蚀、泥流和边坡失稳等。当植被覆盖度较低、防护不佳或有人类工程活动时，在降水作用下黄土路堑边坡极易发生侵蚀破坏，破坏模式包括：坡面水土流失、边坡冲沟、坡脚冲刷以及路肩冲蚀缺口等。泥流是泥石流的一种特殊形式，也是黄土地区最常见的泥石流灾害类型，它是一种含有大量泥沙而不含石块的特殊洪流。凤县地形破碎，沟壑发育，黄土结构疏松，在暴雨冲刷作用下公路边坡极易发生泥流灾害。公路开挖往往破坏了边坡的原始稳定状态，在降水作用下易发生边坡失稳，如崩塌、滑坡和坍塌等，其中边坡坍塌尤为普遍[17-18]。

2.2 灾害调查

(1)灾害预测因子选取

公路边坡地质灾害的形成和演化受多种时-空要素控制，灾害空间预测是涉及多因子的综合预测，其基本任务是分析不同地区灾害的活动强度、频度和密度，即分析不同预测因子及其组合特征对灾害发生可能性的影响。根据凤县公路边坡地质灾害的特点和已有研究成果，本文选取4类、6种灾害预测因子：

①地形地貌因子：边坡高度、地面坡度和地表切割密度；

②植被因子：植被覆盖度；

③降水因子：降水量≥25 mm年平均天数；

④岩土因子：岩土类型。

由于各预测因子量纲不同，数据范围差异较大，在灾害空间预测前应按式7归一化各预测因子取值。

(7)

xi——该因子的原始取值;

xmax——该因子的最大取值;

xmin——该因子的最小取值。

对于定量因素，xi、xmax和xmin直接取调查值，对于岩土类型，采用分类赋值法处理，其中极硬岩赋值1，次硬岩赋值2，极软岩赋值3，砾类土赋值4，黏性土赋值5，砂类土赋值6，粉性土赋值7，黄土类土赋值8。

(2)灾害调查结果

为明确凤县公路边坡地质灾害的孕灾环境特点并揭示灾害发生对自然环境条件的特殊要求，开展凤县公路边坡地质灾害隐患点调查，调查采用资料收集和实地调研相结合的方法，调查内容包括各边坡地质灾害隐患点的桩号、坐标(经纬度)和预测因子值，共计调查灾害隐患点423处，此外，为满足后续计算的需要，还随机调查了无明显灾害迹象的86处普通公路边坡，限于篇幅，本文仅列出G316凤县段沿线54处灾害隐患点的桩号和预测因子值(表1)。

图2 凤县公路网Fig.2 Highway networks in Feng County

编号灾害隐患点桩号边坡高度地面坡度地表切割密度植被覆盖度降水因子岩土类型1K394+200～K95+6500.4510.5650.3440.3810.7210.4292K403+200～K403+5000.7810.9840.9610.6390.5980.2863K405+400～K407+7000.2490.0380.3810.1440.6390.1434K410+050～K410+1500.9420.6750.6390.6450.3570.2865K410+400～K417+3000.2460.3440.1440.8140.2850.4296K412+850～K413+0000.3750.9610.6450.7210.7490.7147K418+400～K418+8000.6560.3810.8140.6450.4530.1438K419+500～K419+7000.5650.6390.7210.8140.5650.2869K430+200～K430+4000.7880.3570.3410.7210.8230.28610K431+020～K431+1400.1320.2850.0790.5980.7960.57111K434+030～K434+1500.1440.7490.2550.3540.6840.14312K437+280～K437+3800.6450.4530.4550.6350.2690.71413K446+500～K446+7000.8140.5650.9440.5650.2550.714

续表

3 凤县公路边坡地质灾害空间预测

3.1 预测模型的构建

从所调查的边坡地质灾害隐患点和普通公路边坡中分别选取300处和50处作为训练样本建立预测模型，其他133处灾害隐患点和36处普通公路边坡作为模型精度测试样本。以预测因子归一化取值为网络输入，以灾害易发性指数DSI(Disaster Susceptibility Index)为网络输出，DSI取值范围为0～1，其中，0表示灾害一定不发生，1表示灾害一定发生。设置PSO模型的初始参数[19](表2)。

表2 PSO模型初始参数Table 2 Initial parameters of the PSO model

基于以上参数对SVM模型的惩罚因子C和核参数σ进行全局寻优，得到C最优=2.308、σ最优=6.218 9(图3)。

图3 PSO适应度曲线图Fig.3 Fitness curves of the POS data

利用最优C和σ组合对训练样本进行学习，建立凤县公路边坡地质灾害发生与否与各预测因子的非线性SVM模型，进而采用模型精度测试样本对该模型进行检验，结果显示，133处灾害隐患点的DSI最大值为0.999、最小值为0.795，36处普通公路边坡的DSI最大值为0.329、最小值为0.002，说明本文建立的凤县公路边坡地质灾害空间预测模型是科学、合理的。

