基于GIS与BP神经网络的崩塌滑坡地质灾害易发性预测

吴晶晶，江思义，吴秋菊，李海良，邱恩露

（1.南宁市自然资源信息集团有限公司，广西 南宁 530021；2.广西壮族自治区地质环境监测站，广西 南宁 530029；3.广西壮族自治区遥感中心，广西 南宁 530023）

0 引言

对可能发生地质灾害的状况进行易发性预测评价具有重要的实际意义。随着全国1∶50000地质灾害详细调查的全面开展，相关的研究成果不断涌现。黄希明等［1］基于GIS对灵山县地质灾害易发性进行研究；周海玲等［2］以桂东北平乐县为例，对该区域的地质灾害易发性展开了评价研究；江思义等［3］以北流市为例，利用GIS技术对该区域的地质灾害易发性展开了评价研究；韦雪松等［4－5］利用GIS技术分别对广西的田林县和金秀瑶族自治县的地质灾害易发性展开了评价研究。相关的研究不胜枚举，更加合理、有效、科学地评价地质灾害易发性有待继续研究。

1 研究区概况

贺州市平桂区地处桂东北，贺州市中部，坐标为东经111°12′～111°41′，北纬23°52′～24°34′，面积2 022 km2。平桂区地形复杂，地质构造较复杂，区内人类工程活动频繁，主要为切坡建房或修路和矿山开采，地质灾害频发，主要的地质灾害类型为滑坡、崩塌（危岩），其次为不稳定斜坡、岩溶地面塌陷和采空塌陷［6］。

2 数据处理及初始评价因子提取

2.1 数据处理及信息提取

崩塌滑坡的易发性评价首先要选择一个合适的评价对象，即制图单元。本次地质灾害危险性评价使用网格单元，把地域划分成规则的30 m×30 m方形网格，每个网格单元分配一个因子的值（地形、地质和土地利用类型等）。

2.2 初始评价因子提取

崩塌滑坡地质灾害的发生是各种内、外影响因子综合作用的产物。结合前人的研究资料和研究区的实际情况，选取的崩塌滑坡的易发性影响因素如下：

（1）坡度。坡度是影响崩塌、滑坡地质灾害发育的重要因素。坡度直接影响着坡体内的应力分布状态，坡度与坡角应力呈正比［7］。根据研究区地质灾害现状和相关的研究资料，按坡度大小将坡度因子分为8个等级，如表1，通过遥感解译得到坡度划分等级图（如图1a）。

（2）坡向。坡向决定了太阳辐射强度，影响植被覆盖、蒸发量、土壤含水率等，最终会影响斜坡地下水孔隙压力的分布及岩土体物理力学特征［8］。把研究区坡向与太阳辐射强度情况分为8个等级，如表1，通过遥感解译得到坡向划分等级图（如图1b）。

（3）地层岩性与岩组。岩石的类型和软硬程度以及层间结构决定岩土体的物理力学特征，是崩塌、滑坡形成的重要影响因素和内在条件之一。根据研究区工程地质情况，把地层岩性与岩组分为8个等级，如表1，得到地层岩性划分等级图（如图1c）。

（4）植被覆盖。植被对地质灾害发育和稳定性具有深刻影响。反映植被覆盖的一个重要指标就是NDVI值，NDVI值越大，表示植被生长力越高［9］。把研究区植被指数分为8个等级，如表1，得到植被指数划分等级图（如图1d）。

（5）断裂构造。地质灾害的发生与断裂构造有着密切的关系，地质灾害常常产生在地质构造强烈、断裂褶皱发育、岩层破碎的地区。根据研究区构造情况，把构造影响区域分为8个等级，如表1，得到构造划分等级图（如图1e）。

（6）路网。道路的修建和运营对斜坡土体有一个扰动作用，可能破坏土体的平衡，尤其是在土体处于极限平衡状态时［10］。根据研究区路网分布情况，把路网影响区域分为8个等级，如表1，得到路网密度划分等级图（如图1f）。

（7）土壤含水率。土壤含水率影响了非饱和土的抗剪强度，土壤黏聚力随着土壤含水率的增加基本呈先增大后减小之趋势。根据研究区土壤含水率情况，把土壤含水率分为8个等级，如表1，得到土壤含水率划分等级图（如图1g）。

（8）曲率。剖面曲率是对地面坡度沿最大坡降方向地面高程变化率的度量，可以间接地表示坡面形态。把研究区曲率分为8个等级，如表1，得到曲率划分等级图（如图1h）。

（9）居民地密度。居民地密度直接反映了与人类居住相关的工程活动强度大小。把研究区居民地密度分为8个等级，如表1，得到居民地密度划分等级图（如图1i）。

图1 研究区崩塌滑坡易发性评价影响因子处理结果

以平桂区为例对数据进行处理，影响因子归一化处理见表1。

表1 崩塌滑坡易发性评价影响因子等级评分表

3 基于粗糙集的影响因子评价

地质灾害是一个开放的非线性系统，地质灾害形成发育过程十分复杂，影响地质灾害的因素众多。确定哪些因素是影响地质灾害的关键因素，对地质灾害易发性评价至关重要。本项目采用粗糙集理论方法对监测数据加以分析，找出对地质灾害发生相关性高的因素。

