聯(lián)合SBAS-InSAR 和PSO-BP 算法的高山峽谷區(qū)地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)

周定義，左小清※，喜文飛,2，肖 波,3，游 洪

（1. 昆明理工大學(xué)國(guó)土資源工程學(xué)院，昆明 650093； 2. 云南師范大學(xué)地理學(xué)部，昆明 650500；3. 云南交通職業(yè)技術(shù)學(xué)院公路學(xué)院，昆明 650500）

0 引 言

中國(guó)是地質(zhì)災(zāi)害高發(fā)的國(guó)家，各類地質(zhì)災(zāi)害給人民的生命和財(cái)產(chǎn)造成了巨大的損失[1]?；?、泥石流、崩塌作為主要的地質(zhì)災(zāi)害，具有隱蔽性強(qiáng)、危害性大、突發(fā)性高等特點(diǎn)，廣泛分布于中國(guó)山區(qū)和峽谷地帶[2-4]。近年來(lái)，高山峽谷區(qū)地質(zhì)災(zāi)害頻頻發(fā)生，給人民生命和財(cái)產(chǎn)安全帶來(lái)嚴(yán)重威脅。因此，對(duì)高山峽谷地區(qū)地質(zhì)災(zāi)害開(kāi)展危險(xiǎn)性評(píng)價(jià)研究，能夠?yàn)榉罏?zāi)減災(zāi)事業(yè)及政府部門(mén)決策提供參考。

目前，國(guó)內(nèi)外對(duì)于地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)主要分為三類：經(jīng)驗(yàn)?zāi)Ｐ蚚5-6]、統(tǒng)計(jì)分析模型[7-9]、機(jī)器學(xué)習(xí)模型[10-12]。以上三類方法證明了其在地質(zhì)災(zāi)害評(píng)價(jià)中的有效性。但存在以下兩個(gè)弊端：一是時(shí)效性差、識(shí)別不準(zhǔn)確：基于收集的歷史災(zāi)害數(shù)據(jù)，以前是滑坡或泥石流等地質(zhì)災(zāi)害區(qū)域，可能已經(jīng)被治理好的情況，如果再將其定義為地質(zhì)災(zāi)害點(diǎn)，容易導(dǎo)致評(píng)價(jià)結(jié)果不準(zhǔn)確。運(yùn)用RS（Remote Sensing）技術(shù)解譯得到的地質(zhì)災(zāi)害點(diǎn)范圍，無(wú)法識(shí)別潛在地質(zhì)災(zāi)害，特別是在高山峽谷區(qū)。二是過(guò)多權(quán)值計(jì)算：三類評(píng)價(jià)模型都需要運(yùn)用權(quán)重和信息量來(lái)進(jìn)行地質(zhì)災(zāi)害統(tǒng)計(jì)，這無(wú)疑加大專家參與的計(jì)算量。為此，亟需提出一種可行有效方法解決此弊端。

在以往研究中，筆者曾提出一種基于小基線集合成孔徑雷達(dá)干涉（Small Baseline Subsets Interferometric Synthetic Aperture Radar，SBAS-InSAR）和粒子群優(yōu)化-反向傳播（Particle Swarm Optimization-Back Propagation，PSO-BP）神經(jīng)網(wǎng)絡(luò)算法的礦區(qū)地表沉降監(jiān)測(cè)及預(yù)測(cè)模型[13]，最終證明了SBAS-InSAR 在礦區(qū)地表長(zhǎng)時(shí)間沉降監(jiān)測(cè)中的優(yōu)勢(shì)以及 PSO-BP 模型在礦區(qū)地表沉降預(yù)測(cè)中的有效性和合理性。近年來(lái)，眾多學(xué)者運(yùn)用小基線集合成孔徑雷達(dá)干涉在地質(zhì)災(zāi)害識(shí)別方面取得大量成功范例[14-15]，運(yùn)用SBAS-InSAR 技術(shù)在地質(zhì)災(zāi)害識(shí)別探測(cè)中的應(yīng)用潛力已經(jīng)得到國(guó)內(nèi)外眾多學(xué)者的認(rèn)可。誤差反向傳播（Back Propagation，BP）學(xué)習(xí)算法作為人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）最為廣泛運(yùn)用的一種神經(jīng)網(wǎng)絡(luò)，已經(jīng)成功應(yīng)用于各類地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)及預(yù)測(cè)等方面并證明了其有效性[16-18]。與傳統(tǒng)的基于梯度下降的優(yōu)化算法相比，粒子群（Particle Swarm Optimization，PSO）算法具有魯棒性強(qiáng)、擴(kuò)充性好、不易陷入局部最優(yōu)等優(yōu)點(diǎn)；而與進(jìn)化規(guī)劃、遺傳算法等基于自然界進(jìn)化過(guò)程的優(yōu)化方法相比，粒子群算法的信息共享機(jī)制使得種群可以更快地收斂到最優(yōu)值[19]。綜上所述，利用SBAS-InSAR和PSO-BP 算法為地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)提供了理論和實(shí)踐基礎(chǔ)。

