基于双判据联合判别的滑坡监测预警研究

杨芳 杨晓龙 仇新迪 马宏涛

摘要：为实现滑坡预警等级的准确划分，在分析预警准则的基础上，以三峡库区木鱼包滑坡为例，以累计变形判据和变形速率判据联合构建了双判据滑坡预警模型，其中，累计变形判据是在极限位移预警分析基础上，结合变形预测的发展趋势进行预警等级划分，而变形速率判据与之相似，也是在极限变形速率预警分析基础上，结合其M-K分析的发展趋势评价进行预警等级划分。实例分析结果表明：在累计变形判据的预警过程中，按极限位移判断滑坡预警等级为Ⅱ级，但通过变形预测，得出滑坡变形呈上升趋势，进而应提高一级预警，即通过累计变形判据得出滑坡预警等级为Ⅲ级;在变形速率判据的预警过程中，不同监测点的预警结果存在一定差异，预警等级间于Ⅰ～Ⅲ级，按不利原则，确定变形速率判据下的滑坡预警等级为Ⅲ级。两者分析结果一致，相互佐证了两类判据的准确性，综合确定滑坡预警等级为Ⅲ级，即滑坡目前处于中等危险，应进行较高频率监测，并做好避让措施准备，切实保证区内居民的生命财产安全。

关 键 词：

滑坡监测预警; 累计变形; 变形速率; M-K分析; 木鱼包滑坡; 三峡库区

中图法分类号： P642

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2021.05.015

滑坡是我国常见地质灾害之一，限于资金条件，无法对所有滑坡均进行工程治理，多是采用群防群测手段进行预警预防，主观因素较大，难以保证预警结果的准确性和合理性，因此，如果在有限条件基础上开展合理的滑坡预警具有重要意义[1-3]。目前，已有相关学者开展了滑坡预警研究，如苏白燕等[4]在滑坡变形监测成果基础上，通过其变形速率的阈值来实现预警等级划分，并构建了相应的预警平台，实现了自动预警，取得了较好效果;李聪等[5]先将滑坡变形过程划分为不同阶段，再将滑坡变形速率作为预警判据进行预警等级划分，有效实现了滑坡预警，为其防治提供了参考依据;陈贺等[6]也在深部位移监测的基础上，开展了滑坡变形阶段划分，并利用滑坡变形加速曲线实现了滑坡预警预报;苑谊等[7]以滑坡变形速率和切线角为预警指标，并对树坪滑坡的预警阈值进行设定，有效实现了滑坡预警等级划分。上述研究取得了相应成果，充分验证了在滑坡变形成果基础上进行预警研究的可行性，但以上研究均是侧重于变形速率的预警判据分析，未涉及累计变形判据研究，加之研究方法较为单一，也未开展预警准则分析，缺乏系统性，因而仍有必要进一步开展系统性的滑坡预警研究。本文以三峡库区木鱼包滑坡为实例背景，基于其监测成果，在预警准则分析基础上，构建了基于累计变形判据和变形速率判据的双判据滑坡预警模型，以为滑坡灾害防治提供一定指导。

1 滑坡预警准则及方法研究

1.1 预警准则

滑坡预警是一个复杂过程，其准则应具有综合性和可行性，即滑坡预警应在常用指标上构建，并具有较强的可操作性。

2 实例分析

2.1 工程概况

木鱼包滑坡隶属秭归县沙镇溪镇，位于三峡坝址上游56 km处的右岸，平面呈漏斗状，主滑方向为20°，纵向长1 500 m，宽度约1 200 m，面积约180万m2，平均厚度约50 m，总体积为9 000万m3，属深层巨型滑坡。

根据现场勘察结果，得知滑床岩性主要为侏罗系石英砂岩和砂泥岩夹煤层，具有顺向坡体结构。滑体主要包含有两部分，即松散堆积层和扰动破坏砂岩层。其中，松散堆积层主要分布于地表，岩性为崩坡积和残坡积碎石土，碎块石母岩成分以砂、泥岩为主，含量局部差异变化较大;扰动破坏砂岩层主要是由区内构造运动所致，节理裂隙较发育，利于降雨入渗。滑带主要为粉质壤土，夹杂少量碎块石，黑色，具可塑～硬塑状，遇水易软化，抗剪强度相对较低。

区内水文条件较为复杂，其中，地表水主要以前缘长江水系为主，且坡面冲沟在雨季会形成临时径流，流量受雨量影响较大。地下水主要分为孔隙水和裂隙水两类，前者主要赋存于地表堆积体中，季节波动明显，而后者主要赋存于滑床基岩裂隙中，对滑坡影响有限[16-17]。

