基于BP神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害易發(fā)性分區(qū)方法研究
——以蘄春縣為例

朱文慧， 鄒 浩， 何明明， 王紀(jì)云

(1.湖北省地質(zhì)局 第三地質(zhì)大隊(duì)，湖北 黃岡 438000； 2.中國(guó)地質(zhì)大學(xué)(武漢)，湖北 武漢 430074)

自2018年湖北省實(shí)施地質(zhì)災(zāi)害綜合防治體系建設(shè)以來，全省各縣均開展了1∶5萬地質(zhì)災(zāi)害風(fēng)險(xiǎn)調(diào)查評(píng)價(jià)工作。地質(zhì)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)方法很多，包括定性分析和定量評(píng)價(jià)兩種，但后者是國(guó)內(nèi)外發(fā)展的主流方向。目前各縣在進(jìn)行地質(zhì)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)時(shí)，大多采用定性分析與定量評(píng)價(jià)相結(jié)合的方法，即層次分析法和信息量法來劃分地質(zhì)災(zāi)害易發(fā)性分區(qū)、危險(xiǎn)性分區(qū)和易損性分區(qū)。層次分析法的基礎(chǔ)工作之一就是通過專家打分對(duì)評(píng)價(jià)因子進(jìn)行重要性對(duì)比而形成判斷矩陣，然而專家打分不具備客觀性和唯一性，而且一致性檢驗(yàn)只能判斷邏輯上的合理性，不能客觀全面地反映各評(píng)價(jià)因子權(quán)重的準(zhǔn)確性與相關(guān)度，因此專家打分對(duì)評(píng)價(jià)分區(qū)結(jié)果的準(zhǔn)確性造成直接影響。為解決這一問題，Khamehchiyan等[1]、Christos等[2]運(yùn)用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)和邏輯回歸法對(duì)滑坡敏感性進(jìn)行研究，該方法預(yù)測(cè)滑坡的平均準(zhǔn)確度達(dá)到84%；郭子正等[3]以三峽庫(kù)區(qū)萬州區(qū)作為研究對(duì)象，基于BP神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)區(qū)域滑坡易發(fā)性，證實(shí)BP神經(jīng)網(wǎng)絡(luò)法是一種有效的滑坡空間預(yù)測(cè)手段。

BP神經(jīng)網(wǎng)絡(luò)能夠從數(shù)據(jù)樣本中自動(dòng)學(xué)習(xí)和訓(xùn)練，不需要反復(fù)地查詢和表述過程，并且能夠自動(dòng)地逼近與樣本數(shù)據(jù)規(guī)律擬合最優(yōu)的函數(shù)。對(duì)于影響因素越復(fù)雜、非線性程度越高的情況，BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)越明顯[4]。通過MATLAB軟件建立BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行反復(fù)的網(wǎng)絡(luò)訓(xùn)練和調(diào)整，得到最優(yōu)擬合權(quán)重取值，能有效解決層次分析法因過多人工主觀干預(yù)打分而造成定量評(píng)價(jià)不充分的問題，進(jìn)一步提高地質(zhì)災(zāi)害易發(fā)性分區(qū)的精度和準(zhǔn)確性。本文以蘄春縣為例，實(shí)證研究基于BP神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害易發(fā)性分區(qū)評(píng)價(jià)方法，得到精細(xì)、準(zhǔn)確的地質(zhì)災(zāi)害風(fēng)險(xiǎn)分區(qū)成果，對(duì)防災(zāi)減災(zāi)工作具有重要意義。

1 BP神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用方法

1.1 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)由Rumelhart D等[5]科學(xué)家于1986年提出，是一種按誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成[6]。在眾多神經(jīng)網(wǎng)絡(luò)算法中，BP算法是一種高效計(jì)算數(shù)據(jù)傳輸途徑上梯度的技術(shù)[7]。BP神經(jīng)網(wǎng)絡(luò)的單個(gè)樣本有m個(gè)輸入和n個(gè)輸出，在輸入層和輸出層之間通常還有若干個(gè)隱含層[8](圖1)。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可設(shè)計(jì)為單隱層或多隱層結(jié)構(gòu)；最后一個(gè)隱層傳遞到輸出層各神經(jīng)元的信息經(jīng)進(jìn)一步處理后，由輸出層向外界輸出信息處理結(jié)果，即完成一次學(xué)習(xí)的正向傳播處理過程。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，進(jìn)入誤差的反向傳播階段，誤差通過輸出層按誤差梯度下降的方式修正各層權(quán)值，向隱含層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以被接受的程度或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[9]。