為此，針對(duì)現(xiàn)有地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)方法存在的弊端，提出聯(lián)合SBAS-InSAR 和PSO-BP 相結(jié)合的方式對(duì)高山峽谷區(qū)地質(zhì)災(zāi)害進(jìn)行危險(xiǎn)性評(píng)價(jià)。利用SBAS-InSAR 獲取現(xiàn)有地質(zhì)災(zāi)害點(diǎn)和潛在災(zāi)害的形變量，根據(jù)形變量值和引入高分辨率光學(xué)影像等作為輔助識(shí)別；利用PSO-BP 算法構(gòu)建模型，通過(guò)學(xué)習(xí)、訓(xùn)練、測(cè)試、驗(yàn)證得到危險(xiǎn)性指標(biāo)，以期在減少專家參與進(jìn)行大量統(tǒng)計(jì)計(jì)算的前提下，解決地質(zhì)災(zāi)害評(píng)價(jià)時(shí)效性和準(zhǔn)確性差的弊端。

1 研究方法與數(shù)據(jù)

1.1 研究區(qū)概況

東川小江流域?yàn)槭澜绲湫捅┯昴嗍鲄^(qū)，被稱為“泥石流的天然博物館”，該地區(qū)地質(zhì)災(zāi)害類型主要以滑坡、崩塌、泥石流為主。泥石流的發(fā)生常伴隨滑坡，屬于暴雨型滑坡泥石流，即先滑坡，再經(jīng)暴雨沖刷形成泥石流。東川區(qū)地質(zhì)災(zāi)害活動(dòng)由來(lái)已久，至今呈加劇發(fā)展趨勢(shì)，截至2019 年4 月，東川區(qū)各類地質(zhì)災(zāi)害隱患點(diǎn)數(shù)為269，潛在經(jīng)濟(jì)損失290 961 萬(wàn)元。本文選取小江沿線兩側(cè)高山峽谷作為研究區(qū)，如圖1 所示。以小江為界，河谷凹陷，形成“V”字型，屬于典型的深切割高山峽谷，東側(cè)為牯牛寨山，最高峰海拔4 017.3 m；西部為拱王山，最高峰海拔4 344.1 m。該區(qū)域地勢(shì)陡峭，獨(dú)特的地形和地質(zhì)構(gòu)造致使局部區(qū)域暴雨多，土壤疏松，水土流失嚴(yán)重，進(jìn)而導(dǎo)致滑坡、崩塌、泥石流等地質(zhì)災(zāi)害頻發(fā)。

1.2 研究數(shù)據(jù)

監(jiān)測(cè)數(shù)據(jù)為2018 年至2019 年的40 期Sentinel-1A 雷達(dá)數(shù)據(jù)，每期1 景，用于監(jiān)測(cè)研究區(qū)形變信息。Sentinel-1A的軌道類型為近圓形的太陽(yáng)同步軌道，其軌道高度為693 km，傾角為98.18°。衛(wèi)星重訪周期為12 d，選用干涉寬模式（Interferometric Wide，IW）下的S1 TOPS-modes單視復(fù)數(shù)SLC（Single Look Complex）數(shù)據(jù)，幅寬250 km，升降軌數(shù)據(jù)的入射角分別為34.17°和39.35°。該數(shù)據(jù)為C 波段的升降軌數(shù)據(jù)，SLC 數(shù)據(jù)處理后的升降軌數(shù)據(jù)距離向分辨率為5 m，方位向分辨率為20 m。

輔助數(shù)據(jù)為谷歌衛(wèi)星影像數(shù)據(jù)、坡度、坡向和曲率數(shù)據(jù)用于主被動(dòng)遙感數(shù)據(jù)協(xié)同監(jiān)測(cè)識(shí)別地質(zhì)災(zāi)害；精密定軌星厲數(shù)據(jù)POD（Precise Orbit Ephemerides）用于提高雷達(dá)數(shù)據(jù)軌道精度；DEM（Digital Elevation Model）數(shù)據(jù)用于去除地形相位影響；降雨、斷層、河流水系、地層巖性、土地利用和歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）作為PSO-BP 模型的輸入層評(píng)價(jià)因子。以雷達(dá)數(shù)據(jù)序列為基準(zhǔn)數(shù)據(jù)集，數(shù)據(jù)源見(jiàn)表1。

表1 數(shù)據(jù)源一覽表Table 1 List of data sources

1.3 研究方法

本研究的總體技術(shù)方案如圖2 所示，主要技術(shù)流程為：1）地表形變信息獲取及地質(zhì)災(zāi)害識(shí)別；2）格網(wǎng)單元?jiǎng)澐旨霸u(píng)價(jià)因子選取；3）模型構(gòu)建及危險(xiǎn)指數(shù)評(píng)定。

