基于DInSAR-BP神經(jīng)網(wǎng)絡(luò)的震后區(qū)域滑坡危險(xiǎn)性綜合評(píng)價(jià)研究*

朱崇浩 張建經(jīng) 馬東華 劉 陽 向 波

(①西南交通大學(xué)土木工程學(xué)院，成都 610031，中國) (②四川省交通廳公路規(guī)劃勘察設(shè)計(jì)研究院，成都 610041，中國)

0 引 言

2017年8月8日21時(shí)19分四川省九寨溝縣發(fā)生7.0級(jí)地震，震源深度20km、最大烈度為Ⅸ度，Ⅶ度及以上烈度區(qū)面積約4289km2(易桂喜等，2017)。地震期間，九寨溝地區(qū)發(fā)生多處滑坡、崩塌事件。地震后，九寨溝區(qū)域地表巖土愈加破碎、松散，形成了大量的滑坡隱患體，這些隱患體具有隱蔽性高、危險(xiǎn)性不確定的特點(diǎn)，在短期內(nèi)極有可能發(fā)生滑動(dòng)，造成人員傷亡和財(cái)產(chǎn)損失(戴嵐欣等，2017)。

滑坡隱患體的識(shí)別和評(píng)價(jià)常見于滑坡危險(xiǎn)性評(píng)價(jià)研究中，主要方法分為物理模型分析和經(jīng)驗(yàn)?zāi)Ｐ头治?Dieu Tien Bui et al.，2016)，其本質(zhì)區(qū)別在于是否考慮滑坡產(chǎn)生的物理、力學(xué)機(jī)制。物理模型通常基于具體的滑坡參數(shù)，例如幾何形態(tài)、容重、滲透率、黏聚力(c)、內(nèi)摩擦角(φ)等，通過不同的滑坡物理力學(xué)模型來計(jì)算安全系數(shù)FS，最終根據(jù)FS來判斷滑坡個(gè)體的危險(xiǎn)性(Montgomery et al.，1994; Thanh et al.，2014)。這種方法對(duì)于單個(gè)滑坡的評(píng)價(jià)具有較高的精確度，但是難以用于區(qū)域滑坡危險(xiǎn)性評(píng)價(jià)。經(jīng)驗(yàn)?zāi)Ｐ统Ｓ糜趨^(qū)域性滑坡危險(xiǎn)性評(píng)價(jià)，因?yàn)檫@種方法通常不考慮滑坡的具體物理力學(xué)指標(biāo)，而是通過一定數(shù)量的滑坡樣本，基于數(shù)學(xué)統(tǒng)計(jì)或機(jī)器學(xué)習(xí)的方法，建立滑坡影響因子與危險(xiǎn)性之間的非線性關(guān)系，最終輸入不同的影響因子信息來獲得整個(gè)區(qū)域的滑坡危險(xiǎn)性，其中人工神經(jīng)網(wǎng)絡(luò)(Artificial neural networks)(向喜瓊等，2000; Lee et al.，2003; Melchiorre et al.，2008; 夏卜敬，2008; 譚龍等，2014)、邏輯回歸(Logistic regression)(Costanzo et al.，2014; 劉明學(xué)等，2014)、支持向量機(jī)(Support Vector Machines)(Kavzoglu et al.，2014)、隨機(jī)森林(Random forest)(李亭等，2014；吳孝情，2017)、多元回歸分析(Multiple regression analysis)(韋浩，2011)是目前研究成果比較成熟的幾種方法。

經(jīng)驗(yàn)?zāi)Ｐ椭惺褂玫降挠绊懸蜃涌梢苑譃楸镜滓蜃?地形、地貌、地質(zhì)等)和觸發(fā)因子(降雨、地震)，本底因子在分析中一般不會(huì)改變，原因是區(qū)域本底因子信息的更新需要大量的人力、物力投入。因此在地表形態(tài)發(fā)生巨大變化后(如震后)，受限于地形因素不能快速更新，傳統(tǒng)的經(jīng)驗(yàn)?zāi)Ｐ蜔o法及時(shí)發(fā)現(xiàn)危險(xiǎn)性改變的區(qū)域，所以對(duì)于震后區(qū)域的滑坡危險(xiǎn)性評(píng)價(jià)目前更多依賴于現(xiàn)場(chǎng)勘查、考證的手段。

