泥石流危險性SIGA-BP 神經網絡評價方法及應用

谷秀芝，陳洪凱，劉厚成

（重慶交通大學巖土工程研究所，重慶 400074）

泥石流危險性SIGA-BP 神經網絡評價方法及應用

谷秀芝，陳洪凱，劉厚成

（重慶交通大學巖土工程研究所，重慶 400074）

泥石流危險度是由泥石流危險因子綜合判定的，然而危險因子有主次之分，要從眾多泥石流危險因子中篩選出作用最大的主要危險因子是很困難的，利用自適應免疫遺傳算法SIGA（Self-adaptive Immune Genetic Algorithm）對BP神經網絡進行優(yōu)化，獲得了與云南省最相關的7項泥石流危險因子，建立了基于SIGA的BP神經網絡模型，并對10組泥石流溝數(shù)據(jù)進行預測，得到了較高的預測結果。

泥石流;神經網絡;危險度;危險因子

泥石流對其活動區(qū)（包括形成區(qū)、流通區(qū)和堆積區(qū)）內的水土資源、生態(tài)環(huán)境、經濟建設及人民生命財產等會造成直接破壞和危害，而且泥石流的破壞力與其危險性有很大關系。泥石流危險性的評價傳統(tǒng)上采用統(tǒng)計分析法［1］。但統(tǒng)計分析法存在評價工作量大、時間長、主觀性等問題。近年來，在泥石流的危險性評價中又引入了模糊評價［2-4］、BP神經網絡［5-7］等方法，取得了較好的應用效果。但模糊評價的方法中確定隸屬度比較困難?；趥鹘y(tǒng)遺傳算法［8-11］的BP神經網絡則存在BP神經網絡輸入層難確定、學習過程收斂速度慢、算法不完備、容易陷入局部極小點、神經網絡模型的健壯性不好等缺點。

Chang F J 和 Lee S P［12］在泥石流發(fā)生區(qū)使用GMDH和人工神經網絡的方法通過分析瞬時降水的泥石流危險因子來評價泥石流等級，結果表明瞬時降雨不是泥石流發(fā)生的唯一危險因子。Chang F J和Hsieh C L［13］調查了影響泥石流的危險因子還包括:主溝長度、流域面積、流域最大相對高差和24 h最大降水量等。劉希林和唐川的泥石流危險性評價［14］中也對泥石流的眾多因子進行了分析，給出了影響泥石流的主危險因子和次危險因子，即:在特定地區(qū)哪幾個泥石流因子與此地區(qū)的泥石流危險度評價是最相關的。

針對以上應用于泥石流危險性評價方法中的缺點，本文使用自適應免疫遺傳算法的BP神經網絡方法，該方法在基本BP神經網絡算法的基礎上，通過自適應免疫遺傳算法的全局尋優(yōu)能力，并利用云南省泥石流溝的實際數(shù)據(jù)，對BP神經網絡的輸入進行優(yōu)化，最終從10項泥石流危險因子中確定出與云南省泥石流溝最相關的7項泥石流危險因子，并以此進行神經網絡的學習，建立關于泥石流危險性評價的簡單、快速和方便的分析模型，利用該模型對云南省10條泥石流溝進行泥石流危險度評價，達到了較高的預測精度。預測結果證明該方法是解決泥石流危險性評價問題的一種新思路。

1 泥石流危險性SIGA-BP神經網絡評價方法

1.1 BP神經網絡

BP神經網絡是一種單向傳播的多層前向網絡，網絡除輸入輸出節(jié)點外，還有一層或多層的隱含節(jié)點，同層接點中沒有任何耦合。輸入信號從輸入節(jié)點依次傳到各隱層節(jié)點，然后到輸出節(jié)點，每一層節(jié)點的輸出只影響下一層的輸出［15］，如圖1。

圖1 BP神經網絡結構Fig.1 BP neural network structure

在確定了BP神經網絡的結構后，要通過輸入和輸出樣本集對網絡進行訓練，亦即對網絡的閾值和權值進行學習和修正，以使網絡實現(xiàn)給定的輸入輸出映射關系。

BP網絡的實現(xiàn)過程分兩個階段:

