基于PSO-SVM的鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)

吳 迪

(陜西鐵路工程職業(yè)技術(shù)學(xué)院測(cè)繪工程系，陜西 渭南 714000)

0 引言

近年來(lái)，黃土地區(qū)公路建設(shè)迅猛發(fā)展，“高填深挖”的公路建設(shè)模式產(chǎn)生了大量未經(jīng)防護(hù)的公路邊坡，加之黃土特殊的物理、水理性質(zhì)，使公路邊坡地質(zhì)災(zāi)害頻發(fā)[1]。2012年7月下旬，陜西普降暴雨，造成S302佳榆線全線暴發(fā)泥流，擋土墻破壞20處/360延米，多處邊坡坍塌，斷道長(zhǎng)達(dá)2個(gè)多月，各項(xiàng)經(jīng)濟(jì)損失超過(guò)1 000萬(wàn)元[2]。災(zāi)害空間預(yù)測(cè)是災(zāi)害監(jiān)測(cè)與預(yù)警的前提，它以多元異構(gòu)地理、地質(zhì)和水文信息融合為基礎(chǔ)，依據(jù)研究區(qū)內(nèi)各種環(huán)境要素的空間分布和組合特征判斷災(zāi)害的易發(fā)程度，對(duì)降低災(zāi)害經(jīng)濟(jì)損失和減少人員傷亡具有重要意義[3]。鳳縣位于陜西省寶雞市，總面積3 187 km2，地貌以塬、梁、峁和溝壑縱橫交錯(cuò)為主，是我國(guó)最典型的黃土分布區(qū)之一[1]。本文開(kāi)展鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)研究，揭示不同區(qū)域發(fā)生災(zāi)害的難易程度，為提高黃土地區(qū)公路抗災(zāi)能力和區(qū)域防災(zāi)減災(zāi)能力提供理論基礎(chǔ)。

災(zāi)害空間預(yù)測(cè)有兩種模式：一是基于災(zāi)害孕育、演化及工程地質(zhì)條件對(duì)災(zāi)害的定量研究，這種確定性模型需要逐點(diǎn)進(jìn)行大量地質(zhì)構(gòu)造及動(dòng)力學(xué)監(jiān)測(cè)，適于特定災(zāi)害點(diǎn)研究[4]；二是基于統(tǒng)計(jì)學(xué)原理，根據(jù)特定區(qū)域的孕災(zāi)環(huán)境建立數(shù)學(xué)模型，從概率分析的角度實(shí)現(xiàn)災(zāi)害易發(fā)程度的定量或半定量研究[5]，其中，智能算法的出現(xiàn)和發(fā)展為揭示災(zāi)害發(fā)生與誘發(fā)因素間的非線性關(guān)系提供了新思路。YANG等[6]在地質(zhì)和降水因素分級(jí)標(biāo)度的基礎(chǔ)上，提出了基于人工神經(jīng)網(wǎng)絡(luò)(ANN)的降水誘發(fā)滑坡災(zāi)害時(shí)空預(yù)測(cè)方法。JIANG等[7]通過(guò)多普勒氣象雷達(dá)和GIS平臺(tái)建立了區(qū)域地質(zhì)災(zāi)害預(yù)測(cè)信息庫(kù)，采用ANN方法建立了預(yù)測(cè)模型并在四川涼山地質(zhì)觀測(cè)站進(jìn)行了應(yīng)用。劉藝梁等[8]基于ANN和GIS開(kāi)展了三峽壩區(qū)巴東段的滑坡災(zāi)害危險(xiǎn)性空間預(yù)測(cè)。SARO等[9]針對(duì)韓國(guó)江原道麟蹄郡的Deokeokri和Kaisaris地區(qū)，在考慮降水概率的基礎(chǔ)上提出了基于支持向量機(jī)(SVM)和GIS的滑坡災(zāi)害空間預(yù)測(cè)方法。張俊等[10]以三峽庫(kù)區(qū)白水河滑坡為研究對(duì)象，基于粒子群算法(PSO)與時(shí)間序列耦合開(kāi)展了滑坡位移預(yù)測(cè)研究。武雪玲等[11]以三峽庫(kù)區(qū)長(zhǎng)江干流岸坡為研究區(qū)，通過(guò)構(gòu)建粒子群改進(jìn)支持向量機(jī)(PSO-SVM)開(kāi)展了滑坡災(zāi)害易發(fā)性定量研究。YING等[12]根據(jù)遙感影像數(shù)據(jù)，提出了一種基于深度學(xué)習(xí)的滑坡災(zāi)害辨識(shí)方法。