1.3.1 地表形變信息獲取及地質(zhì)災(zāi)害識(shí)別

首先，依據(jù)歐空局下載的40 景升降軌道SCL 影像，利用精密定軌星厲數(shù)據(jù)POD 修正軌道信息，減小定時(shí)及軌道誤差對(duì)干涉相位的影響。再次，選擇同時(shí)位于時(shí)間基線中部及時(shí)序影像多普勒質(zhì)心頻率中心時(shí)段的數(shù)據(jù)作為主影像，對(duì)主影像和輔影像兩兩進(jìn)行粗配準(zhǔn)，再用增強(qiáng)譜分集算法進(jìn)行精配準(zhǔn)，通過(guò)設(shè)置臨界基線和時(shí)間基線，生成像對(duì)，設(shè)置多視數(shù)Range Looks 和Azimuth Looks為4∶1，這樣設(shè)置可以較好地抑制斑點(diǎn)噪聲，采用Minimum Cost Flow 解纏方法和Goldstein 濾波方法做干涉工作流，最終生成干涉圖，調(diào)整刪除不理想的數(shù)據(jù)，對(duì)多視處理后的主從影像進(jìn)行共軛相乘獲得干涉圖，利用DEM 對(duì)和精密定軌數(shù)據(jù)對(duì)干涉相位進(jìn)行差分處理移除平地效應(yīng)及地形效應(yīng)，生成時(shí)間序列的干涉相位。具體包括感興趣區(qū)選擇、干涉處理、地形相位去除、差分模型構(gòu)建4 個(gè)步驟。主輔影像干涉相位可表示為公式（1）[13]

式中φtopo為地形相位；φdef為形變相位；φatm為大氣延遲相位；φf(shuō)lat為平地相位；φnoise為噪聲相位。通過(guò)相位解纏提取有效的形變信息，運(yùn)用最小二乘（Least Squares，LS）或奇異值分解（Singular Value Decomposition，SVD）算法得到變形速度，最后，對(duì)序列信息進(jìn)行地理編碼獲得研究區(qū)域內(nèi)升降軌下的雷達(dá)視線方向（Line of Sight，LOS）的形變信息。

利用不同軌道數(shù)據(jù)可以互補(bǔ)，使得監(jiān)測(cè)結(jié)果更為準(zhǔn)確全面，能夠避免單一軌道帶來(lái)的幾何畸變等問(wèn)題。研究區(qū)內(nèi)植被覆蓋度高，失相干嚴(yán)重，導(dǎo)致監(jiān)測(cè)地面形變信息的能力較差，對(duì)形變監(jiān)測(cè)精度的影響較大[22-23]，因此，引入歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）對(duì)研究區(qū)植被覆蓋數(shù)據(jù)進(jìn)行分析，以剔除植被覆蓋對(duì)形變監(jiān)測(cè)精度的影響。同時(shí)，僅憑獲取到的研究區(qū)形變監(jiān)測(cè)結(jié)果，無(wú)法有效區(qū)分研究區(qū)形變監(jiān)測(cè)結(jié)果是否為地質(zhì)災(zāi)害，為此，引入高分辨率光學(xué)影像，即借助谷歌衛(wèi)星影像對(duì)獲取的形變區(qū)域進(jìn)行人工識(shí)別輔助識(shí)別，結(jié)合形變范圍、高程、坡度、植被覆蓋和坡體是否具有地質(zhì)災(zāi)害特征等進(jìn)行識(shí)別，避免過(guò)度依賴形變結(jié)果導(dǎo)致的誤判等問(wèn)題。為驗(yàn)證地質(zhì)災(zāi)害識(shí)別結(jié)果的準(zhǔn)確性，選擇野外實(shí)地勘察驗(yàn)證。

1.3.2 格網(wǎng)單元?jiǎng)澐旨霸u(píng)價(jià)因子選取

常用的地質(zhì)災(zāi)害評(píng)價(jià)單元包括網(wǎng)格單元、斜坡單元、地形單元和地域單元4 種類型。對(duì)于高山峽谷地區(qū)，網(wǎng)格單元和斜坡單元是最好的選擇。但斜坡單元具有不連續(xù)性，精細(xì)程度不高，劃分的正確度沒(méi)有保證。網(wǎng)格單元在評(píng)價(jià)過(guò)程中雖然對(duì)于地表起伏度不能很好顯示，但是相較于斜坡單元具有更大優(yōu)勢(shì)，網(wǎng)格單元使整個(gè)研究區(qū)的評(píng)價(jià)結(jié)果過(guò)渡平穩(wěn)，評(píng)價(jià)結(jié)果更加真實(shí)可信[24-25]。為此采用網(wǎng)格單元對(duì)研究區(qū)進(jìn)行劃分。網(wǎng)格單元大小劃分根據(jù)薛凱凱等[26]采用DEM 試驗(yàn)進(jìn)行回歸分析而得到的經(jīng)驗(yàn)公式（2）：

