基于机器学习的滑坡崩塌地质灾害气象风险预警研究

李阳春，刘黔云，李 潇，顾天红，张 楠

（1.贵州省地质环境监测院，贵州贵阳 550001；2.贵州省气象台，贵州贵阳 550001）

0 引言

滑坡、崩塌灾害是地质灾害中的重要灾种，对社会经济、生命财产、地理环境都产生了重要影响[1]。贵州是地质灾害高发易发地区，常见诱发因素主要为降雨[2]。因此，研究地质灾害气象风险预警方法，对地质灾害防治具有重要作用。研究者对该领域进行了很多研究。文献[3]应用GIS 数据处理功能，分析地质灾害区域的工程地质，针对复杂地质的地理环境，绘制出各气象风险等级下区域地质灾害分布图，但该方法对气象因素提取不全面，造成气象风险预警等级整体偏高。文献[4]分析气象环境与降水量之间的规律性，包括降雨阈值和临界降雨量等，通过地质灾害调查统计，综合评价气象风险，但该方法对降雨量的相关性分析较差，划分的气象风险预警等级同样较高。

针对以上问题，提出基于机器学习的滑坡、崩塌灾害气象风险预警方法。借助机器学习算法中人工神经网络实现贵州省滑坡、崩塌灾害气象风险预警方法的研究。实验结果表明：采用设计方法有效降低了滑坡、崩塌三级、四级预警空报率，提升了预警精细化程度。

1 贵州省滑坡、崩塌灾害气象风险预警方法设计

1.1 气象因素对滑坡、崩塌灾害影响程度计算

为实现贵州省滑坡、崩塌灾害气象风险预警，需要提取贵州省滑坡、崩塌灾害相关气象因素，计算气象因素对滑坡、崩塌灾害的影响程度。汇总贵州省各区域的地质灾害详细调查报告、气象局实测降雨量数据，采用资料查阅、实地访问调查等方式，以月报形式统计气象引发灾害事件，同时综合考虑GPS、天气雷达、闪电定位、自动雨量站等数据来源，采集非常规观测资料，获取灾害隐患点数据和灾害易发分区数据。筛选与滑坡、崩塌灾害相关的气象因素。将滑坡、崩塌灾害的发生看作气象因素和下垫面相互作用结果。其中，气象因素主要为降水，包括降雨诱发作用、降雨滞后作用等因素。利用信息量法，客观反映预警单元的地质条件，分析气象因素对滑坡、崩塌灾害提供的信息量[5]。计算气象因素和地质灾害的相关函数A(y,xi)，公式为：

式中：y——贵州省地质灾害；

xi——第i种地质灾害相关气象因素；

n——因素数量。

xi是与y有关的变量，B(y|xi)为各变量xi条件下的条件概率[6]。计算单个气象因素i的信息量值Ii，公式为：

将整个贵州省区域划分为单元网格，利用频率统计，估算条件概率B(y|xi)，确定省内地质灾害敏感性[7]。则地质灾害相关气象因素的总信息量值Q，计算公式为：

式中：Ei——第i种气象因素引发的地质灾害点数量；

E——地质灾害点总数；

Ci——第i种气象因素引发的地质灾害点面积；

C——贵州省内总面积。

通过总信息量值，定量分析气象因素对地质灾害的影响程度，Q值为正时，判定气象因素利于地质灾害发生，Q值为负时，则判定不利于灾害发生，且气象因素影响程度大小与Q值大小呈正相关[8]。至此完成气象因素对地质灾害影响程度的计算。

1.2 地质灾害发生的判断

在确定气象因素对地质灾害影响程度基础上，利用机器学习中的人工神经网络，判断贵州省各区域是否发生地质灾害。首先，参照采集地质环境数据，结合岩性特征、地形地貌、以及气候条件因素，对贵州省各区域进行条件比较，利用GIS 空间分析功能，定量划分贵州省地质灾害易发生区，并明确其易发生等级[9]。划分结果见图1。

图1 贵州省地质灾害易发区分布示意图Fig.1 Distribution of geological disaster-prone areas in Guizhou Province

根据贵州省近20年历史降雨量数据，以及记录的滑坡、崩塌灾害数据，明确各区域的降雨量数据，包含当日临界雨量和5日临界雨量。同时，根据滑坡、崩塌灾害野外调查结果，对临界雨量值进行适当调整，以此减小历史统计数据误差[10]。最后，将预报区域中易发生区等级、实际降雨量、坐标点X坐标和Y坐标，作为机器学习的人工神经网络4 个输入节点，利用线性函数，激活神经网络的输入层和输出层，再利用Sigmoid 函数，激活隐含层，输入前对数据进行归一化处理，使各数据处于同等水平，消除量纲影响，避开Sigmoid 函数训练数据的饱和区[11]。神经网络结构见图2。

图2 滑坡、崩塌灾害机器学习神经网络结构Fig.2 Structure of m achine learning neural network for geological disasters

图2 中，设置网络误差收敛到最小时，其相对应的隐含层节点数为4，将滑坡、崩塌灾害性发生可能性，作为神经网络的1 个输出节点。根据机器学习输出结果，判定坐标点区域是否发生滑坡、崩塌灾害，完成滑坡、崩塌灾害发生的判断。