隨著雷達(dá)衛(wèi)星技術(shù)的迅猛發(fā)展，區(qū)域地表形態(tài)的更新速度逐步加快，其中差分雷達(dá)干涉測(cè)量技術(shù)(Differential Interferometric synthetic aperture radar，DInSAR)可以對(duì)同一地區(qū)的兩幅雷達(dá)影像(SAR影像)進(jìn)行干涉差分處理，從而獲得厘米級(jí)的地表形變信息。Gabriel et al.(1989)對(duì)美國加利福尼亞Imperial Valley地區(qū)進(jìn)行了SAR數(shù)據(jù)測(cè)量分析，證明了這種方法可用于探測(cè)厘米級(jí)地表形變；Massonnet et al.(1993)利用ERS-1的SAR影像數(shù)據(jù)，成功獲得加利福尼亞Landers地震所產(chǎn)生的地表形變場(chǎng)，引發(fā)了人們利用DInSAR技術(shù)提取地表形變的研究熱潮。國內(nèi)方面，DInSAR技術(shù)在地震分析(溫?fù)P茂等，2014；楊瑩輝，2015；羅容，2016)、地表形變提取(王晨興等，2018；張靜等，2018)、礦山沉降監(jiān)測(cè)(獨(dú)知行等，2007；張景發(fā)等，2008)、滑坡位移監(jiān)測(cè)(許強(qiáng)等，2017；張路等，2018)方面已經(jīng)有了初步的應(yīng)用。其中，李丹等(2018)利用C波段的sentinel-1a數(shù)據(jù)反演了九寨溝地震的地表形變場(chǎng)，驗(yàn)證了該數(shù)據(jù)在植被覆蓋率高、地形復(fù)雜地區(qū)的適用性；熊軻等(2019)將DInSAR技術(shù)獲得的九寨溝震區(qū)地表形變與震損物源之間建立聯(lián)系，嘗試?yán)谜鸷蟮乇硇巫兘票磉_(dá)地表震損情況。上述研究反映出DInSAR技術(shù)的最大特點(diǎn)就是可以快速獲得震后地區(qū)的高精度地表形變信息，因此它可以彌補(bǔ)傳統(tǒng)的區(qū)域滑坡危險(xiǎn)性評(píng)價(jià)方法的不足，如果將兩者進(jìn)行適當(dāng)?shù)慕Y(jié)合，形成一種綜合評(píng)價(jià)方法，那么在理論上可以提高震后區(qū)域滑坡危險(xiǎn)性評(píng)價(jià)的精確度和適用性，同時(shí)還可以節(jié)省一定的人力、物力，但是相關(guān)研究目前鮮有報(bào)道。

本文以“川主寺—九寨溝”公路所經(jīng)過的區(qū)域?yàn)檠芯繉?duì)象，使用了基于BP神經(jīng)網(wǎng)絡(luò)的滑坡危險(xiǎn)性評(píng)價(jià)模型，對(duì)研究區(qū)域進(jìn)行震前危險(xiǎn)性評(píng)價(jià)，然后使用DInSAR技術(shù)，提取了研究區(qū)域震后地表形變場(chǎng)，再分別使用直接相乘法、多元線性回歸法、多元非線性回歸法，建立震后區(qū)域滑坡危險(xiǎn)性評(píng)價(jià)模型，并通過研究區(qū)域內(nèi)30起震后滑坡事件的真實(shí)危險(xiǎn)性來比較模型效果，最終確定了適用于九寨溝地區(qū)的最優(yōu)模型，使用最優(yōu)模型對(duì)研究區(qū)域進(jìn)行震后滑坡危險(xiǎn)性的綜合評(píng)價(jià)。本文所得成果為震后區(qū)域性滑坡危險(xiǎn)性評(píng)價(jià)提供了一種新的研究思路，可以在一定程度上指導(dǎo)震后搶險(xiǎn)、排險(xiǎn)工作的開展。

1 研究區(qū)概況

本文的研究區(qū)域?yàn)椤按ㄖ魉隆耪瘻稀惫?全長120km，以下簡稱“川九路”)，介于33°0′0”N～33°20′20″N，103°40′0″E～104°10′0″E，面積約為5000km2，衛(wèi)星影像和數(shù)字高程圖(DEM)如圖 1所示。研究區(qū)域位于松潘—甘孜造山帶與西秦嶺造山帶的結(jié)合部位。以塔藏構(gòu)造帶和岷江斷裂為界，北東角和北西分別為松潘—甘孜造山帶阿尼瑪卿構(gòu)造帶(地背斜)和馬爾康逆沖-滑脫巖片(地向斜)，南為西秦嶺造山帶摩天嶺推覆體(楊更，2005)。研究區(qū)域的新構(gòu)造活動(dòng)強(qiáng)烈，主要表現(xiàn)為山體隆升和剝蝕、高烈度地震頻發(fā)等特征。因此該區(qū)域地表巖土破碎、松散，節(jié)理發(fā)育，溝壑分布廣。川九路沿線地面高程急劇變化，地質(zhì)構(gòu)造、巖土特性復(fù)雜多變，高位崩塌、山體滑坡、泥石流等地質(zhì)災(zāi)害頻發(fā)。

圖 1 (a)九寨溝地區(qū)遙感衛(wèi)星影像，(b)數(shù)字高程示意圖(DEM)Fig. 1 (a) Remote sensing satellite imagery，(b) digital elevation map(DEM) of Jiuzhaigou area

圖 2 川九路部分滑坡現(xiàn)場(chǎng)圖像Fig. 2 Scene image of landslide along the Chuanjiu Road

表 1 川九路沿線30起滑坡事件數(shù)據(jù)統(tǒng)計(jì)Table1 Statistics of the 30 landslides and collapses along the Chuanjiu Road