通過(guò)分析已有文獻(xiàn)可知，以往的災(zāi)害空間預(yù)測(cè)主要通過(guò)ANN和SVM建模，其中，SVM是繼ANN之后的新一代智能學(xué)習(xí)算法，影響其運(yùn)算效率的關(guān)鍵問(wèn)題是懲罰參數(shù)C和核參數(shù)σ的尋優(yōu)速度，當(dāng)尋優(yōu)范圍較大時(shí)，SVM易將局部最優(yōu)視為全局最優(yōu)而發(fā)生早熟，PSO-SVM采用PSO算法搜索C和σ，具有收斂速度快、實(shí)現(xiàn)簡(jiǎn)單和全局性好等優(yōu)點(diǎn)[13]，本文在借鑒已有研究的基礎(chǔ)上，基于區(qū)域孕災(zāi)環(huán)境特點(diǎn)和災(zāi)害實(shí)地調(diào)查數(shù)據(jù)，采用PSO-SVM建立預(yù)測(cè)模型，基于GIS開(kāi)展鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)。

1 PSO-SVM模型與建模流程

SVM模型回歸采用f(x)=ωx+b擬合{xi,yi},i=1,2,…,n,xi∈Rn,yi∈R，根據(jù)SVM的基本理論[14]，有式1。

(1)

maxW(α,α*) =

(2)

(3)

式中：C為懲罰參數(shù)，K(xi,xj)為核函數(shù)。徑向基核函數(shù)是某種沿徑向?qū)ΨQ(chēng)的標(biāo)量函數(shù)，具有非線性映射能力，可用式4表示。

(4)

式中：σ——核參數(shù)。

在PSO模型中，群體中第i個(gè)粒子的位置為X=(xi1,xi2,…,xiD)，其飛翔速度為Vi=(vi1,vi2,…,viD)[15]。種群中至少有一個(gè)粒子位于全局歷史最優(yōu)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)

本文選擇徑向基函數(shù)作為SVM的核函數(shù)，利用PSO模型對(duì)C和σ進(jìn)行尋優(yōu)，構(gòu)建鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)的PSO-SVM模型[16]，主要步驟見(jiàn)圖1。

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

(1)PSO-SVM模型初始參數(shù)設(shè)置，包括種群規(guī)模、迭代次數(shù)、學(xué)習(xí)因子、慣性權(quán)重、初始粒子和粒子初始速度等[11]。

(2)尋優(yōu)過(guò)程中，優(yōu)化問(wèn)題的每個(gè)解稱(chēng)為空間中的一個(gè)粒子，每對(duì)粒子向量的C和σ對(duì)應(yīng)一個(gè)SVM模型，通過(guò)適應(yīng)度函數(shù)計(jì)算并比較粒子適應(yīng)值fi、種群個(gè)體最優(yōu)解qi和種群全局最優(yōu)解qg，對(duì)粒子位置和速度進(jìn)行更新。

(3)如果種群中粒子的適應(yīng)值滿(mǎn)足要求，或者達(dá)到終止進(jìn)化代數(shù)，計(jì)算結(jié)束，該粒子對(duì)應(yīng)最優(yōu)C和σ組合，否則轉(zhuǎn)至步驟2繼續(xù)迭代。

(4)將最優(yōu)C和σ代入SVM進(jìn)行樣本訓(xùn)練，得到全局最優(yōu)PSO-SVM模型，開(kāi)展鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)。

2 鳳縣公路邊坡地質(zhì)災(zāi)害概況

2.1 災(zāi)害概況

截至2016年底，鳳縣公路通車(chē)總里程達(dá)到1 063.62 km，包括1條國(guó)道(G316)和3條省道(S201、S205、S302)[17](圖2)。

鳳縣公路邊坡地質(zhì)災(zāi)害主要包括坡面侵蝕、泥流和邊坡失穩(wěn)等。當(dāng)植被覆蓋度較低、防護(hù)不佳或有人類(lèi)工程活動(dòng)時(shí)，在降水作用下黃土路塹邊坡極易發(fā)生侵蝕破壞，破壞模式包括：坡面水土流失、邊坡沖溝、坡腳沖刷以及路肩沖蝕缺口等。泥流是泥石流的一種特殊形式，也是黃土地區(qū)最常見(jiàn)的泥石流災(zāi)害類(lèi)型，它是一種含有大量泥沙而不含石塊的特殊洪流。鳳縣地形破碎，溝壑發(fā)育，黃土結(jié)構(gòu)疏松，在暴雨沖刷作用下公路邊坡極易發(fā)生泥流災(zāi)害。公路開(kāi)挖往往破壞了邊坡的原始穩(wěn)定狀態(tài)，在降水作用下易發(fā)生邊坡失穩(wěn)，如崩塌、滑坡和坍塌等，其中邊坡坍塌尤為普遍[17-18]。