3.2 灾害空间预测结果

本文基于GIS开展凤县公路边坡地质灾害空间预测并制作相关图件，GIS处理时所需的主要数据来源包括：

(1)陕西省数字高程模型DEM(1∶25万)；

(2)陕西省植被矢量化数据；

(3)凤县及周边地区各水文观测站点降水资料；

(4)陕西省工程地质数字化矢量图(1∶100万)；

(5)陕西省行政区划矢量图层(1∶25万)。

依托GIS开展灾害空间预测时主要采用边坡单元和栅格单元2类图层，其中栅格单元图层比例尺小，对计算机硬件要求低且计算耗时少，因此，本文选择栅格单元图层进行灾害空间预测。在GIS上设定栅格单元尺寸为10 m×10 m并绘制各灾害预测因子归一化取值在凤县的空间分布图。根据各预测因子的基础图件，在GIS上对已建立的预测模型进行二次开发并逐网格计算DSI。在一台内存为16G的计算机上连续运行44 h后，完成了超过3.188×107个网格的计算，得到所有网格的DSI值，结果显示，DSI最大为0.96，最小为0.08。

3.3 预测结果检验

采用成功率法对预测结果进行检验，即将DSI归一化后100等分并按降序排列，计算每一等分范围内灾害的累积发生频率并连接成曲线，曲线下面积越大，说明预测结果越准确，当曲线下面积为1.0时，说明预测结果完全正确[19]。凤县公路边坡地质灾害空间预测成功率图见图4。

图4 凤县公路边坡地质灾害空间预测成功率图Fig.4 Success rate of spatial prediction for the highway slope geo-hazards in Feng County

由图4可计算得，成功率曲线下面积AUC为0.907，对于DSI的前10个等分，预测成功率为84.26%，对于前20个等分，预测成功率为89.17%，根据文献[20]，预测结果通过检验。

3.4 预测结果分析

按照等距原则，根据DSI将凤县公路边坡地质灾害易发性分为基本安全、低易发、中易发和高易发4级，分级界限为：

(1)基本安全：DSI∈[0.08，0.30)；

(2)低易发：DSI∈[0.30，0.52)；

(3)中易发：DSI∈[0.52，0.74)；

(4)高易发：DSI∈[0.74，0.96]。

根据以上分级方法和自然地貌的地带性差异特点，参照各单因素对灾害发生的控制性作用和其他灾害区划界限，基于GIS绘制凤县公路边坡地质灾害易发性分级图(图5)。

图5 凤县公路边坡地质灾害易发性分级图Fig.5 Susceptibility zonation map of the highway slope geo-hazards in Feng county

由图5可得以下结论：

(1)基本安全、低易发、中易发和高易发区分别占凤县总面积的48.34%、23.92%、18.46%和9.28%，而灾害调查确定的423处灾害隐患点中，位于基本安全、低易发、中易发和高易发区的为23处、41处、96处和263处，分别占总数的5.31%、9.45%、22.16%和63.08%，这也说明凤县公路边坡地质灾害空间预测结果是合理、正确的。

(2)凤县公路边坡地质灾害易发性从西向东逐渐降低，究其原因，除灾害预测因子及其组合特征具有明显的区域分异规律外，还包括以下2方面的原因：

①凤县的工程建设和人口、经济密度，亦即人类工程活动强度及其对自然环境的破坏程度也从西向东南逐渐降低；

②凤县主要为黄土覆盖地貌，黄土形成年代和颗粒成分的地带性差异与灾害易发性的地带性差异相契合，即西部多为Q4黄土且砂粒多、黏粒少，而东部多为Q3黄土且黏粒多、砂粒少[21]。

G316和S201、S205均有部分路段穿越高易发区，这些路段应在加强日常养护、编制应急预案和储备应急物资的基础上，切实做好灾害防治工作，主要措施包括：①开展公路边坡地质灾害隐患点的全面调查，明确灾害孕灾环境，建立灾害数据信息库；②建立基于物联网和降雨预报信息的的灾害监测、评价、预测和预警系统，在GIS平台上实时动态显示灾害信息；③开展灾害隐患点风险评价，基于风险评价结果对风险不可接受的灾害隐患点开展工程防护。

4 结论

(1)在分析凤县干线公路边坡地质灾害概况和选取灾害空间预测因子的基础上，开展了灾害隐患点调查；采用PSO-SVM模型和GIS进行了灾害空间预测并逐网格计算了DSI指数；应用成功率法检验了预测结果，基于DSI将凤县划分为高易发、中易发、低易发和基本安全4级易发区。

(2)DSI指数最小为0.08、最大为0.96，PSO-SVM模型的曲线下面积为0.907，易发性从西向东逐渐降低；基本安全、低易发、中易发和高易发区分别占凤县总面积的48.34%、23.92%、18.46%和9.28%，灾害调查确定的423处灾害隐患点中有23处、41处、96处和263处位于以上区域，分别占总数的5.31%、9.45%、22.16%和63.08%，G316和S201、S205均有部分路段穿越高易发区。

(3)本文开展了凤县公路边坡地质灾害空间预测，预测结果对提高公路防灾减灾工作的针对性和有效性具有重要意义，然而，本研究仍可在以下方面继续改进：①PSO-SVM模型的曲线下面积为0.907，这一结果虽可通过检验，但精度可进一步提高；②本文仅针对凤县进行研究，针对其他地区的研究尚未开展。