編號(hào)里程類型巖性/土質(zhì)體積/104m3危險(xiǎn)性真實(shí)值1K9+650巖質(zhì)邊坡強(qiáng)風(fēng)化砂頁巖12.656.92K15+859坡面堆積體砂土、碎石7.250.43K15+900坡面堆積體砂土11.544.84K17+429巖質(zhì)邊坡強(qiáng)風(fēng)化砂板巖853.15K19+520巖質(zhì)邊坡中風(fēng)化砂板巖39.959.76K19+969坡面堆積體砂土、碎石21.456.27K20+709巖質(zhì)邊坡強(qiáng)風(fēng)化砂板巖15.950.28K21+260坡面堆積體砂土、碎石14.262.59K26+150巖質(zhì)邊坡中風(fēng)化砂板巖23.261.910K26+792巖質(zhì)邊坡強(qiáng)風(fēng)化砂板巖26.364.811K29+571坡面堆積體砂土、碎石15.754.312K29+771坡面堆積體砂土、碎石36.262.013K30+576坡面堆積體砂土、碎石39.961.814K31+500巖質(zhì)邊坡中風(fēng)化砂巖42.564.615K36+310坡面堆積體砂土14.559.916K36+600坡面堆積體砂土、碎石20.956.017K46+550坡面堆積體砂土、碎石19.663.618K47+631坡面堆積體砂土、碎石36.257.519K50+610坡面堆積體黏土7.251.520K51+060坡面堆積體砂土30.565.021K51+785坡面堆積體砂土35.269.022K53+500坡面堆積體砂土27.767.523K55+540坡面堆積體砂土、碎石26.868.824K53+500坡面堆積體砂土、碎石4.279.425K51+060坡面堆積體砂土、碎石1564.326K58+800坡面堆積體碎石、砂土22.362.027K60+500坡面堆積體碎石、砂土8.468.128K68+500坡面堆積體碎石、砂土7.158.429K69+327坡面堆積體碎石、砂土6.872.530K71+500坡面堆積體碎石7.559.6

研究區(qū)域?qū)俑咴瓭駶櫺詺夂?，降雨集中，每?～8月為雨季。根據(jù)震后實(shí)地調(diào)查結(jié)果，發(fā)現(xiàn)在地震過后的兩個(gè)雨季內(nèi)(2017年9～10月和2018年6～10月)，川九路沿線的邊坡發(fā)生滑坡事件約30起(位置如圖 1所示，部分滑坡現(xiàn)場(chǎng)圖如圖 2所示)。四川省交通運(yùn)輸廳公路規(guī)劃勘察設(shè)計(jì)研究院多次組織專家對(duì)川九路沿線進(jìn)行實(shí)地調(diào)查(程強(qiáng)等，2018)，并且基于專家經(jīng)驗(yàn)法獲得了這30起滑坡事件的危險(xiǎn)性評(píng)價(jià)值(0～100)(表 1)。本文將專家經(jīng)驗(yàn)法得到的危險(xiǎn)性評(píng)價(jià)值作為真實(shí)值，真實(shí)值是研究區(qū)域震后滑坡危險(xiǎn)性的真實(shí)表現(xiàn)，用于對(duì)比BP神經(jīng)網(wǎng)絡(luò)、DInSAR以及綜合分析的結(jié)果。

2 數(shù)據(jù)來源及方法簡述

2.1 數(shù)據(jù)來源

本文使用的數(shù)據(jù)分為兩類，第1類數(shù)據(jù)用于BP神經(jīng)網(wǎng)絡(luò)模型的震前滑坡危險(xiǎn)性評(píng)價(jià)，包括研究區(qū)域的：(1)數(shù)字高程圖(1m×1m)；(2)坡度圖；(3)地表切割密度圖；(4)植被指數(shù)圖；(5)年均降雨量圖；(6)上覆巖土體圖。上述圖件(1)來源于四川省交通運(yùn)輸廳公路規(guī)劃勘察設(shè)計(jì)研究院的三維激光掃描結(jié)果，圖件(2)、圖件(3)來源于對(duì)數(shù)字高程圖的處理結(jié)果，圖件(4)～圖件(6)來源于中國科學(xué)院資源環(huán)境數(shù)據(jù)中心。

第2類數(shù)據(jù)用于DInSAR的震后地表形變值的計(jì)算，包括研究區(qū)域的震前、震后兩景合成孔徑雷達(dá)影像(SAR影像)，本文選取了研究區(qū)域2017年7月30日和2017年8月10日兩景降軌SAR影像，SAR影像來源于歐洲Sentinel-1A的C波段雷達(dá)衛(wèi)星，制圖分辨率20m×20m。

2.2 震前滑坡危險(xiǎn)性評(píng)價(jià)