2.2 災(zāi)害調(diào)查

(1)災(zāi)害預(yù)測(cè)因子選取

公路邊坡地質(zhì)災(zāi)害的形成和演化受多種時(shí)-空要素控制，災(zāi)害空間預(yù)測(cè)是涉及多因子的綜合預(yù)測(cè)，其基本任務(wù)是分析不同地區(qū)災(zāi)害的活動(dòng)強(qiáng)度、頻度和密度，即分析不同預(yù)測(cè)因子及其組合特征對(duì)災(zāi)害發(fā)生可能性的影響。根據(jù)鳳縣公路邊坡地質(zhì)災(zāi)害的特點(diǎn)和已有研究成果，本文選取4類(lèi)、6種災(zāi)害預(yù)測(cè)因子：

①地形地貌因子：邊坡高度、地面坡度和地表切割密度；

②植被因子：植被覆蓋度；

③降水因子：降水量≥25 mm年平均天數(shù)；

④巖土因子：巖土類(lèi)型。

由于各預(yù)測(cè)因子量綱不同，數(shù)據(jù)范圍差異較大，在災(zāi)害空間預(yù)測(cè)前應(yīng)按式7歸一化各預(yù)測(cè)因子取值。

(7)

xi——該因子的原始取值;

xmax——該因子的最大取值;

xmin——該因子的最小取值。

對(duì)于定量因素，xi、xmax和xmin直接取調(diào)查值，對(duì)于巖土類(lèi)型，采用分類(lèi)賦值法處理，其中極硬巖賦值1，次硬巖賦值2，極軟巖賦值3，礫類(lèi)土賦值4，黏性土賦值5，砂類(lèi)土賦值6，粉性土賦值7，黃土類(lèi)土賦值8。

(2)災(zāi)害調(diào)查結(jié)果

為明確鳳縣公路邊坡地質(zhì)災(zāi)害的孕災(zāi)環(huán)境特點(diǎn)并揭示災(zāi)害發(fā)生對(duì)自然環(huán)境條件的特殊要求，開(kāi)展鳳縣公路邊坡地質(zhì)災(zāi)害隱患點(diǎn)調(diào)查，調(diào)查采用資料收集和實(shí)地調(diào)研相結(jié)合的方法，調(diào)查內(nèi)容包括各邊坡地質(zhì)災(zāi)害隱患點(diǎn)的樁號(hào)、坐標(biāo)(經(jīng)緯度)和預(yù)測(cè)因子值，共計(jì)調(diào)查災(zāi)害隱患點(diǎn)423處，此外，為滿(mǎn)足后續(xù)計(jì)算的需要，還隨機(jī)調(diào)查了無(wú)明顯災(zāi)害跡象的86處普通公路邊坡，限于篇幅，本文僅列出G316鳳縣段沿線54處災(zāi)害隱患點(diǎn)的樁號(hào)和預(yù)測(cè)因子值(表1)。

圖2 鳳縣公路網(wǎng)Fig.2 Highway networks in Feng County

編號(hào)災(zāi)害隱患點(diǎn)樁號(hào)邊坡高度地面坡度地表切割密度植被覆蓋度降水因子巖土類(lèi)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

續(xù)表

3 鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)

3.1 預(yù)測(cè)模型的構(gòu)建

從所調(diào)查的邊坡地質(zhì)災(zāi)害隱患點(diǎn)和普通公路邊坡中分別選取300處和50處作為訓(xùn)練樣本建立預(yù)測(cè)模型，其他133處災(zāi)害隱患點(diǎn)和36處普通公路邊坡作為模型精度測(cè)試樣本。以預(yù)測(cè)因子歸一化取值為網(wǎng)絡(luò)輸入，以災(zāi)害易發(fā)性指數(shù)DSI(Disaster Susceptibility Index)為網(wǎng)絡(luò)輸出，DSI取值范圍為0～1，其中，0表示災(zāi)害一定不發(fā)生，1表示災(zāi)害一定發(fā)生。設(shè)置PSO模型的初始參數(shù)[19](表2)。

表2 PSO模型初始參數(shù)Table 2 Initial parameters of the PSO model

基于以上參數(shù)對(duì)SVM模型的懲罰因子C和核參數(shù)σ進(jìn)行全局尋優(yōu)，得到C最優(yōu)=2.308、σ最優(yōu)=6.218 9(圖3)。