1.3 滑坡、崩塌灾害气象风险等级划分

针对贵州省滑坡、崩塌灾害发生区域，根据气象因素影响程度，计算气象引发因子指数，结合该区域的地质灾害潜势度、承灾体脆弱性，划分气象风险的预警等级。

对预警区域进行单元编号，计算单元区域j内的有效降雨量Hj，公式为：

式中：m——有效降雨日数；

u——预警当日向前计算的天数；

Fj——区域j的当日和5日预报雨量值；

Cj——当日和5日临界雨量值；

Tju——区域j固定天数前的降雨量[12−13]。

计算单元区域j的气象引发因子指数Dj，公式为：

式中：ξ——有效降雨系数；

Q′——代表单元区域滑坡、崩塌灾害气象因素分量。

计算滑坡、崩塌灾害潜势度G，公式为：

式中：h——地质环境因子总个数；

ad——地质环境因子d的权重；

Vd——地质环境因子d的量化值。

采用评价指标方式，在承灾体范围内，提取一级指标和二级指标，计算承灾体脆弱性M，公式为：

式中：Y——评价因子总个数；

br——评价因子r的权重；

sr——脆弱性评价因子r的量化值。

气象风险可概化公式为：

其中，R为区域j的气象风险预警指数，取值介于0~1之间，预警指数越大，判定其地质灾害越易发生[14−17]。

其预警级别见表1～表3。

表1 滑坡、崩塌灾害高易发区气象风险预警级别Table 1 Early warning level of meteorological risk in high areas prone to geological disasters

表2 滑坡、崩塌灾害中易发区气象风险预警级别Table 2 W arning level of meteorological risk in areas prone to geological disasters

表3 滑坡、崩塌灾害低易发区气象风险预警级别Table 3 Early warning level of meteorological risk in low areas prone to geological disasters

在滑坡、崩塌灾害气象风险预警级别中，滑坡、崩塌灾害气象风险预警的等级为：

（1）蓝色预警(一级)：有一定风险，关注降雨；

（2）黄色预警(二级)：风险较高，关注降雨，做好监控；

（3）橙色预警(三级)：风险高，注意降雨，做好监控及应急准备；

（4）红色预警(四级)：风险很高，注意降雨，做好监控与应急撤离准备。

将气象风险预警指数R，与预警临界值相比较，确定该区域是否发布预警，以及相应的预警级别，完成基于机器学习的贵州省滑坡、崩塌灾害气象风险预警方法设计。

2 实验分析

选取两种常规滑坡、崩塌灾害气象风险预警方法，与此次设计方法进行对比实验，比较各预警等级的空报率大小。

2.1 实验准备

将滑坡、崩塌灾害，作为贵州省地质灾害研究范围，采集降雨量数据和地质灾害数据，作为实验数据源，在样本中剔除不符合降雨诱发地质灾害个例、以及不匹配区域站降雨资料的降雨量数据。其降雨量历史信息见图3。

图3 贵州省降水量变化Fig.3 Precipitation change in Guizhou Province

各区域的当日临界雨量和5日临界雨量，其各级预警的具体数值见表4。

表4 贵州省当日临界雨量和5日临界雨量Table 4 Critical rainfall and mm rainfall of 5 th Day of Guizhou Province

统计可得2014——2020年之间，贵州省地质灾害共发生1 204 处，发生地质灾害具体数据见表5。

表5 贵州省典型地质灾害统计数据Table 5 Statistical data of typical geological disasters in Guizhou Province

可见滑坡、崩塌占灾害总数的94.9%，三组预警方法分别根据以上历史数据中的滑坡、崩塌灾害，对贵州省地质灾害气象风险进行预警，并以2020年地质灾害作为参照，对比检验三组预警结果。

2.2 实验结果

2.2.1 崩塌灾害空报率测试结果

2020年崩塌灾害隐患点数量共29 处，三组方法均可准确预测出该类地质灾害，其预警等级见图4。

图4 崩塌预警结果Fig.4 Collapse forecast and early warning results

由图4 可知，两组常规方法三级预报数量和四级预警数量要明显多于设计方法，隐患点崩塌预警的严重程度整体偏高。进一步统计所有年份中，各预警级别的空报率，实验对比结果见表6。

表6 崩塌预警空报率Table 6 Em pty reporting rate of collapse early warning and forecast

由表6 可知，相比常规方法1 和常规方法2，设计方法对崩塌的三级预报空报率分别降低了6.65%和9.65%，四级预警空报率分别降低了6.03%和12.0%。

2.2.2 滑坡灾害空报率测试结果

2020年滑坡灾害隐患点数量共33 处，三组方法都准确预测出该类地质灾害，其预警等级见图5。

图5 滑坡预警结果Fig.5 Landslide forecast and early warning results

由图5 可知，针对滑坡这一地质灾害，两组常规方法的三级预警数量和四级预警数量，同样多于设计方法，隐患点预警的严重程度仍整体偏高。进一步统计所有年份中，各预警级别的空报率，实验对比结果见表7。

由表7 可知，相比常规方法1 和常规方法2，设计方法对滑坡的三级预警空报率分别降低了5.04%和7%，四级预警空报率分别降低了8.51%和11.17%，且常规方法2的二级预警仍存在空报率。

表7 滑坡预警空报率Table 7 Em pty reporting rate of landslide early warning and forecast

3 结论

针对现有滑坡、崩塌地质灾害预警方法中存在的不足，本文提出采用机器学习算法对地质灾害气象风险进行预警的方法。

（1）该方法通过采用机器学习神经网络中节点的输入，有效预测地质灾害发生。

（2）采用设计方法与常规方法对比中，本文方法对崩塌预警的三级预报空报率分别降低了5.04%和7%，四级预警空报率分别降低了8.51%和11.17%；对滑坡预警的空报率中，三级预报空报率分别降低了5.04%和7%，四级预警空报率分别降低了8.51%和11.17%，验证了本文方法适用于贵州省滑坡、崩塌灾害气象风险预警。

但此次研究仍存在一定不足，在今后研究中，会持续验证每年实际发生的地质灾害，修正该模型，进一步提高地质灾害预警精度。