2.2.1 BP神經(jīng)網(wǎng)絡(luò)模型

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)是一種廣泛用于模式識(shí)別、分類的通用非線性函數(shù)逼近器。神經(jīng)網(wǎng)絡(luò)由幾組基本單元(神經(jīng)元)構(gòu)成，可以實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的非線性計(jì)算。在人工神經(jīng)網(wǎng)絡(luò)中，每個(gè)輸入節(jié)點(diǎn)都有一個(gè)分配權(quán)值，用于確定輸入節(jié)點(diǎn)對(duì)輸出節(jié)點(diǎn)的影響，人造神經(jīng)單元結(jié)構(gòu)如圖 3所示，其中，si是神經(jīng)元i的輸出，wij是從神經(jīng)元i到神經(jīng)元j的連接權(quán)重。單元j的輸出過程由兩步完成：(1)根據(jù)公式zj=∑jwijsij計(jì)算加權(quán)輸入zj；(2)使用非線性函數(shù)(S函數(shù)或雙曲函數(shù))計(jì)算減去偏差項(xiàng)后的zj作為j單元的輸出sj。

圖 3 人工神經(jīng)網(wǎng)絡(luò)神經(jīng)元示意Fig. 3 Artificial neural network neuron schematic

本文建立了適用于震前滑坡危險(xiǎn)性評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)模型，具體做法為：

(1)選取影響滑坡危險(xiǎn)性的6個(gè)主要因子，分別為高程X1(m)、植被指數(shù)X2、坡度X3(°)、年均降雨量X4(mm)、地表切割密度X5(km·km-2)、巖土類型X6，對(duì)這6個(gè)因子的數(shù)據(jù)進(jìn)行歸一化處理(Zhu et，2019)，將所選取的因子作為神經(jīng)網(wǎng)絡(luò)輸入層的6個(gè)節(jié)點(diǎn)。

(2)設(shè)置隱含層，隱含層節(jié)點(diǎn)數(shù)為6。

(3)設(shè)置輸出層，節(jié)點(diǎn)數(shù)為1，其含義為震前滑坡危險(xiǎn)性評(píng)價(jià)值RE。

表 2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)Table2 Training parameters of the BP neural network

動(dòng)態(tài)因子最大訓(xùn)練數(shù)學(xué)習(xí)率/η誤差限設(shè)置值0.9100000.050.02

(4)利用全四川省100個(gè)滑坡數(shù)據(jù)集(X1，X2，X3，X4，X5，X6，RE)(Zhu et al.，2019)，按照表 2的初始設(shè)置對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終獲得評(píng)價(jià)模型。模型所有計(jì)算過程均使用MATLAB編程實(shí)現(xiàn)。

為了評(píng)價(jià)模型質(zhì)量，本文計(jì)算了6個(gè)影響因子的最終權(quán)重，如表 3所示，權(quán)重排序?yàn)槠露?高程>地表切割密度>上覆巖土體類型>年均降雨量>植被指數(shù)，權(quán)重結(jié)果與Costanzo et al.(2012)對(duì)滑坡災(zāi)害影響因子權(quán)重研究結(jié)果較為接近，因此可以認(rèn)為經(jīng)過訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)模型具有一定的可靠性和適用性。

表 3 因子權(quán)重Table3 The impact of factors

因子高程植被指數(shù)坡度年均降雨量切割密度上覆巖土類型權(quán)重0.2230.0550.2570.1070.2230.135

2.2.2 滑坡樣本描述

本文用來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的100個(gè)四川省滑坡樣本數(shù)據(jù)集，主要來源是對(duì)G213、G317國道附近滑坡事件的實(shí)地調(diào)查結(jié)果(40個(gè))，以及四川省近年來滑坡文獻(xiàn)記錄(60個(gè))，這些滑坡樣本具有以下特點(diǎn)：(1)有準(zhǔn)確的發(fā)生地點(diǎn)(經(jīng)緯度)和詳細(xì)的破壞程度、危害性描述，部分滑坡有發(fā)生時(shí)間記錄；(2)絕大部分為土質(zhì)滑坡，少部分為巖、土混合類滑坡；(3)滑坡發(fā)生前，大部分沒有防護(hù)措施。

為了進(jìn)一步展示這些滑坡的特點(diǎn)，以四川省米亞羅隧道出口滑坡(圖 4)為例進(jìn)行詳細(xì)描述：該滑坡發(fā)生于2017年6月20日，具體位置為31°39′36″N，102°49′12″E。滑坡發(fā)生前后有約7d的連續(xù)降雨，上覆土類型為黏土，坡體表面植被茂密，滑體體積約為2000m3，滑坡發(fā)生后未造成人員傷亡，但是導(dǎo)致了米亞羅隧道出口約2d的施工停滯。該滑坡的數(shù)據(jù)集形式為：(2563m，0.65，22.6°，1065mm，0.246km·km-2，黏土，70)。

圖 4 米亞羅隧道洞口滑坡現(xiàn)場(chǎng)圖Fig. 4 A landslide occurred at Miyaro Tunnel exit

2.3 震后地表形變計(jì)算——DInSAR技術(shù)