第1階段是輸入已知學習樣本，通過設置的網絡結構和前一次迭代的權值和閾值，從網絡的第一層向后計算各神經元的輸出。

第2階段是對權和閾值進行修改，從最后一層向前計算各權值和閾值對總誤差的影響（梯度），據(jù)此對各權值和閾值進行修改。

1.2 SIGA-BP神經網絡

SIGA-BP神經網絡是自適應遺傳算法與BP神經網絡的有機結合，利用自適應遺傳算法全局搜索能力強的特點［16］，先用遺傳算法對BP網絡的權值和閾值進行全局粗精度的預學習，定位最優(yōu)解區(qū)域，使得權值和閾值種群聚集在參數(shù)解空間的某幾處，再利用BP算法對局部搜索的有效性在這些小的解空間中進行梯度細搜索［17-18］，最終求得最優(yōu)解。

1.2.1 SIGA-BP 的實現(xiàn)方法

1）編碼方案

對網絡中連接權值和闞值進行編碼，每一個基因碼鏈個體代表權值和閾值取特定值的神經網絡，方法有兩種:一是采用二進制編碼方案，另一種是采用實數(shù)編碼方案。

2）適應度函數(shù)

3）遺傳算子

對于不同的問題，遺傳算子的形式多種多樣，其中交叉率Pc和變異率Pm值能夠隨適應度自動改變。當種群各個體適應度趨于一致或者趨于局部最優(yōu)時，使Pc和Pm增加，而當群體適應度比較分散時，使Pc和Pm減少。同時，對于適應值高于群體平均適應值的個體。對應于較低的Pc和Pm，使該解得以保護進入下一代:而低于平均適應值的個體，相對應于較高的Pc和Pm使該解被淘汰掉。

4）網絡結構的進化

神經網絡結構的進化主要包括兩方面的內容:①網絡的拓撲結構;②節(jié)點轉移函數(shù)。目前，網絡結構參數(shù)的決定主要由經驗來決定，缺乏系統(tǒng)和嚴格的理論指導，可引進SIGA來設計網絡結構并根據(jù)性能評價準則，可優(yōu)化網絡結構。

1.2.2 SIGA-BP 計算過程

1）確定種群大小N和種群個體長度l，隨機生成種群，并將種群的個體進行二進制編碼，最后確定出基因和染色體結構;

2）設置自適應免疫遺傳算法的參數(shù)以及神經網絡所需要的參數(shù)，并把基因解碼為神經網絡結構;

3）用神經網絡計算適應度函數(shù)并作選擇，把得到的結果和實際結果進行比較，并把兩者比較的均方差作為適應度函數(shù)的返回值，如果兩者差距很大，就繼續(xù)進行遺傳變異，算法退到第二步，直到兩者的誤差達到所設定的誤差范圍以內時，算法轉到下一步;

4）最后獲得與泥石流溝最相關的泥石流評價因子，以作為BP神經網絡的輸入;

5）用學習好的網絡對要識別的樣本進行分析，最后得到要識別樣本的泥石流風險度等級。

2 SIGA-BP神經網絡的具體結構

2.1 樣本的選擇

本文選取文獻［14］中云南省20條泥石流溝的200個基礎數(shù)據(jù)為訓練樣本，建立了基于SIGA-BP神經網絡的泥石流危險度評價模型。針對泥石流危險度評價的10項評價指標，利用SIGA-BP神經網絡的泥石流評價模型，根據(jù)給出的云南省泥石流溝的具體數(shù)據(jù)，得到與云南省各溝最相關的泥石流評價指標，在20組評價指標中任選15組作為訓練數(shù)據(jù)集，但要保證每個縣、市至少有1組數(shù)據(jù)參與訓練，剩余的5組評價指標作為測試數(shù)據(jù)集。

2.2 SIGA-BP神經網絡評價指標的選取

圖2 三層BP神經網絡Fig.2 Three BP neural network

2.3 SIGA的編碼及參數(shù)選擇

SIGA遺傳算法采用Matlab 7.0的gads工具箱。

SIGA染色體采用14位的二進制編碼，前10個碼表示泥石流的10個評價指標，0表示不作為BP神經網絡的輸入，1表示作為BP神經網絡的輸入;下面3個表示隱含層的神經元數(shù):即101，最后一個碼是激活函數(shù):0表示tansig，1表示logsig。