式中sG為網(wǎng)格單元大小，s為地形比例尺倒數(shù)。

查閱資料可知，用于地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)的評(píng)價(jià)因子主要有高程、坡度、坡向、曲率、降雨量、地層巖性、土地利用類型、距斷層距離、距河流水系距離[7,8,24-25]。本文在上述10 種評(píng)價(jià)因子的基礎(chǔ)上引入NDVI 和升降軌數(shù)據(jù)獲取的形變速率作為評(píng)價(jià)因子。根據(jù)識(shí)別結(jié)果選取部分地質(zhì)災(zāi)害區(qū)域和選取部分為非地質(zhì)災(zāi)害的區(qū)域，通過(guò)ArcGIS 多值到點(diǎn)工具，提取出地質(zhì)災(zāi)害范圍和非地質(zhì)災(zāi)害的區(qū)域?qū)?yīng)格網(wǎng)單元內(nèi)的12 個(gè)評(píng)價(jià)因子，通過(guò)運(yùn)用SPSSAU 軟件中的灰色關(guān)聯(lián)和因子分析，驗(yàn)證以上12 個(gè)因子作為評(píng)價(jià)因子的有效性和可靠性。

1.3.3 模型構(gòu)建及危險(xiǎn)指數(shù)評(píng)定

傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)存在學(xué)習(xí)效率低，收斂速度慢等問(wèn)題，利用粒子群算法來(lái)優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，可以減小訓(xùn)練誤差，提高訓(xùn)練速度和精度。將識(shí)別出來(lái)的災(zāi)害和非災(zāi)害點(diǎn)集區(qū)域定量化處理，用“1”代表高危險(xiǎn)區(qū)，“0”代表低危險(xiǎn)區(qū)，運(yùn)用ArcGIS 提取對(duì)應(yīng)的評(píng)價(jià)因子，將其作為輸入層，高低危險(xiǎn)區(qū)作為輸出層，構(gòu)建PSO-BP 模型，其中隱含層和輸入層激活函數(shù)分別選擇tansig、purelin，訓(xùn)練函數(shù)選擇trainlm。選取高危險(xiǎn)區(qū)和低危險(xiǎn)區(qū)共4 756 個(gè)點(diǎn)進(jìn)行模型訓(xùn)練和驗(yàn)證，從4 756個(gè)點(diǎn)中隨機(jī)選取其中的4 200 個(gè)點(diǎn)作為訓(xùn)練集，對(duì)隨機(jī)抽取的556 個(gè)點(diǎn)進(jìn)行驗(yàn)證，通過(guò)訓(xùn)練得到最優(yōu)網(wǎng)絡(luò)并保存網(wǎng)絡(luò)模型，最終得到高、低危險(xiǎn)區(qū)對(duì)應(yīng)的輸出范圍。運(yùn)用保存好的PSO-BP 模型對(duì)剩余的38 749 個(gè)點(diǎn)進(jìn)行危險(xiǎn)性指數(shù)預(yù)測(cè)，結(jié)合上述4 756 個(gè)點(diǎn)對(duì)應(yīng)的危險(xiǎn)性指數(shù)，將其得到的危險(xiǎn)性指數(shù)導(dǎo)入到對(duì)應(yīng)點(diǎn)屬性表內(nèi)，利用自然間斷點(diǎn)分級(jí)法結(jié)合專家參與進(jìn)行危險(xiǎn)性分級(jí)，得到研究區(qū)危險(xiǎn)性評(píng)價(jià)圖。不論是經(jīng)驗(yàn)?zāi)Ｐ?、統(tǒng)計(jì)分析模型還是機(jī)器學(xué)習(xí)模型，都是在統(tǒng)計(jì)評(píng)價(jià)因子權(quán)重信息的基礎(chǔ)上進(jìn)行，同時(shí)均是基于收集的地質(zhì)災(zāi)害數(shù)據(jù)進(jìn)行危險(xiǎn)性評(píng)價(jià)，為此，綜合考慮，定量角度采用信息量和綜合賦權(quán)法，信息量法對(duì)數(shù)據(jù)樣本要求少，可解決多源數(shù)據(jù)差異性。地質(zhì)災(zāi)害是在多種因素相互作用下而形成的，通過(guò)計(jì)算各個(gè)因素的信息量，并加權(quán)疊加各個(gè)因素的信息量，建立地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)模型，信息量越大，地質(zhì)災(zāi)害易發(fā)性越高，其計(jì)算方法如下：

式中I為評(píng)價(jià)區(qū)某單元信息量預(yù)測(cè)值；Ni為分布在因素Xi內(nèi)特定類別內(nèi)的災(zāi)害點(diǎn)單元數(shù)；N為研究區(qū)含有災(zāi)害點(diǎn)分布的單元總數(shù)；Si為研究區(qū)內(nèi)含有評(píng)價(jià)因素Xi的單元個(gè)數(shù)；S為研究區(qū)總單元個(gè)數(shù)；Yi為致災(zāi)因子指標(biāo)值。組合賦權(quán)法通過(guò)將主觀賦權(quán)法與客觀賦權(quán)法得到的權(quán)重值進(jìn)行耦合，能夠避免單一評(píng)價(jià)方法的缺點(diǎn)和不足。利用乘數(shù)歸一法（公式（5））將層次分析法和熵權(quán)法得到的權(quán)重值進(jìn)行耦合，得到各評(píng)價(jià)指標(biāo)因子的綜合權(quán)重值。