差分干涉測(cè)量技術(shù)(DInSAR)是一種利用同一地區(qū)不同時(shí)間的SAR影像，通過差分干涉計(jì)算獲得地表形變信息的技術(shù)手段，計(jì)算方法主要有兩軌法、三軌法和四軌法。其中，兩軌法僅需兩張SAR影像，計(jì)算過程簡易且精度較高，但是需要另外輸入高精度DEM圖像作為參照，本文在研究區(qū)域內(nèi)可以獲取1m×1m的三維激光掃描數(shù)據(jù)，保證了DEM圖像質(zhì)量，因此選擇兩軌法進(jìn)行計(jì)算。兩軌法的DInSAR技術(shù)實(shí)施流程主要包括：(1)基線估算；(2)主從影像配準(zhǔn)；(3)高精度DEM參考圖輸入；(4)差分干涉；(5)濾波、相位解纏、地形校正；(6)獲得地表形變信息。

本文使用的兩幅SAR影像對(duì)空間垂直基線距離為36.803m，適合進(jìn)行差分干涉處理，其中，震前(2017年7月30日)影像為主影像，震后影像(2017年8月10日)為從影像(圖 5)。DInSAR計(jì)算過程通過Sarscape軟件實(shí)現(xiàn)。

圖 5 研究區(qū)域SAR影像Fig. 5 The SAR images of the study region：a. 2017.7.30；b. 2017.8.10

圖 6 研究區(qū)域震前滑坡危險(xiǎn)性評(píng)價(jià)結(jié)果Fig. 6 Risk assessment results of landslide and collapse in the study area

3 結(jié)果分析

3.1 研究區(qū)域震前滑坡危險(xiǎn)性評(píng)價(jià)結(jié)果

為了便于將震前危險(xiǎn)性評(píng)價(jià)值與真實(shí)值比較，本文將輸出結(jié)果歸一化為0～100的無量綱值，研究區(qū)域的震前滑坡危險(xiǎn)性評(píng)價(jià)結(jié)果如圖 6所示。

從整體來看，研究區(qū)域內(nèi)震前滑坡危險(xiǎn)性評(píng)價(jià)值的最小值為19.86，最大值為83.62。將研究區(qū)域內(nèi)所有像素點(diǎn)的危險(xiǎn)性評(píng)價(jià)值進(jìn)行提取，并以0～30(極低危險(xiǎn)度)、30～40(低危險(xiǎn)度)、40～60(中危險(xiǎn)度)、60～80(高危險(xiǎn)度)、80～100(極高危險(xiǎn)度)的標(biāo)準(zhǔn)進(jìn)行危險(xiǎn)性分級(jí)統(tǒng)計(jì)，結(jié)果表明研究區(qū)域內(nèi)上述各危險(xiǎn)性分級(jí)區(qū)間所占面積分別約為11.08km2(0.222%)、547.66km2(10.953%)、3679.81km2(73.606%)、760.49km2(15.210%)和0.44km2(0.009%)。值得注意的是，研究區(qū)域內(nèi)的中、高危險(xiǎn)區(qū)域主要集中在九寨溝景區(qū)內(nèi)以及川九路的K10、K30、K50、K80里程點(diǎn)附近，這是因?yàn)榫耪瘻暇皡^(qū)內(nèi)地形起伏較大，并且水系發(fā)達(dá)，所以危險(xiǎn)性評(píng)價(jià)值較高，而川九路部分里程點(diǎn)附近的高危險(xiǎn)性區(qū)域的產(chǎn)生原因主要是公路沿線邊坡陡峭。上述結(jié)果說明，在不考慮任何動(dòng)態(tài)影響因素(地震、降雨)的情況下，九寨溝地區(qū)地震前的地形地貌、地質(zhì)、氣候因素在一定程度上容易孕育滑坡隱患體，川九路沿線邊坡危險(xiǎn)性評(píng)價(jià)值較高，這將對(duì)公路的安全通行造成不可估量的隱患。

為了進(jìn)一步理解研究區(qū)域內(nèi)震前危險(xiǎn)性評(píng)價(jià)值的可靠性，在結(jié)果中提取了30個(gè)滑坡事件位置的震前危險(xiǎn)性評(píng)價(jià)值，然后將評(píng)價(jià)值與真實(shí)值進(jìn)行對(duì)比。圖 7是研究區(qū)域內(nèi)30個(gè)滑坡點(diǎn)危險(xiǎn)性評(píng)價(jià)值與真實(shí)值的比較結(jié)果，結(jié)果表明危險(xiǎn)性評(píng)價(jià)值曲線與真實(shí)值曲線的變化趨勢(shì)基本相吻合，圖 8是研究區(qū)域內(nèi)30個(gè)滑坡點(diǎn)危險(xiǎn)性評(píng)價(jià)值與真實(shí)值線性回歸統(tǒng)計(jì)結(jié)果，統(tǒng)計(jì)點(diǎn)基本分布于1︰1回線附近。為了量化比較結(jié)果，本文借助統(tǒng)計(jì)學(xué)中常用的均方根誤差值(RMSE)和相關(guān)系數(shù)(R2)來定量描述危險(xiǎn)性真實(shí)值與評(píng)價(jià)值之間的誤差，RMSE由式(1)計(jì)算獲得，R2由式(2)～式(4)計(jì)算獲得。

(1)

(2)

(3)

(4)

圖 7 研究區(qū)域內(nèi)30個(gè)滑坡點(diǎn)危險(xiǎn)性評(píng)價(jià)值與真實(shí)值比較結(jié)果Fig. 7 Comparison of the risk evaluation values and true values of 30 landslides and collapses in the study area