使用Matlab 7.0中的trainlm對學習樣本進行學習，要求學習誤差MSE達到0.001%，最大的迭代次數(shù)為3 000。

2.4 SIGA-BP神經網絡的優(yōu)化結果

經過30代遺傳變異后，適應度函數(shù)返回值最優(yōu)值為0.848 69，即校驗樣本的預測值與實驗值的均方差。獲得了最優(yōu)染色體為1101110110 101 1。解碼得到與云南省的泥石流最相關的評價指標為:一次泥石流（可能）最大沖出量、泥石流發(fā)生頻率、流域面積、主溝長度、流域最大相對高差、單位流域切割密度、24 h最大降水量。激活函數(shù)使用logsig，并對剩下的5條泥石流溝的測試數(shù)據(jù)集進行泥石流等級評價。

3 實例應用

3.1 樣本數(shù)據(jù)

首先需要對各條泥石流溝的因子進行歸一化處理。由于這些因子都是優(yōu)性因子（數(shù)據(jù)越大，對泥石流活動性貢獻越大），采用如下公式計算:

式中:Xij為第j條泥石流溝的第i個指標的原始值;Ximin和Ximax分別為所有泥石流溝第i個指標的最小值和最大值。

歸一化處理的結果如表1。

表1 云南省20條泥石流溝數(shù)據(jù)Tab.1 Data of 20 debris flow dates in Yun Nan

（續(xù)表1）

3.2 基于SIGA神經網絡的泥石流危險度評價模型

從上述20組中任選15組數(shù)據(jù)作為樣本數(shù)據(jù)作為SIGA-BP神經網絡的輸入數(shù)據(jù)進行訓練，并對剩下的5條泥石流溝測試數(shù)據(jù)集進行泥石流等級評價。最后獲得了與云南省最相關的7項泥石流評價指標，并建立了基于SIGA神經網絡的泥石流危險度模型，在最相關的指標基礎上對云南省10組數(shù)據(jù)樣本進行預測，結合泥石流危險度等級劃分表［14］（表2）得出其危險度等級，如表3。從表3中可以看出，SIGA-BP神經網絡對泥石流危險度的預測值與實際觀測值很接近，與AHP法相比其相對誤差均在±3%范圍內，因此利用對特定地區(qū)學習好的神經網絡對該區(qū)的泥石流溝進行危險度評價，可取得符合實際的結果，據(jù)中國科學院東川泥石流研究觀測站的觀測資料，蔣家溝每年向小江輸送泥沙200～300萬m3，最大量高達600多萬m3。該溝泥石流至今已有300余年的歷史，其以每年爆發(fā)次數(shù)多，規(guī)模大，歷時長和危害大而獨具代表性，被譽為“泥石流的天然博物館”［20］，評價結果也表明蔣家溝泥石流屬于極度危險區(qū)。

表2 泥石流危險等級劃分Tab.2 Hazard degree of debris flow

表3 實例評價指標及評價結果Tab.3 Examples of evaluation indicators and evaluation results

4 結論

1）將自適應遺傳算法SIGA用于BP神經網絡建模，對建立BP神經網絡結構起到了很好的全局尋優(yōu)作用;

2）由于現(xiàn)在對于泥石流危險度評價指標的不一致性，本文利用基于SIGA-BP神經網絡方法來選擇與云南省相關的泥石流危險度評價指標，且指標為:一次泥石流（可能）最大沖出量、泥石流發(fā)生頻率、流域面積、主溝長度、流域最大相對高差、單位流域切割密度、主溝床彎曲系數(shù)、泥砂補給段長度比、24 h最大降水量、流域內人口密度。

3）從20組中任選15組數(shù)據(jù)作為SIGA-BP神經網絡的輸入數(shù)據(jù)，并對SIGA-BP神經網絡進行訓練。最后獲得了與云南省最相關的7項泥石流評價指標，并建立了基于SIGA神經網絡的泥石流危險度模型，并對云南省10條泥石流溝進行預測，結果顯示預測值與實測值很接近，其相對誤差均在±3%范圍內，達到了較高的預測精度。

［1］ Gazendam H，Liu K.The evolution of organizational semiotics:a brief review of the contribution of Ronald stamper［EB］.2004-04-18，http://www.orgsem.org/papers/00.pdf.