圖3 PSO適應(yīng)度曲線圖Fig.3 Fitness curves of the POS data

利用最優(yōu)C和σ組合對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí)，建立鳳縣公路邊坡地質(zhì)災(zāi)害發(fā)生與否與各預(yù)測(cè)因子的非線性SVM模型，進(jìn)而采用模型精度測(cè)試樣本對(duì)該模型進(jìn)行檢驗(yàn)，結(jié)果顯示，133處災(zāi)害隱患點(diǎn)的DSI最大值為0.999、最小值為0.795，36處普通公路邊坡的DSI最大值為0.329、最小值為0.002，說(shuō)明本文建立的鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)模型是科學(xué)、合理的。

3.2 災(zāi)害空間預(yù)測(cè)結(jié)果

本文基于GIS開(kāi)展鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)并制作相關(guān)圖件，GIS處理時(shí)所需的主要數(shù)據(jù)來(lái)源包括：

(1)陜西省數(shù)字高程模型DEM(1∶25萬(wàn))；

(2)陜西省植被矢量化數(shù)據(jù)；

(3)鳳縣及周邊地區(qū)各水文觀測(cè)站點(diǎn)降水資料；

(4)陜西省工程地質(zhì)數(shù)字化矢量圖(1∶100萬(wàn))；

(5)陜西省行政區(qū)劃矢量圖層(1∶25萬(wàn))。

依托GIS開(kāi)展災(zāi)害空間預(yù)測(cè)時(shí)主要采用邊坡單元和柵格單元2類(lèi)圖層，其中柵格單元圖層比例尺小，對(duì)計(jì)算機(jī)硬件要求低且計(jì)算耗時(shí)少，因此，本文選擇柵格單元圖層進(jìn)行災(zāi)害空間預(yù)測(cè)。在GIS上設(shè)定柵格單元尺寸為10 m×10 m并繪制各災(zāi)害預(yù)測(cè)因子歸一化取值在鳳縣的空間分布圖。根據(jù)各預(yù)測(cè)因子的基礎(chǔ)圖件，在GIS上對(duì)已建立的預(yù)測(cè)模型進(jìn)行二次開(kāi)發(fā)并逐網(wǎng)格計(jì)算DSI。在一臺(tái)內(nèi)存為16G的計(jì)算機(jī)上連續(xù)運(yùn)行44 h后，完成了超過(guò)3.188×107個(gè)網(wǎng)格的計(jì)算，得到所有網(wǎng)格的DSI值，結(jié)果顯示，DSI最大為0.96，最小為0.08。

3.3 預(yù)測(cè)結(jié)果檢驗(yàn)

采用成功率法對(duì)預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)，即將DSI歸一化后100等分并按降序排列，計(jì)算每一等分范圍內(nèi)災(zāi)害的累積發(fā)生頻率并連接成曲線，曲線下面積越大，說(shuō)明預(yù)測(cè)結(jié)果越準(zhǔn)確，當(dāng)曲線下面積為1.0時(shí)，說(shuō)明預(yù)測(cè)結(jié)果完全正確[19]。鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)成功率圖見(jiàn)圖4。

圖4 鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)成功率圖Fig.4 Success rate of spatial prediction for the highway slope geo-hazards in Feng County

由圖4可計(jì)算得，成功率曲線下面積AUC為0.907，對(duì)于DSI的前10個(gè)等分，預(yù)測(cè)成功率為84.26%，對(duì)于前20個(gè)等分，預(yù)測(cè)成功率為89.17%，根據(jù)文獻(xiàn)[20]，預(yù)測(cè)結(jié)果通過(guò)檢驗(yàn)。

3.4 預(yù)測(cè)結(jié)果分析

按照等距原則，根據(jù)DSI將鳳縣公路邊坡地質(zhì)災(zāi)害易發(fā)性分為基本安全、低易發(fā)、中易發(fā)和高易發(fā)4級(jí)，分級(jí)界限為：

(1)基本安全：DSI∈[0.08，0.30)；

(2)低易發(fā)：DSI∈[0.30，0.52)；

(3)中易發(fā)：DSI∈[0.52，0.74)；

(4)高易發(fā)：DSI∈[0.74，0.96]。

根據(jù)以上分級(jí)方法和自然地貌的地帶性差異特點(diǎn)，參照各單因素對(duì)災(zāi)害發(fā)生的控制性作用和其他災(zāi)害區(qū)劃界限，基于GIS繪制鳳縣公路邊坡地質(zhì)災(zāi)害易發(fā)性分級(jí)圖(圖5)。

圖5 鳳縣公路邊坡地質(zhì)災(zāi)害易發(fā)性分級(jí)圖Fig.5 Susceptibility zonation map of the highway slope geo-hazards in Feng county