經(jīng)過計(jì)算，震前危險(xiǎn)性評(píng)價(jià)值與真實(shí)值之間的RMSE值為5.28，R2值為0.723，結(jié)果說明BP神經(jīng)網(wǎng)絡(luò)所計(jì)算出的震前危險(xiǎn)性評(píng)價(jià)值與危險(xiǎn)性真實(shí)值之間的誤差約為±5.28，危險(xiǎn)性評(píng)價(jià)曲線與真實(shí)值曲線擬合度較好。

圖 8 研究區(qū)域內(nèi)30個(gè)滑坡點(diǎn)危險(xiǎn)性評(píng)價(jià)值與真實(shí)值線性回歸統(tǒng)計(jì)結(jié)果Fig. 8 Linear regression statistical results of 30 landslides and collapses in the study area

3.2 研究區(qū)域震后地表形變結(jié)果

圖9是由研究區(qū)域內(nèi)震前、震后兩幅SAR影像通過差分干涉所獲得的地表形變結(jié)果，圖中像素點(diǎn)的數(shù)值表示的是地表沿衛(wèi)星向(LOS向)的形變值，正值為沉降，負(fù)值為抬升。結(jié)果顯示，研究區(qū)域內(nèi)在地震作用下產(chǎn)生的最大沉降量發(fā)生在震中位置的西北方向，約為0.157m，最大抬升量發(fā)生在震中的東南方向，約為0.120m。川九路K40～K70段約30km長的公路經(jīng)過震中附近的主要形變區(qū)。地震對(duì)研究區(qū)域內(nèi)的影響面積約為732.18km2，其中沉降區(qū)域面積約為461.22km2，抬升區(qū)域面積約為270.96km2。

圖 9 研究區(qū)域震后地表形變結(jié)果Fig. 9 Results of the surface deformation after the earthquake in the study area

圖 10 研究區(qū)域內(nèi)30個(gè)滑坡點(diǎn)危險(xiǎn)性評(píng)價(jià)值與地表形變值統(tǒng)計(jì)結(jié)果Fig. 10 Statistical results of true risk values and surface defor-mation values of 30 landslides and collapses in the study area

震后滑坡事件的空間分布和危險(xiǎn)性大小與震后地表形變值之間的關(guān)系是本文研究的重點(diǎn)內(nèi)容，現(xiàn)將川九路沿線30個(gè)震后滑坡的危險(xiǎn)性真實(shí)值與震后地表形變值曲線統(tǒng)計(jì)于圖 10，危險(xiǎn)性真實(shí)值曲線與地表形變值曲線的整體變化趨勢(shì)反映了兩個(gè)特點(diǎn)：(1)地表形變值較大的區(qū)域內(nèi)，發(fā)生的滑坡事件數(shù)量較多；(2)地表形變值較大的工點(diǎn)，其危險(xiǎn)性真實(shí)值較大。這種現(xiàn)象說明震后地表形變會(huì)影響滑坡的發(fā)生和危險(xiǎn)性。地表形變值較大的地方，在地震過程中可能承受了較大的地震作用力，或者其自身的地層較為薄弱，這些地方震后極易產(chǎn)生大量的松散堆積體或裂縫，形成滑坡隱患體，這些隱患點(diǎn)在降雨作用下又進(jìn)一步發(fā)展為滑坡、崩塌等地質(zhì)災(zāi)害，因此，DInSAR處理得到的震后地表形變值可以認(rèn)為是地震造成的地表損傷的一種表現(xiàn)形式。

3.3 研究區(qū)域震后滑坡危險(xiǎn)性綜合分析

3.1節(jié)和3.2節(jié)分別從BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果和DInSAR的地表形變結(jié)果兩方面分析了研究區(qū)域震前、震后的情況。BP神經(jīng)網(wǎng)絡(luò)危險(xiǎn)性評(píng)價(jià)模型的主要作用是在地震發(fā)生之前做一定程度上的危險(xiǎn)性評(píng)價(jià)，原因是這種模型依賴的圖件數(shù)據(jù)(例如DEM、坡度、地表切割密度等)在地震過后幾乎不會(huì)更新，所以其評(píng)價(jià)結(jié)果并不會(huì)發(fā)生變化，這限制了BP神經(jīng)網(wǎng)絡(luò)危險(xiǎn)性評(píng)價(jià)模型在發(fā)生大面積地表變化區(qū)域(地震作用)的使用，DInSAR技術(shù)恰好彌補(bǔ)了這一缺陷。利用BP神經(jīng)網(wǎng)絡(luò)危險(xiǎn)性評(píng)價(jià)模型的震前評(píng)價(jià)結(jié)果，再結(jié)合DInSAR技術(shù)所獲得的震后地表形變值，進(jìn)行綜合分析可以被認(rèn)為是震后滑坡危險(xiǎn)性評(píng)價(jià)的一種有效手段，而將這兩種數(shù)據(jù)結(jié)合的最簡單的實(shí)現(xiàn)方式，則是使危險(xiǎn)性真實(shí)值與震前危險(xiǎn)性評(píng)價(jià)值和地表形變值之間建立定量關(guān)系。