［2］ 劉章軍.基于模糊概率方法的泥石流危險性評價［J］.三峽大學學報:自然科學版，2007，29（4）:295-298.

［3 ］ ZHAO Dong-mei，MA Jian-feng，WANG Yue-sheng.Model of fuzzy risk assessment of the information system［J］.Journal on Communication，2007，28（4）:51-56.

［4］ 王學武，石豫川.多級模糊綜合評判方法在泥石流評價中的應用［J］.災害學，2004，19（2）:2-6.

［5］ 魯小兵，李德基.基于神經網絡的泥石流預測［J］.自然災害學報，1996，5（3）:47-50.

［6］ 趙源，劉希林.人工神經網絡在泥石流風險評價中的應用［J］.地質災害與環(huán)境保護，2005，16（2）:135-138.

［7］ 劉希林，蘇鵬程.四川省泥石流風險評價［J］.災害學，2004，19（2）:23-28.

［8］ 陳剛，何政偉，楊洋，等.基于徑向基函數(shù)神經網絡的泥石流危險性評價［J］.計算機應用研究，2009，26（1）:241-243.

［9］ 汪明武.基于神經網絡的泥石流危險度區(qū)劃［J］.水文地質工程地質，2000，27（2）:18-19.

［10］ 李發(fā)斌，崔鵬，周萬村，等.用遺傳神經網絡分析泥石流活動性［J］.中國地質災害與防治學報，2003，14（3）:16-19.

［11 ］ CHANG Tung-chiung，CHEN Yue-hone.The application of genetic algorithm in debris flows prediction ［J］.Environ Geol，2007，5（3）:339-347.

［12］ Chang F J，Lee S P.A Study of the Intelligent Control Theory for the Debris Flow Warning System ［R］.Proceedings of the 1stDebris Flows Conference.Taipei，Taiwan，ROC，1997:109-123.

［13］ Chang T C，Hsieh C L.Site investigation and analysis for debris flows in eastern Lan-Yun District［J］.Chinese Water and Soil Reserveation Report Taiwan 1996，27（2）:139-150.

［14］ 劉希林，唐川.泥石流危險性評價［M］.北京:科學出版社，1995:3-15，62-65.

［15］ 汪茜，李廣杰.基于人工神經網絡的磐石市泥石流預測.［J］.人民長江，2009，40（3）:47-48.

［16］ 喬立杰，唐常杰.SIGA:一種新的自適應免疫遺傳算法［J］.中山大學學報，2008，47（3）:6-9.

［17］ CHANG Tung-chiung.Risk degree of debris flow applying neural networks ［J］.Nat Hazards，2007，42（1）:209-224.

［18 ］ CHANG Tung-chueng，CHAO Ru-jen.Application of back-propagation networks in debris flow prediction ［J］.Engineering Geology，2006，49（7）:270-280.

［19］ 田景文，高美娟.人工神經網絡算法研究及應用［M］.北京:北京理工大學出版社，2006:24-39，64-65.

［20］ 丁明濤，韋方強.云南蔣家溝泥石流成因及其防治措施探析［J］.水土保持研究，2008，15（1）:20-21.

Method and Application of Debris Flow Hazard Assessment Based on SIGA-BP Neural Network

GU Xiu-zhi，CHEN Hong-kai，LIU Hou-cheng
（Institute of Geotechnical Engineering，Chongqing Jiaotong University，Chongqing 400074，China）

The risk degree of debris flow is determined by dangerous factors of the debris flow.The dangerous factors are divided into primary and secondary factors.It is difficult to choose the most dangerous factor.BP neural network is optimalized by self-adaptive immune genetic algorithm（SIGA），and seven dangerous factors of Yunnan province are obtained.SIGA-BP neural network is also established，which is applied to forecasting data of 10 groups’debris flow，and more accurate forecasting results are obtained.

debris flow;neural network;risk degree;risk factors

中國分類號:P642.23

A

1674-0696（2010）01-0098-05

2009-06-30

國家自然科學基金項目（50678182）;中國博士后科學基金項目（20080430095）

谷秀芝（1982-），女，河北邢臺人，碩士研究生，主要從事地質災害與防治研究。E-mail:gxzh1982@126.com。

book=102,ebook=68