在粗糙集理论中，一个知识表达系统可由四元序组表示，即：S＝（U，I，V，f）

式中：U＝（x1，x2，…，xm）为论域，是指对象的有限非空集合，在地质灾害易发性评价中，为灾害点；I＝（a1，a2，…，an）为有限非空的属性集合，与地质灾害相关的因素，且I＝C∪D，C为条件属性，D为决策属性；V为相应属性a的值域；f为信息函数，f：U×I→V，f（x，a）∈V。为减少计算量且保证样本具有代表性，选择研究区部分栅格单位作为论域，包括469个灾害栅格和531个非灾害栅格，共计1 000个对象（根据每个县灾害统计数量进行选取），计算过程如下：

（1）根据粗糙集理论，构建研究区崩塌、滑坡易发性初始决策表，对象条件属性为初始评价因子，是否为灾害区域（1表示灾害区域，0表示非灾害区域）为对象决策属性，采用表1中各属性分段区间的特征值进行量化，其中，I为属性集合，U为论域，I＝C∪D，条件属性C＝（c1，c2，…，c13），决策属性D表示是否为地质灾害［11］，初始决策见表2。

表2 地质灾害易发性初始决策表格（部分）

（2）基于粗糙集理论及遗传约简算法，选取遗传变异概率Pm＝0.02，交叉概率Pc＝0.6，最大迭代次数300，训练种群规模M＝500，实现约简。多次计算后，挑选依赖度γc（D）≥0.9的62组结果作为筛选依据，将各指标在最优个体中出现的次数进行统计，最终筛选结果见表3。

表3 初始评价因子约简情况统计表

4 BP神经网络预测模型结构设计和算法实现

4.1 结构设计

BP神经网络模型是目前应用最为广泛的一种具有指导性的训练模型，采用包括一个输入层、一个隐藏层和一个输出层的三层前馈神经网络作为网络结构，如图2。

图2 基于BP神经网络的地质灾害易发性评价（模型）结构图

输入层为易发性的评价因子，包括坡度、坡向、植被指数、断裂构造、植被覆盖等。节点的作用函数选用S型函数：

隐藏层节点数对神经网络的性能具有一定的影响，隐藏层节点数过少则学习容量有限，不足以存储训练样本中蕴涵的所有规律；隐藏层节点数过多，则不仅会增加网络训练的时间，还会存储样本中非规律性的内容，反而降低其泛化能力。隐藏层节点数量的计算公式为：

式中：Nh为隐藏层节点的数量；Ni为输入节点的数量。

在达到网络目标后，将整个研究区置于网络中判断崩塌滑坡易发性，获得每一栅格中的易发性值，之后在GIS环境转化栅格数据，生成崩塌滑坡易发性图。

4.2 易发性分区结果

（1）地质灾害高易发区。该区地质环境相对恶劣，地质灾害充分发育。主要分布于北部（主要包括寨脚塘、车底、西田口等区域），西部（主要包括山脚、东冲、枫树头等区域）。

（2）地质灾害中易发区。该区地质环境条件差，地质灾害中等发育。分布于北部（主要包括丰底、八仙冲、樟树坳、白祖、社山脚等区域），中部（主要包括大河、东冲、辉洞、罗家寨、河背、樟坪等区域），南部（主要包括车山、闸平、石碑、车山等区域）。

（3）地质灾害低易发区。该区地质灾害较少，分布在北部（主要包括马古槽、社山脚、万友等区域），中部（主要包括桐冲、文旺冲、羊尾、马山肚、上龙等区域），南部（主要包括芙蓉尾、祖口、桐木、车山、利合、石碑等区域）。具体见图3。

图3 平桂区地质灾害易发性评价图

5 结论

（1）本文结合平桂区地质灾害的形成条件、影响因素、灾害特征和已有研究成果，选取了9个易发性分区的地质环境因素，探讨了借助ArcGIS平台优化选取样本的方法；利用IDL语言调用Matlab神经网络工具建立了GIS和BP神经网络相结合的地质灾害预测模型。

（2）由于地质灾害的发生是各种内、外影响因子综合作用的产物，各个因素对于地质灾害易发性的权重贡献很难用简单的线性模型映射能力，影响因素特征不同，地质灾害易发性权重函数随之产生变化，从而更加逼近真实的地质灾害易发情况。