圖1 BP神經(jīng)網(wǎng)絡(luò)映射原理Fig.1 Mapping principle of BP neural network

1.2 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用方法

BP神經(jīng)網(wǎng)絡(luò)大規(guī)模并行處理信息時(shí)具有分布式儲(chǔ)存、連續(xù)時(shí)間非線性動(dòng)力學(xué)、全局集體作用、高度容錯(cuò)性、自組織、自學(xué)習(xí)和實(shí)時(shí)處理等特征[10]。隨著大數(shù)據(jù)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)為研究非線性變量關(guān)系提供了解決辦法[11]，可以有效地避免主觀因素對(duì)分析結(jié)果的影響。

采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行地質(zhì)災(zāi)害易發(fā)性分區(qū)評(píng)價(jià)時(shí)，通過MATLAB軟件建立BP神經(jīng)網(wǎng)絡(luò)，輸入樣本進(jìn)行訓(xùn)練，反復(fù)進(jìn)行信息正向傳播和誤差反向傳播，通過修改每個(gè)神經(jīng)元的參數(shù)和神經(jīng)元之間的連接權(quán)值，使誤差值最小、相關(guān)度最高，由此來確定地質(zhì)災(zāi)害風(fēng)險(xiǎn)易發(fā)性分區(qū)各評(píng)價(jià)因子的權(quán)重。整個(gè)應(yīng)用過程大致可以概括為建立ArcGIS空間分析平臺(tái)、提取訓(xùn)練樣本、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)測(cè)試、提取權(quán)重5個(gè)步驟(圖2)。

2 應(yīng)用實(shí)例

蘄春縣位于湖北省東部，處于大別山南麓、長(zhǎng)江中游北岸，全境以丘陵平原為主，北部為山區(qū)，中部為丘陵地帶，南部為平原地區(qū)，地勢(shì)東北高西南低。區(qū)內(nèi)地形地質(zhì)條件復(fù)雜，地質(zhì)災(zāi)害易發(fā)，尤其是雨季地質(zhì)災(zāi)害頻發(fā)。近年來人類工程活動(dòng)愈加頻繁，使得區(qū)內(nèi)原本脆弱的地質(zhì)環(huán)境條件發(fā)生重大改變，加劇了地質(zhì)災(zāi)害的發(fā)生。據(jù)2020年蘄春縣地質(zhì)災(zāi)害風(fēng)險(xiǎn)調(diào)查[12]，全縣共發(fā)現(xiàn)滑坡、崩塌、泥石流等各類地質(zhì)災(zāi)害(隱患)點(diǎn)279處(截至2020年9月)(表1)。

圖2 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用流程圖Fig.2 Application flow chart of BP neural network

表1 蘄春縣地質(zhì)災(zāi)害發(fā)育情況統(tǒng)計(jì)表Table 1 Statistical table of geological disasters in Qichun County

2.1 易發(fā)性評(píng)價(jià)因子選取

地質(zhì)災(zāi)害易發(fā)性分區(qū)是地質(zhì)災(zāi)害調(diào)查評(píng)價(jià)的重要內(nèi)容，也是地質(zhì)災(zāi)害風(fēng)險(xiǎn)分區(qū)的基礎(chǔ)。地質(zhì)災(zāi)害易發(fā)性分區(qū)是根據(jù)地質(zhì)災(zāi)害形成發(fā)育的背景和現(xiàn)狀，以定性分析與定量評(píng)價(jià)相結(jié)合的方法予以確定。以地形地貌條件來統(tǒng)計(jì)，蘄春縣地質(zhì)災(zāi)害主要分布于高程<200 m、坡度25°～40°、坡面形態(tài)為凸形和階梯形的區(qū)域。由此可見，坡高決定了坡體勢(shì)能及滑動(dòng)能量的大小，對(duì)斜坡穩(wěn)定性具有控制性作用；坡度影響巖土體沿斜坡面的自重應(yīng)力分量，對(duì)斜坡穩(wěn)定性起關(guān)鍵作用；坡型可用地表的曲率進(jìn)行描述和量化，其影響坡體內(nèi)應(yīng)力狀態(tài)，進(jìn)而影響坡體的穩(wěn)定狀態(tài)。以工程地質(zhì)條件來統(tǒng)計(jì)，工程地質(zhì)巖組和地質(zhì)構(gòu)造對(duì)斜坡變形影響較大，順向坡和橫向坡發(fā)育滑坡數(shù)量最多。由此可見，工程地質(zhì)巖組、地質(zhì)構(gòu)造、斜坡結(jié)構(gòu)是影響斜坡變形的主要因素。