自三峡水库蓄水以来，木鱼包滑坡出现了不同程度的变形，为有效掌握其变形规律，布设了四横三纵的监测网，其中，ZG291监测点变形量相对最大，限于篇幅，以其所处纵断面4个监测点的监测成果为例，分析本文研究思路的有效性;同时，结合滑坡监测点布置，得ZG291～ZG294监测点的断面布置如图1所示。

在2006年11月至2009年12月间，按1月/次的监测频率，共计得到38个周期的监测成果，具体变形曲线如图2所示。由图2可知，ZG291监测点累计变形相对最大，已达828 mm，其余3个监测点的变形规律和变形量相当，介于564～593 mm之间。总体来说，木鱼包滑坡的变形位移较大，对其开展预警研究具有重要意义。

2.2 累计变形判据的预警分析

根据本文思路，先以累计变形判据进行木鱼包滑坡的预警分级，将其分析过程详述如下。

（1） 极限位移的预警分析。

首先，利用Matlab擬合工具箱实现极限位移的拟合求解，结果如表3所示。由表3可知，各监测拟合结果的拟合度均趋近于1，说明拟合效果较好，所得极限位移参数的可信度较高;同时，根据安全储备参数Fc ，得知4个监测点的安全储备相当，ZG293监测点的安全储备相对最高，其次是ZG291、ZG294和ZG292监测点。其次，根据表1中的判据，对现有变形值条件下的所属临界区间进行求解，进而进行预警等级评价，得到其判断结果如表4所列。通过极限位移的预警分析，得出4个监测点的预警等级均为Ⅱ级，相对略低。

（2） 位移发展趋势的预警分析。

在前述极限位移预警分析基础上，再对其发展趋势进行分析;同时，限于篇幅，本文仅以ZG291监测点为例，详述不同阶段的优化效果，且在预测过程中，以1～33周期为训练样本，34～38周期为验证样本，39～42周期为外推预测样本。

先对不同激励函数的预测效果进行筛选，且在筛选过程中，以预测结果的相对误差平均值及其标准差为评价指标，通过计算，得到其筛选结果如表5所列。由表5可知，3种激励函数的预测效果存在一定差异，以Sigmiod型的平均相对误差值最小，具备较高的预测精度，且其标准差也相对最小，进而说明其预测结果具有相对更强的稳定性，其次是Hardlim型和Sine型，因此，确定本文ELM模型的激励函数为Sigmiod型。

其次，再利用粒子群算法和M估计分别优化模型参数和预测误差，且为了验证ELM模型较传统神经网络的优越性，再利用传统BP神经网络进行预测研究，进而得到上述各类模型在ZG291监测点中的预测结果如表6和图3所示。根据表6可知，在相应验证节点处，随着优化过程的递进，预测结果的相对误差值出现了不同程度的减小，说明3类优化方法的有效性均较好，且RPSO-ELM模型的预测结果具有相对最小的平均相对误差和标准差，说明其不仅具有相对最优的预测精度，还具有较强的稳定性;同时，对比传统BP神经网络和RPSO-ELM模型的预测结果可知，后者的预测精度及稳定性相对更优，进而验证了本文预测模型相较传统预测模型具有更好的预测效果。最后，通过外推预测，得知ZG291监测点的变形将呈上升趋势，无收敛迹象。

前述已验证了本文RPSO-ELM模型的有效性，再利用该模型对其余3个监测点发展趋势进行评价，结果如表7所列。对比ZG292～ZG294监测点的预测结果可知，在预测效果方面，三者平均相对误差值相近，说明本文预测模型具有较强的稳健性，其中，以ZG294监测点的预测效果相对最优，其次是ZG292监测点和ZG293监测点;在预测结果稳定性方面，ZG294监测点的标准差值相对最小，具有相对最小的波动性，其次是ZG292监测点和ZG293监测点，但三者标准差值均较小，变化差异不大。同时，3个监测点的外推预测结果也呈上升趋势，并无收敛迹象。

因此，按极限位移判断，滑坡预警等级为Ⅱ级，但4个监测点的外推预测均得出滑坡变形呈上升趋势，进而应提高一级预警，即通过累计变形判据得出滑坡预警等级为Ⅲ级。

2.3 变形速率判据的预警分析

类比前述分析，再利用变形速率判据对木鱼包滑坡进行预警分析，具体分析过程如下。

（1） 极限变形速率的预警分析。

以表1中的临界系数Fr和表3中已求得的安全储备参数Fc为基础，计算得到极限变形速率的相关特征参数及预警等级如表8所列。由表8可知，按极限变形速率的预警准则，得ZG292监测点的预警等级为Ⅰ级，其余3个监测点的预警等级为Ⅲ级，即滑坡不同位置的预警等级存在一定差异，按不利原则确定其预警等级为Ⅲ级。