式中F總表示評(píng)價(jià)單元的綜合權(quán)重值，Wj表示層次分析法求得的各評(píng)價(jià)因子的權(quán)重值；Vj表示熵權(quán)法求得的各評(píng)價(jià)因子的權(quán)重值。

最后，利用定性和定量的方法驗(yàn)證本文方法的可靠性和有效性，根據(jù)文獻(xiàn)[21,27]通過(guò)ArcGIS 配準(zhǔn)獲取到研究區(qū)的地質(zhì)災(zāi)害點(diǎn)，定性角度：選取姑海村、大白泥溝和大營(yíng)盤(pán)3 個(gè)區(qū)域進(jìn)行對(duì)比，定量角度：運(yùn)用 AUC 值和準(zhǔn)確率對(duì)3 種不同危險(xiǎn)性評(píng)價(jià)方法得出的結(jié)果進(jìn)行驗(yàn)證。ROC（Receiver Operating Characteristic Curve）曲線是目前應(yīng)用最廣泛的驗(yàn)證評(píng)價(jià)結(jié)果的方法之一，它表示擬合數(shù)據(jù)與實(shí)際數(shù)據(jù)的關(guān)系A(chǔ)UC（Area under Curve）可以反映和比較模型的評(píng)價(jià)預(yù)測(cè)精度，AUC 即ROC 曲線下的面積值介于0 到1 之間，AUC 越接近1 說(shuō)明效果越好。通過(guò)SPSSAU 軟件和Excel 計(jì)算得到3 種方法對(duì)應(yīng)的AUC值和準(zhǔn)確率。

2 結(jié)果與分析

2.1 地表形變信息及地質(zhì)災(zāi)害識(shí)別

研究區(qū)域2018 年4 月25 日至2019 年4 月20 日雷達(dá)視線方向（Line of Sight，LOS）的形變速率圖如圖3、圖4 所示。從圖3 中可以看出，采用升軌獲取的形變主要分布在小江東側(cè)，最大形變速率為?162.05 mm/a，降軌獲取的形變主要分布在小江西側(cè)西北方向，最大形變速率為?120.43 mm/a。使不同軌道得到的形變結(jié)果不同，是由于升軌數(shù)據(jù)飛行方向大致從南到北，雷達(dá)視線方向位于右側(cè)，能夠很好地將峽谷兩側(cè)由西向東的地表形變監(jiān)測(cè)出來(lái)，相反，降軌數(shù)據(jù)的飛行方向與之相反，能夠?qū){谷兩側(cè)由西向東的地表形變監(jiān)測(cè)出來(lái)，利用不同軌道數(shù)據(jù)可以互補(bǔ)，使得監(jiān)測(cè)結(jié)果更為準(zhǔn)確全面，避免單一軌道帶來(lái)的幾何畸變等問(wèn)題。

借助谷歌衛(wèi)星影像對(duì)獲取的形變區(qū)域進(jìn)行人工識(shí)別輔助識(shí)別，結(jié)合形變范圍、高程、坡度、植被覆蓋和坡體是否具有地質(zhì)災(zāi)害特征等進(jìn)行識(shí)別，避免過(guò)度依賴形變結(jié)果導(dǎo)致的誤判等問(wèn)題。識(shí)別結(jié)果如圖3、圖4 所示。為更為直觀地反映形變速率的實(shí)效性和準(zhǔn)確性，將部分識(shí)別出來(lái)的地質(zhì)災(zāi)害區(qū)形變速率與三維影像疊置（藍(lán)色實(shí)線指向的圖），從圖中可以看到，利用升降軌對(duì)高山峽谷區(qū)地質(zhì)災(zāi)害識(shí)別具有良好的互補(bǔ)優(yōu)勢(shì)，采用升軌識(shí)別的地質(zhì)災(zāi)害主要分布于小江沿線東側(cè)，利用降軌得到的結(jié)果相反。識(shí)別并不要求一次性將所有地質(zhì)災(zāi)害識(shí)別出來(lái)，僅需要盡可能均勻地識(shí)別出地質(zhì)災(zāi)害，為后期利用PSO-BP 模型做準(zhǔn)備。本次識(shí)別的地質(zhì)災(zāi)害包含了滑坡、泥石流、崩塌和潛在災(zāi)害點(diǎn)等。