通過綜合整理野外實(shí)地調(diào)查成果及收集的資料，分析蘄春縣地質(zhì)災(zāi)害影響因素，本文最終選取坡度、坡高、地質(zhì)構(gòu)造、工程地質(zhì)巖組、曲率、斜坡結(jié)構(gòu)等6個(gè)因子作為評(píng)價(jià)指標(biāo)。

2.2 信息量法賦值

蘄春縣地質(zhì)構(gòu)造和工程地質(zhì)特征較復(fù)雜，基于現(xiàn)狀地質(zhì)災(zāi)害分布的襲擾系數(shù)法，容易漏判一些地質(zhì)災(zāi)害隱患區(qū)段。為此，本次研究選用了信息量法進(jìn)行地質(zhì)災(zāi)害易發(fā)性分區(qū)評(píng)價(jià)?；碌刭|(zhì)災(zāi)害受多種因素影響，信息量法評(píng)價(jià)模型所考慮的是一定地質(zhì)環(huán)境下的最佳因素組合，包括基本因素的數(shù)量和基本狀態(tài)。建立信息量法評(píng)價(jià)模型的步驟如下：

(1) 計(jì)算單個(gè)影響因子對(duì)地質(zhì)災(zāi)害事件(D)提供的信息量值I(xi，D)。

(1)

式中：S為研究區(qū)面積；Si為研究區(qū)含有影響因子xi的面積；N為研究區(qū)發(fā)生地質(zhì)災(zāi)害的總個(gè)數(shù)；Ni為研究區(qū)分布在影響因子xi內(nèi)的地質(zhì)災(zāi)害的個(gè)數(shù)。

(2) 通常情況下，各個(gè)評(píng)價(jià)單元具有的信息量值都是由多項(xiàng)影響因子共同作用的結(jié)果，各種影響因子又以不同狀態(tài)存在，因此需計(jì)算評(píng)價(jià)單元內(nèi)各影響因子組合條件下的總信息量Ii。

(2)

式中：I(xi，D)為單個(gè)影響因子的信息量值；n為影響因子總數(shù)。

所得的總信息量Ii可作為研究區(qū)地質(zhì)災(zāi)害易發(fā)性評(píng)價(jià)指標(biāo)，評(píng)價(jià)單元內(nèi)發(fā)生地質(zhì)災(zāi)害的概率隨著Ii值的增大而增大。通過對(duì)Ii值的值域進(jìn)行劃分，可對(duì)研究區(qū)進(jìn)行易發(fā)性分區(qū)評(píng)價(jià)。當(dāng)Ii>0時(shí)，信息量越大，滑坡可能發(fā)生的概率越大；當(dāng)Ii<0時(shí)，表明該條件不利于滑坡發(fā)生；當(dāng)Ii=0時(shí)，表明該條件不提供有關(guān)滑坡發(fā)生與否的任何關(guān)系，即該條件可以被排除，不能作為預(yù)測(cè)因子。據(jù)此得到研究區(qū)6個(gè)評(píng)價(jià)因子的信息量計(jì)算結(jié)果并賦值(表2)。

表2 評(píng)價(jià)因子信息量與賦值統(tǒng)計(jì)表Table 2 Statistics table of evaluation factors information quantity and assignment

2.3 BP神經(jīng)網(wǎng)絡(luò)應(yīng)用

基于ArcGIS平臺(tái)空間分析功能，對(duì)研究區(qū)6個(gè)評(píng)價(jià)因子的評(píng)價(jià)等級(jí)按表2進(jìn)行柵格圖層賦值，將已發(fā)生的279處地質(zhì)災(zāi)害點(diǎn)所對(duì)應(yīng)的6個(gè)評(píng)價(jià)因子?xùn)鸥褓x值作為機(jī)器學(xué)習(xí)的正樣本(圖3-a)。通過ArcGIS采樣工具，在研究區(qū)非地質(zhì)災(zāi)害點(diǎn)區(qū)域(避開水域)創(chuàng)建279個(gè)隨機(jī)點(diǎn)，其對(duì)應(yīng)的6個(gè)評(píng)價(jià)因子?xùn)鸥褓x值作為機(jī)器學(xué)習(xí)的負(fù)樣本(圖3-b)。選取負(fù)樣本點(diǎn)的規(guī)則為：樣本在研究區(qū)范圍內(nèi)必須隨機(jī)，樣本點(diǎn)均勻不連續(xù)且樣本數(shù)據(jù)足夠典型，每個(gè)滑坡點(diǎn)都有樣本，即正負(fù)樣本都應(yīng)包含滑坡敏感性影響因子重分類后所有的情況[13]。