由圖5可得以下結(jié)論：

(1)基本安全、低易發(fā)、中易發(fā)和高易發(fā)區(qū)分別占鳳縣總面積的48.34%、23.92%、18.46%和9.28%，而災(zāi)害調(diào)查確定的423處災(zāi)害隱患點(diǎn)中，位于基本安全、低易發(fā)、中易發(fā)和高易發(fā)區(qū)的為23處、41處、96處和263處，分別占總數(shù)的5.31%、9.45%、22.16%和63.08%，這也說(shuō)明鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)結(jié)果是合理、正確的。

(2)鳳縣公路邊坡地質(zhì)災(zāi)害易發(fā)性從西向東逐漸降低，究其原因，除災(zāi)害預(yù)測(cè)因子及其組合特征具有明顯的區(qū)域分異規(guī)律外，還包括以下2方面的原因：

①鳳縣的工程建設(shè)和人口、經(jīng)濟(jì)密度，亦即人類(lèi)工程活動(dòng)強(qiáng)度及其對(duì)自然環(huán)境的破壞程度也從西向東南逐漸降低；

②鳳縣主要為黃土覆蓋地貌，黃土形成年代和顆粒成分的地帶性差異與災(zāi)害易發(fā)性的地帶性差異相契合，即西部多為Q4黃土且砂粒多、黏粒少，而東部多為Q3黃土且黏粒多、砂粒少[21]。

G316和S201、S205均有部分路段穿越高易發(fā)區(qū)，這些路段應(yīng)在加強(qiáng)日常養(yǎng)護(hù)、編制應(yīng)急預(yù)案和儲(chǔ)備應(yīng)急物資的基礎(chǔ)上，切實(shí)做好災(zāi)害防治工作，主要措施包括：①開(kāi)展公路邊坡地質(zhì)災(zāi)害隱患點(diǎn)的全面調(diào)查，明確災(zāi)害孕災(zāi)環(huán)境，建立災(zāi)害數(shù)據(jù)信息庫(kù)；②建立基于物聯(lián)網(wǎng)和降雨預(yù)報(bào)信息的的災(zāi)害監(jiān)測(cè)、評(píng)價(jià)、預(yù)測(cè)和預(yù)警系統(tǒng)，在GIS平臺(tái)上實(shí)時(shí)動(dòng)態(tài)顯示災(zāi)害信息；③開(kāi)展災(zāi)害隱患點(diǎn)風(fēng)險(xiǎn)評(píng)價(jià)，基于風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果對(duì)風(fēng)險(xiǎn)不可接受的災(zāi)害隱患點(diǎn)開(kāi)展工程防護(hù)。

4 結(jié)論

(1)在分析鳳縣干線公路邊坡地質(zhì)災(zāi)害概況和選取災(zāi)害空間預(yù)測(cè)因子的基礎(chǔ)上，開(kāi)展了災(zāi)害隱患點(diǎn)調(diào)查；采用PSO-SVM模型和GIS進(jìn)行了災(zāi)害空間預(yù)測(cè)并逐網(wǎng)格計(jì)算了DSI指數(shù)；應(yīng)用成功率法檢驗(yàn)了預(yù)測(cè)結(jié)果，基于DSI將鳳縣劃分為高易發(fā)、中易發(fā)、低易發(fā)和基本安全4級(jí)易發(fā)區(qū)。

(2)DSI指數(shù)最小為0.08、最大為0.96，PSO-SVM模型的曲線下面積為0.907，易發(fā)性從西向東逐漸降低；基本安全、低易發(fā)、中易發(fā)和高易發(fā)區(qū)分別占鳳縣總面積的48.34%、23.92%、18.46%和9.28%，災(zāi)害調(diào)查確定的423處災(zāi)害隱患點(diǎn)中有23處、41處、96處和263處位于以上區(qū)域，分別占總數(shù)的5.31%、9.45%、22.16%和63.08%，G316和S201、S205均有部分路段穿越高易發(fā)區(qū)。

(3)本文開(kāi)展了鳳縣公路邊坡地質(zhì)災(zāi)害空間預(yù)測(cè)，預(yù)測(cè)結(jié)果對(duì)提高公路防災(zāi)減災(zāi)工作的針對(duì)性和有效性具有重要意義，然而，本研究仍可在以下方面繼續(xù)改進(jìn)：①PSO-SVM模型的曲線下面積為0.907，這一結(jié)果雖可通過(guò)檢驗(yàn)，但精度可進(jìn)一步提高；②本文僅針對(duì)鳳縣進(jìn)行研究，針對(duì)其他地區(qū)的研究尚未開(kāi)展。