通過(guò)實(shí)地勘察發(fā)現(xiàn)，識(shí)別出來(lái)的結(jié)果與實(shí)地勘察結(jié)果相吻合。如圖3、圖4 所示，灰色實(shí)線指向的圖片為實(shí)地調(diào)研勘測(cè)到的，可以看出識(shí)別出的地質(zhì)災(zāi)害多以滑坡、泥石流、危巖和崩塌為主。研究區(qū)地層巖性從元古界昆陽(yáng)群至新生界第四系均有分布，包括沉積巖、巖漿巖、變質(zhì)巖三大類。識(shí)別出來(lái)的地質(zhì)災(zāi)害主要巖組類型為松散巖組。主要位于小江斷裂帶兩側(cè)，斷裂兩側(cè)巖石擠壓極為強(qiáng)烈，常形成數(shù)百米寬的碎粉巖、碎裂巖或糜棱巖帶，兩側(cè)碎裂巖帶寬約1 000～7 000 m，鈣質(zhì)膠結(jié)，斷面傾向東，傾角為55°上下。小江深大斷裂為境內(nèi)地質(zhì)主構(gòu)造帶，沿?cái)嗔褦D壓劇烈，巖層破碎，東支為重力負(fù)異常區(qū)，西支便于地應(yīng)力集中，形成地殼脆弱地帶，歷史上具有長(zhǎng)期活動(dòng)的趨勢(shì)，致使該區(qū)域地質(zhì)災(zāi)害多發(fā)。

2.2 格網(wǎng)單元?jiǎng)澐旨霸u(píng)價(jià)因子選取

依據(jù)公式（2），經(jīng)計(jì)算網(wǎng)格單元大小應(yīng)選擇30 m×30 m，考慮到制圖需求以及自身電腦性能等問(wèn)題，最終選擇網(wǎng)格單元大小為100 m×100 m，共43 505 個(gè)網(wǎng)格單元。選取的部分地質(zhì)災(zāi)害區(qū)和非地質(zhì)災(zāi)害區(qū)，其中地質(zhì)災(zāi)害區(qū)格網(wǎng)單元為2 094 個(gè)，非地質(zhì)災(zāi)害區(qū)2 662 個(gè)，利用灰色關(guān)聯(lián)分析，得到灰色關(guān)聯(lián)排序，按關(guān)聯(lián)度從大到小依次為降雨量（0.986）、地層巖性（0.982）、土地利用（0.981）、坡向（0.973）、距斷裂帶距離（0.972）、降軌形變速率（0.966）、高程（0.959）、距河流水系距離（0.953）、歸一化植被指數(shù)（0.934）、升軌形變速率（0.926）、曲率（0.917）、坡度（0.902），關(guān)聯(lián)度最高和最低的評(píng)價(jià)因子分別是降雨量和坡度，其關(guān)聯(lián)度分別為0.986 和0.902?？梢钥闯?，選取的12 個(gè)評(píng)價(jià)因子與是否為地質(zhì)災(zāi)害區(qū)具有高度關(guān)聯(lián)。但還不能選取出最終所需要的評(píng)價(jià)因子，為此，運(yùn)用SPSSAU 軟件中的因子分析方法，通過(guò)因子分析來(lái)確定上述12 個(gè)因子之間是否存在共性，分別對(duì)12 個(gè)因子進(jìn)行不同組合，當(dāng)選取12 個(gè)因子進(jìn)行組合時(shí)，其檢驗(yàn)統(tǒng)計(jì)量（Kaiser-Meyer-Olkin，KMO）最佳。驗(yàn)證了選用以上12 個(gè)因子作為評(píng)價(jià)因子具有有效性和可靠性。

2.3 模型構(gòu)建及危險(xiǎn)指數(shù)評(píng)定

2.3.1 模型構(gòu)建及訓(xùn)練驗(yàn)證

將識(shí)別出來(lái)的災(zāi)害和非災(zāi)害點(diǎn)集區(qū)域定量化處理，用“1”代表高危險(xiǎn)區(qū)，“0”代表低危險(xiǎn)區(qū)。根據(jù)多次試驗(yàn)得到隱含層為10 時(shí)結(jié)果最佳，構(gòu)建的PSO-BP 模型訓(xùn)練參數(shù)如下：動(dòng)量因子0.9、學(xué)習(xí)速率0.05、訓(xùn)練目標(biāo)0.001、訓(xùn)練次數(shù)500 000、進(jìn)化代數(shù)80、學(xué)習(xí)因子C1=2.8，C2=1.3，最大速度0.2、種群規(guī)模25。對(duì)隨機(jī)抽取的556個(gè)點(diǎn)進(jìn)行驗(yàn)證，其輸出值與期望值如圖5 所示。

從圖5 中可以看到，驗(yàn)證結(jié)果總體可靠，雖然存在少量“異?！睌?shù)據(jù)（紫色區(qū)域），并不影響其整體的預(yù)測(cè)[28]。利用構(gòu)建的PSO-BP 模型得到高、低危險(xiǎn)區(qū)的危險(xiǎn)性指數(shù)[11]，在（0.85，1.02]為高危險(xiǎn)區(qū)，在區(qū)間（?0.15，0.25]為低危險(xiǎn)區(qū)。選用均方誤差（Mean Squared Error，MSE）和平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）作為模型的評(píng)價(jià)指標(biāo)，最終計(jì)算出MSE和MAPE 分別為0.002 和1.01%，驗(yàn)證了該模型精度可靠，效果良好，保存訓(xùn)練好的網(wǎng)絡(luò)。