按照前文圖2所示的BP神經(jīng)網(wǎng)絡(luò)應(yīng)用流程圖，在MATLAB設(shè)置好參數(shù)，將正負(fù)樣本組成的訓(xùn)練樣本輸入輸入層，通過BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，反復(fù)進(jìn)行信息正向傳播和誤差反向傳播；輸出層則具有發(fā)生與未發(fā)生地質(zhì)災(zāi)害兩種情況，發(fā)生則輸出為1，未發(fā)生則輸出為0。

圖3 研究區(qū)正樣本(a)與負(fù)樣本(b)分布圖Fig.3 Distribution map of positive samples (a) and negative samples (b) in study area

湖北省調(diào)查區(qū)不同土地利用類型土壤質(zhì)量綜合等級(jí)面積相關(guān)性曲線，相關(guān)性指數(shù)為0.85。

2.4 結(jié)果分析

通過BP神經(jīng)網(wǎng)絡(luò)得到6個(gè)評(píng)價(jià)因子的權(quán)重，導(dǎo)入ArcGIS空間分析平臺(tái)進(jìn)行疊加分析，加權(quán)總和后得到了地質(zhì)災(zāi)害易發(fā)性分區(qū)結(jié)果(表3，圖4)。通過與運(yùn)用層次分析法多次專家打分選取最優(yōu)權(quán)重值后得到的分析結(jié)果(表3，圖5)進(jìn)行對(duì)比，發(fā)現(xiàn)兩種方法得到的4類分區(qū)面積相差不大，極高—中易發(fā)區(qū)的地質(zhì)災(zāi)害點(diǎn)密度大致相同，可見基于BP神經(jīng)網(wǎng)絡(luò)法的易發(fā)性分區(qū)結(jié)果是可靠的。在基于BP神經(jīng)網(wǎng)絡(luò)法的易發(fā)性分區(qū)結(jié)果中，極高—中易發(fā)區(qū)分布地質(zhì)災(zāi)害點(diǎn)261個(gè)，低易發(fā)區(qū)分布地質(zhì)災(zāi)害點(diǎn)18個(gè)；基于層次分析法得出極高—中易發(fā)區(qū)分布地質(zhì)災(zāi)害點(diǎn)253個(gè)，低易發(fā)區(qū)分布地質(zhì)災(zāi)害點(diǎn)26個(gè)，相比較而言，前者精度優(yōu)于后者。

總的來說，基于BP神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害易發(fā)性分區(qū)結(jié)果可靠且準(zhǔn)確度更高。

表3 地質(zhì)災(zāi)害易發(fā)性分區(qū)結(jié)果Table 3 Geological disasters susceptibility division results

圖4 基于BP神經(jīng)網(wǎng)絡(luò)法的易發(fā)性分區(qū)圖Fig.4 Susceptibility division map based on BP neural network method

3 結(jié)論

(1) 以蘄春縣為研究區(qū)，選取坡度、坡高、地質(zhì)構(gòu)造、工程地質(zhì)巖組、曲率、斜坡結(jié)構(gòu)6個(gè)因子作為地質(zhì)災(zāi)害易發(fā)性分區(qū)的評(píng)價(jià)指標(biāo)。

(2) 通過MATLAB軟件建立BP神經(jīng)網(wǎng)絡(luò)，使用機(jī)器學(xué)習(xí)算法得到6個(gè)評(píng)價(jià)因子最優(yōu)擬合權(quán)重值后，導(dǎo)入ArcGIS空間分析平臺(tái)進(jìn)行疊加分析，得到蘄春縣地質(zhì)災(zāi)害易發(fā)性分區(qū)結(jié)果。對(duì)比基于層次分析法的地質(zhì)災(zāi)害易發(fā)性分區(qū)結(jié)果，認(rèn)為基于BP神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害易發(fā)性分區(qū)結(jié)果可靠且準(zhǔn)確度更高。

圖5 基于層次分析法的易發(fā)性分區(qū)圖Fig.5 Susceptibility division map based on analytic hierarchy process

(3) BP神經(jīng)網(wǎng)絡(luò)法采用機(jī)器學(xué)習(xí)算法得到最優(yōu)擬合權(quán)重值，避免了人工主觀干預(yù)打分造成定量評(píng)價(jià)不充分的問題，具有應(yīng)用便捷、結(jié)果可靠、準(zhǔn)確度高等特點(diǎn)，使用該方法進(jìn)行地質(zhì)災(zāi)害風(fēng)險(xiǎn)評(píng)價(jià)具有很好的應(yīng)用前景。