（2） 变形速率发展趋势的预警分析。

根据前述预警方法，再利用M-K检验来分析判断滑坡变形速率的发展趋势，得其分析结果如表9所列。由表9可知，4个监测点的Z值均大于零，但大小存在一定差异，即4个监测点的变形速率均呈上升趋势，并具有不同的显著性，其中，ZG292监测点的上升趋势较显著，而其余3个监测点仅属显著。

根据上述分析，按极限变形速率判断，得知木鱼包滑坡的预警等级为Ⅲ级，加之其变形速率呈上升趋势，进而确定在变形速率判据基础上的预警等级为Ⅲ级。

综合两类判据的预警结果，得出累计变形判据的滑坡预警等级为Ⅲ级，变形速率判据的滑坡预警等级也为Ⅲ级，两者分析结果一致，相互佐证了两类判据的准确性，进而综合确定木鱼包滑坡的预警等级为Ⅲ级，即滑坡目前处于中等危险，应进行较高频率监测，并做好避让措施的准备。

3 结 论

（1） 累计变形和变形速率是滑坡预警的重要判据，具有全面性和系统性，适用性较强，能有效实现滑坡预警等级划分。

（2） 在滑坡预警的实现方法中，各类分析方法均具有良好效果，所得结果也相互佐证了各自分析结果的有效性，综合确定木鱼包滑坡的预警等级为Ⅲ级，为其灾害防治提供了一定参考。

限于篇幅，本文仅以主滑面监测成果进行预警，建议后续研究可再对其余监测点进行预警分析，以全面掌握滑坡预警等级。

参考文献：

[1] 乔建平.降雨型滑坡泥石流灾害预警原理及系统结构[J].人民长江，2020，51（1）：50-55，74.

[2] 张宁，李青，李闯将，等.基于极限学习机和熵值法的岩土灾变预警[J].科学技术与工程，2019，19（33）：251-258.

[3] 林剑，张奇飞，龙万学，等.基于预警隶属度函数多模型融合的滑坡预警方法[J].吉林大学学报（地球科学版），2019，49（2）：477-484.

[4] 苏白燕，许强，黄健，等.基于动态数据驱动的地质灾害监测预警系统设计与实现[J].成都理工大学学报（自然科学版），2018，45（5）：615-625.

[5] 李聪，朱杰兵，汪斌，等.滑坡不同变形阶段演化规律与变形速率预警判据研究[J].岩石力学与工程学报，2016，35（7）：1407-1414.

[6] 陈贺，李亚军，房锐，等.滑坡深部位移监测新技术及预警预报研究[J].岩石力学与工程学报，2015，34（增2）：4063-4070.

[7] 苑谊，马霄汉，李庆岳，等.由树坪滑坡自动监测曲线分析滑坡诱因与预警判据[J].水文地质工程地质，2015，42（5）：115-122，128.

[8] 檀梦皎，殷坤龙，郭子正，等.基于CEEMDAN理论和PSO-ELM模型的滑坡位移预测[J].地质科技情报，2019，38（6）：165-175.

[9] 高彩云，高宁.一种基于M估计的Robust-ELM滑坡位移预测方法[J].大地测量与地球动力学，2019，39（2）：153-157.

[10] 高彩云.基于新型智能算法ELM的滑坡变形位移预测[J].人民长江，2017，48（7）：46-49，69.

[11] 任庆国.基于重标极差法和神经网络的隧道变形趋势判断[J].人民长江，2017，48（16）：54-59.

[12] 李秋全，郝付軍.三峡库区堆积层滑坡的变形趋势判断及预测[J].水利水电技术，2019，50（5）：228-233.

[13] 王润英，伍彦熹，慕子煜，等.基于M估计的抗差Kalman滤波算法在某混凝土重力坝变形监测中的应用[J].水电能源科学，2015，33（12）：89-92.

[14] 贺华刚.基于集成组合预测模型的隧道大变形预测研究[J].人民长江，2019，50（8）：172-177.

[15] 鞠兴华，杨晓华，张莎莎.铁路路基沉降变形趋势的综合检验分析[J].中国安全科学学报，2018，28（3）：132-137.

[16] 邓茂林，易庆林，韩蓓，等.长江三峡库区木鱼包滑坡地表变形规律分析[J].岩土力学，2019，40（8）：3145-3152，3166.

[17] 王少华，宛良朋，罗强.三峡库区木鱼包滑坡典型剖面自身强度综合评价[J].水力发电，2015，41（12）：40-43，53.

（编辑：胡旭东）