2.3.2 地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)

將保存好的網(wǎng)絡(luò)運(yùn)用于整個(gè)研究區(qū)，得到每個(gè)格網(wǎng)單元對(duì)應(yīng)的危險(xiǎn)性指數(shù)，按照文獻(xiàn)[9-10]的危險(xiǎn)性分級(jí)方式分為5 個(gè)等級(jí)，采用自然間斷點(diǎn)分級(jí)法結(jié)合專家參與進(jìn)行危險(xiǎn)性分級(jí)處理，將其劃分為[?0.92，?0.15]、（?0.15，0.25]、（0.25，0.85]、（0.85，1.02]、（1.02，1.5]共5個(gè)等級(jí)，分別對(duì)應(yīng)極低危險(xiǎn)區(qū)、低危險(xiǎn)區(qū)、中危險(xiǎn)區(qū)、高危險(xiǎn)區(qū)、極高危險(xiǎn)區(qū)。最終得到SBAS-InSAR 和PSO-BP模型下的研究區(qū)地質(zhì)災(zāi)害危害性評(píng)價(jià)區(qū)劃圖如圖6a 所示。利用信息量法和組合賦權(quán)法得到研究區(qū)地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)，如圖6b 和6c 所示。

選取姑海村、大白泥溝和大營(yíng)盤(pán)3 個(gè)區(qū)域，如圖6 所標(biāo)示位置，采用本文方法、信息量法[7]和組合賦權(quán)法[27]進(jìn)行定性比對(duì)可知姑海村分別為高危險(xiǎn)區(qū)、高危險(xiǎn)區(qū)、極高危險(xiǎn)區(qū)；小白泥溝分別為極高危險(xiǎn)區(qū)、極高危險(xiǎn)區(qū)、低危險(xiǎn)區(qū)；大營(yíng)盤(pán)分別為低危險(xiǎn)區(qū)、高危險(xiǎn)區(qū)、極高危險(xiǎn)區(qū)。大營(yíng)盤(pán)屬于村落，其危險(xiǎn)性一般為低危險(xiǎn)地區(qū)，但信息量法和組合賦權(quán)法得到的評(píng)價(jià)結(jié)果均為極高危險(xiǎn)區(qū)，本文方法判別為低危險(xiǎn)區(qū)。姑海村屬于村落，其危險(xiǎn)性一般為低危險(xiǎn)地區(qū)，但信息量法和組合賦權(quán)法得到的評(píng)價(jià)結(jié)果均為極高危險(xiǎn)區(qū)，本文方法判別為高危險(xiǎn)區(qū)，致使本文方法判別為高危險(xiǎn)區(qū)的原因，可能是由于姑海村位于白泥河泥石流溝對(duì)岸，所以其危險(xiǎn)性較高。小白泥溝是典型的暴雨型泥石流溝，既有滑坡也有泥石流，其周圍應(yīng)為極高危險(xiǎn)區(qū)，本文方法和信息量法均判為極高危險(xiǎn)區(qū)，但組合賦權(quán)法為低危險(xiǎn)區(qū)。

運(yùn)用 AUC 值和準(zhǔn)確率對(duì)3 種不同危險(xiǎn)性評(píng)價(jià)方法得出的結(jié)果進(jìn)行驗(yàn)證。如表2 所示。

表2 3 種方法AUC 值和準(zhǔn)確率Table 2 AUC (Area Under Curve) values and accuracy of the three methods

從表2 可以看出，3 種方法均能有效的對(duì)地質(zhì)災(zāi)害進(jìn)行評(píng)價(jià)，相較于信息量法，組合賦權(quán)法和本文方法效果更優(yōu)，本文方法優(yōu)于其他兩種方法。信息量法和組合賦權(quán)法計(jì)算量較大，給危險(xiǎn)性評(píng)價(jià)增加了大量的專家參與與統(tǒng)計(jì)。本文方法從預(yù)測(cè)角度構(gòu)建危險(xiǎn)性評(píng)價(jià)，有效減少了計(jì)算量，其精度也較為可靠。

4 討 論

目前，雖然國(guó)內(nèi)外學(xué)者對(duì)于地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)的研究已經(jīng)取得大量成功范例，但是還存在地質(zhì)災(zāi)害數(shù)據(jù)源時(shí)效性差以及需進(jìn)行大量的專家參與統(tǒng)計(jì)等弊端。針對(duì)地質(zhì)災(zāi)害數(shù)據(jù)源時(shí)效性差這一弊端，本文利用InSAR、谷歌衛(wèi)星影像和其他輔助數(shù)據(jù)對(duì)高山峽谷地區(qū)地質(zhì)災(zāi)害進(jìn)行識(shí)別，利用升降軌獲得的InSAR 形變速率，能夠識(shí)別出高山峽谷區(qū)不同方向的已有活躍滑坡和潛在滑坡，利用谷歌衛(wèi)星影像和其他輔助數(shù)據(jù)可以克服InSAR 識(shí)別結(jié)果不全和不準(zhǔn)確。針對(duì)需大量專家參與統(tǒng)計(jì)這一弊端，本文提出利用PSO-BP 模型從預(yù)測(cè)角度，通過(guò)不同格網(wǎng)單元評(píng)價(jià)因子的輸入來(lái)學(xué)習(xí)，得到對(duì)應(yīng)格網(wǎng)單元的數(shù)值（危險(xiǎn)性指數(shù)），有效的避免了大量的專家參與統(tǒng)計(jì)。