表 5 量化擬合結(jié)果Table5 Quantitative fitting results

擬合方法擬合公式擬合結(jié)果RMSE值直接相乘法RT=RE×(1+D)RT=RE×(1+D)6.097(15.5%↑)多元線性回歸RT=aRE+bD+cRT=0.604RE+69.97D+20.9454.914(6.9%↓)多元非線性回歸RT=aRE+bD+cR2E+dD2+eRED+fRT=4.659RE+254.41D-0.033R2E+263.349D2-3.142RED-101.7694.542(13.9%↓)

本文首先對(duì)研究區(qū)域內(nèi)30個(gè)震后滑坡的危險(xiǎn)性真實(shí)值、震前危險(xiǎn)性評(píng)價(jià)值和地表形變值(絕對(duì)值)所構(gòu)成的曲線進(jìn)行相似度分析，相似度指數(shù)使用余弦相似度表示，余弦相似度是一種使用向量空間中兩個(gè)向量夾角的余弦值作為衡量兩條曲線間差異的大小，余弦值接近1則代表兩條曲線越相似。余弦相似度計(jì)算公式如式5所示，計(jì)算結(jié)果如表 4所示。

(5)

式中：xi為第1條曲線的值；yi為第2條曲線的值；n為取樣數(shù)量。

表 4 余弦相似度計(jì)算結(jié)果Table4 The results of Cosine similarity

危險(xiǎn)性真實(shí)值危險(xiǎn)性評(píng)價(jià)值地表形變值危險(xiǎn)性真實(shí)值10.9960.914危險(xiǎn)性評(píng)價(jià)值0.99610.915地表形變值0.9140.9151

余弦相似度計(jì)算結(jié)果表明了3條曲線具有極高的相似度，這說明3條曲線的整體變化趨勢(shì)幾乎相同，因此危險(xiǎn)性真實(shí)值(RT)與危險(xiǎn)性評(píng)價(jià)值(RE)和地表形變值(D)之間可能存在著某種函數(shù)關(guān)系，即RT=f(RE，D)，為了確定這種函數(shù)關(guān)系，本文使用了直接相乘法、多元線性回歸法、多元非線性回歸法，將危險(xiǎn)性評(píng)價(jià)值曲線和地表形變值曲線向危險(xiǎn)性真實(shí)值曲線逼近，并以擬合曲線的均方根誤差值(RMSE)作為擬合效果的判據(jù)。

圖 11 擬合結(jié)果Fig. 11 Fitting results

圖 11直觀地展示了擬合曲線與危險(xiǎn)性真實(shí)值曲線的相對(duì)關(guān)系，結(jié)果表明直接相乘法所獲得的擬合曲線與危險(xiǎn)性真實(shí)值曲線有著較大的偏差，而多元線性回歸法和多元非線性回歸法的擬合曲線在一定程度上逼進(jìn)了危險(xiǎn)性真實(shí)值曲線。表 5為3種方法的詳細(xì)參數(shù)。結(jié)果表明，對(duì)于研究區(qū)域內(nèi)30個(gè)震后滑坡，相較于BP神經(jīng)網(wǎng)絡(luò)所計(jì)算的震前危險(xiǎn)性評(píng)價(jià)值，3種擬合方式在不同程度上改變了評(píng)價(jià)精度，其中直接相乘法使RMSE值提高了15.5%，多元線性回歸法使RMSE降低了6.9%，多元非線性回歸法使RMSE值降低了13.9%。

圖 12 研究區(qū)域震后滑坡危險(xiǎn)性綜合分析結(jié)果Fig. 12 Comprehensive analysis results of landslide hazard after earthquake in the study area

表 6 震前評(píng)價(jià)結(jié)果與震后綜合分析結(jié)果對(duì)比Table6 Comparison of pre-earthquake assessment results with post-earthquake comprehensive analysis results

危險(xiǎn)性區(qū)間震前評(píng)價(jià)結(jié)果震后分析結(jié)果極低(0～30)0.2220%1.645%低(30～40)10.9530%7.047%中度(40～60)73.6060%39.148%高(60～80)15.2100%52.047%極高(80～100)0.0009%0.009%

針對(duì)九寨溝震后區(qū)域，使用多元非線性回歸方法來對(duì)其進(jìn)行綜合分析時(shí)所得的RMSE最小，效果最佳。因此使用多元非線性回歸方法對(duì)研究區(qū)域進(jìn)行整體的震后滑坡危險(xiǎn)性綜合分析，結(jié)果如圖 12所示，震后綜合分析結(jié)果與震前BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)結(jié)果對(duì)比結(jié)果如表 6所示。結(jié)果表明，地震過后研究區(qū)域內(nèi)高危險(xiǎn)性區(qū)域面積顯著增加，滑坡隱患體增多，主要集中在震中東北方向約20km附近、九寨溝景區(qū)內(nèi)以及川九路K70以前路段。