采用信息量法和已有學(xué)者利用組合賦權(quán)法獲取的危險(xiǎn)性評(píng)價(jià)圖存在在部分評(píng)價(jià)錯(cuò)誤的地方，導(dǎo)致評(píng)價(jià)錯(cuò)誤的原因是，兩種方法均是基于已有災(zāi)害點(diǎn)數(shù)據(jù)作為數(shù)據(jù)源進(jìn)行危險(xiǎn)性評(píng)價(jià)，其時(shí)效性差，存在以前是滑坡或泥石流等地質(zhì)災(zāi)害區(qū)域，可能已經(jīng)被治理好，如果再將其定義為地質(zhì)災(zāi)害點(diǎn)，容易導(dǎo)致評(píng)價(jià)結(jié)果不準(zhǔn)確，數(shù)據(jù)源的精確性直接影響著最終的評(píng)價(jià)結(jié)果。本文所用方法從定性和定量角度驗(yàn)證了其評(píng)價(jià)的有效性和準(zhǔn)確性，所用方法從災(zāi)害點(diǎn)數(shù)據(jù)源獲取角度就有本質(zhì)區(qū)別，利用該方法可以識(shí)別出已有危險(xiǎn)和潛在危險(xiǎn)區(qū)域，提高了災(zāi)害數(shù)據(jù)源的時(shí)效性，同時(shí)運(yùn)用PSO-BP 方法從預(yù)測(cè)角度構(gòu)建危險(xiǎn)性評(píng)價(jià)模型，避免了大量的評(píng)價(jià)因子權(quán)重和信息量統(tǒng)計(jì)，有效減少了專家參與的計(jì)算量。

5 結(jié) 論

本文通過(guò)分析現(xiàn)有地質(zhì)災(zāi)害評(píng)價(jià)模型存在的弊端，提出利用SBAS-InSAR 和PSO-BP 算法對(duì)高山峽谷區(qū)地質(zhì)災(zāi)害危險(xiǎn)性進(jìn)行評(píng)價(jià)，經(jīng)過(guò)對(duì)研究區(qū)試驗(yàn)，得出以下結(jié)論：

1）與現(xiàn)有地質(zhì)災(zāi)害數(shù)據(jù)收集方法相比，利用SBAS-InSAR 技術(shù)可以獲取到研究區(qū)地表形變量，結(jié)合高分辨率影像等輔助信息，可有效識(shí)別出活躍的泥石流、滑坡、崩塌和潛在地質(zhì)災(zāi)害。解決了現(xiàn)有地質(zhì)災(zāi)害數(shù)據(jù)時(shí)效性差、不準(zhǔn)確等弊端。

2）在高山峽谷地區(qū)，利用升降軌結(jié)合的方式對(duì)研究區(qū)地質(zhì)災(zāi)害進(jìn)行識(shí)別，其識(shí)別結(jié)果更為準(zhǔn)確性和全面，避免了單一軌道存在SAR 成像幾何畸變?cè)斐刹糠值刭|(zhì)災(zāi)害不能識(shí)別、識(shí)別結(jié)果不全面等問(wèn)題。同時(shí)，通過(guò)試驗(yàn)驗(yàn)證了升降軌形變速率可作為地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)的重要評(píng)價(jià)因子。

3）PSO-BP 模型適用于地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)，通過(guò)試驗(yàn)驗(yàn)證了該模型精度可靠，效果良好，其MSE 和MAPE分別為0.002 和1.01%。運(yùn)用該模型避免了傳統(tǒng)地質(zhì)災(zāi)害評(píng)價(jià)需進(jìn)行權(quán)值統(tǒng)計(jì)分級(jí)等弊端，從預(yù)測(cè)角度解決了過(guò)多的專家決策參與。

4）通過(guò)對(duì)比可知，本文方法相比信息量法和組合賦權(quán)法在地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)中更具有準(zhǔn)確性和有效性，利用本文方法能夠?yàn)榉罏?zāi)減災(zāi)事業(yè)及政府部門(mén)決策提供一定參考價(jià)值。5）綜合考慮選擇信息量法和組合賦權(quán)法進(jìn)行定量和定性比較，比較結(jié)果表明，本文方法有效的提高了地質(zhì)災(zāi)害危險(xiǎn)性評(píng)價(jià)的準(zhǔn)確度，信息量法、組合賦權(quán)法和本文方法的AUC（Area Under Curve）值分別為0.694、0.721、0.785，準(zhǔn)確率為73.3%、76.2%、79.8%。