4 討 論

對(duì)于研究區(qū)域震前滑坡危險(xiǎn)性的評(píng)價(jià)，本文使用了基于BP神經(jīng)網(wǎng)絡(luò)的危險(xiǎn)性評(píng)價(jià)模型，該模型在計(jì)算時(shí)只需輸入待評(píng)價(jià)區(qū)域的高程、坡度、年均降雨量、地表切割密度、植被指數(shù)、上覆巖土類型6個(gè)因子的信息即可獲得危險(xiǎn)性評(píng)價(jià)值，因此該評(píng)價(jià)值實(shí)際上是區(qū)域地形、地質(zhì)、地貌、氣候等因素對(duì)于滑坡災(zāi)害的敏感性的一種綜合反映(不考慮任何觸發(fā)因素)。BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)勢(shì)在于不需要現(xiàn)場(chǎng)勘察即可獲得危險(xiǎn)性評(píng)價(jià)值，但缺點(diǎn)是對(duì)于震后的地表形態(tài)的變化無法進(jìn)行及時(shí)更新。

對(duì)于研究區(qū)域震后危險(xiǎn)性的評(píng)價(jià)，本文主要考慮了震后地表形態(tài)變化對(duì)于區(qū)域滑坡危險(xiǎn)性的影響。通過DInSAR技術(shù)，可以直接獲得研究區(qū)域的震后地表形變值。經(jīng)驗(yàn)表明，震后地表形變值大的地方受地震作用力影響更嚴(yán)重，地表破碎程度更大，更容易形成松散堆積體，因此可能會(huì)增大滑坡發(fā)生的可能性，但是相同的形變值對(duì)于不同的地形、地貌、地質(zhì)條件來說，應(yīng)該導(dǎo)致不同的危險(xiǎn)性后果。

綜上所述，本文討論的一種震后區(qū)域滑坡危險(xiǎn)性評(píng)價(jià)分析方法，實(shí)際上是在尋找震前滑坡危險(xiǎn)性(敏感性)與震后地表形變之間的一種定量表述關(guān)系，這種定量關(guān)系可以是簡單的疊加或乘積關(guān)系，也可以是復(fù)雜的非線性關(guān)系，這取決于研究地區(qū)的具體特征。從本文所獲得的結(jié)果來看，使用非線性函數(shù)關(guān)系所獲得的結(jié)果更符合九寨溝地區(qū)的震后特征。但是，由于本文所使用的驗(yàn)證樣本數(shù)量相對(duì)較少，如果在非線性擬合過程中使用高次擬合函數(shù)，很有可能出現(xiàn)過擬合現(xiàn)象，從而導(dǎo)致驗(yàn)證樣本擬合效果較好但是在大范圍評(píng)價(jià)時(shí)出現(xiàn)較大誤差，在實(shí)際應(yīng)用時(shí)應(yīng)該避免，因此盡量選用3次以下的函數(shù)表達(dá)式進(jìn)行擬合。

5 結(jié) 論

本文分別基于BP神經(jīng)網(wǎng)絡(luò)危險(xiǎn)性評(píng)價(jià)模型和DInSAR技術(shù)獲得了“川主寺—九寨溝”公路沿線區(qū)域的震前滑坡危險(xiǎn)性評(píng)價(jià)值和震后地表形變值，然后使用直接相乘法、多元線性回歸法和多元非線性回歸法建立兩者之間的定量關(guān)系，最后對(duì)整個(gè)研究區(qū)域進(jìn)行全面的震后滑坡危險(xiǎn)性評(píng)價(jià)，本文所得結(jié)論總結(jié)如下：

(1)基于BP神經(jīng)網(wǎng)絡(luò)危險(xiǎn)性評(píng)價(jià)模型所獲得的震前危險(xiǎn)性評(píng)價(jià)值可以有效地反映研究區(qū)域地形、地貌、地質(zhì)、氣候等因素對(duì)于滑坡災(zāi)害的敏感性；基于DInSAR技術(shù)的震后地表形變值可以快速、準(zhǔn)確更新地表形態(tài)變化，確定地震作用影響規(guī)模大小，并且兩者之間存在一定的相關(guān)性。

(2)對(duì)于本文的研究區(qū)域，使用二次多元非線性回歸方法擬合震前滑坡危險(xiǎn)性評(píng)價(jià)值和震后地表形變值的效果最佳。綜合評(píng)價(jià)結(jié)果相比于震前危險(xiǎn)性評(píng)價(jià)結(jié)果，均方根誤差降低了13.9%，更接近于研究區(qū)域震后真實(shí)情況。

(3)研究區(qū)域的震后滑坡危險(xiǎn)性綜合評(píng)價(jià)結(jié)果顯示，高危險(xiǎn)區(qū)域面積占比52.047%，是震前評(píng)價(jià)結(jié)果的3.4倍，并且高危險(xiǎn)性區(qū)域主要分布在震中東北方向約20km附近、九寨溝景區(qū)內(nèi)和川九路前70km沿線邊坡，這些區(qū)域極有可能存在高危險(xiǎn)性滑坡隱患，在震后排險(xiǎn)工作中應(yīng)該逐一排查。