基于人工神經(jīng)網(wǎng)絡模型的福建南平市滑坡危險性評價

陳水滿，趙輝龍，許 震，謝 偉,，劉 亮，李全悅

（1.福建省南平市公路局，福建 南平 353000；2.中國科學院海西研究院泉州裝備制造研究所,福建 泉州 362000；3.上海華測導航技術股份有限公司,上海 201702）

0 引言

滑坡是巖石、泥土、巖土碎屑在重力、水或者其他工程活動作用下沿斜坡向下滑移、崩落或流動的一類地質災害，其危害巨大、分布廣泛，持續(xù)影響著區(qū)域社會經(jīng)濟發(fā)展和人民生命財產(chǎn)安全[1]。福建省是我國遭受滑坡災害較嚴重的地區(qū)之一，僅2013—2017年間就發(fā)生1 334 次滑坡，造成數(shù)億元的經(jīng)濟損失和數(shù)百人傷亡[2]。滑坡危險性評價是滑坡災害風險評估的重要組成部分，能為防災減災和災害治理提供參考依據(jù)和關鍵信息[3]。

滑坡危險性評價過程包括滑坡影響因子選擇、研究單元劃分、建立評價模型和模型評價等步驟，選取高效精確的模型對于評價結果具有至關重要的作用[4]?；挛ｋU性評價方法主要包括歷史滑坡分析法、啟發(fā)式方法、基于巖土物理模型方法和基于統(tǒng)計模型方法[5]?；诮y(tǒng)計模型的方法得益于其高效準確而被應用于大量工程項目與科學研究中，包括邏輯回歸模型、支持向量機、貝葉斯方法、決策樹方法與人工神經(jīng)網(wǎng)絡等[6?8]。

劉麗娜等[5]利用層次分析法對蘆山地震區(qū)進行了滑坡危險性評價，分析了地震區(qū)滑坡影響因子，給出了研究區(qū)滑坡危險性分區(qū)圖。王萌等[9]采用GIS 技術和貢獻權重模型在米易縣進行了滑坡危險性評估，實現(xiàn)滑坡危險性評價的科學化和信息化。Dehnavi等[10]提出了一種基于逐步權重評估比分析（SWARA）方法和自適應神經(jīng)模糊推理系統(tǒng)（ANFTS）的新型混合模型應用于伊朗滑坡危險性評估中并擁有良好表現(xiàn)。Bourenane 等[11]分別使用層次分析法、頻率比法、邏輯回歸和證據(jù)權重法對康斯坦丁市進行了危險性評價和比較，結果表明頻率比法在該研究中具有最優(yōu)效果。隨著計算機性能的進一步加強，人工神經(jīng)網(wǎng)絡模型對比其他簡單模型具有更加優(yōu)越的性能和廣闊的應用前景，其在滑坡危險性評價中也有著較為突出的表現(xiàn)[12?14]。

福建省南平市滑坡災害多發(fā)，一些學者對該地區(qū)的單體滑坡災害進行了研究，認為該地區(qū)滑坡具有典型的東南沿海臺風暴雨型滑坡特征[15?17]。然而，該地區(qū)區(qū)域性的滑坡危險性評價工作仍缺乏。本研究以南平市的歷史滑坡災害作為研究對象,收集多種滑坡影響因子，運用人工神經(jīng)網(wǎng)絡模型對該區(qū)域滑坡災害危險性進行評估。

1 研究區(qū)概況與滑坡影響因子

1.1 研究區(qū)概況及滑坡數(shù)據(jù)

研究區(qū)南平市位于福建省北部，面積2.63 萬km2（圖1）。研究區(qū)地形地貌受構造運動的影響強烈，構造地貌特征相當明顯，山脈多呈東北-西南走向。低山丘陵分布廣，山間盆谷地沿河交替分布，山地切割明顯，高差懸殊，以斷裂為主的斷塊山山峰陡峭，斷層崖、斷裂谷等地貌分布廣。研究區(qū)屬典型的亞熱帶季風氣候，年平均降雨量約為1 500～2 000 mm，降雨多集中在夏季。閩江、建溪、富屯溪是市內(nèi)主要的水系。

研究區(qū)滑坡災害點分布情況見圖1(b)，根據(jù)最新版2014年Varnes 滑坡分類體系共包含滑移、崩塌和泥石流3 種主要類型和多種次級類型[18]。其中，滑移1 008例，崩塌679 例，泥石流24 例，共計1 711 例。

圖1 研究區(qū)地理位置及滑坡編目Fig.1 Location of study area and landslide inventory

1.2 滑坡影響因子

影響滑坡發(fā)生的因子眾多，本研究共收集高程、坡度、坡向、曲率、地層巖性、土壤類型、降雨、水系、土地利用類型、公路和鐵路等11 類因子（表1）。所有因子均離散為分類變量，其中，坡向因子根據(jù)方向分類，其余影響因子按照自然斷點法進行分類（圖2、圖3）。

圖2 滑坡影響因子專題圖1Fig.2 Thematic map1 of landslide conditional factors

圖3 滑坡影響因子專題圖2Fig.3 Thematic map2 of landslide conditional factors

表1 滑坡致災因子描述與來源Table 1 The description and source of landslide inducing factors

地形地貌對滑坡的形成具有重要控制作用。海拔的高低對于人類工程活動等影響有直接作用，從而影響邊坡的危險程度；坡度是一種被廣泛應用的滑坡危險性評價因子，其影響斜坡上失穩(wěn)巖土體的穩(wěn)定性和總體移動速率。通常，坡度越大的區(qū)域其勢能越大，穩(wěn)定性越差；坡向決定了光照和水的流向，不同的坡向其陽光照射時間與強度不同、水流方向也不同，這些影響導致了坡面植被生長和坡體穩(wěn)定性；曲率是描述流域盆地的物理特征，它能夠影響流動的加速和減速，匯聚和分散[19]。

地質構造與土壤屬性是滑坡危險性評價中重要的影響因子，他們直接決定滑坡是否會發(fā)生，以何種形式發(fā)生，[20]。地層巖性和土壤屬性是斜坡最重要的物理特征，通常決定了坡體的軟硬性質、結構強度、松散程度等關鍵性質。從地層巖性上看，滑坡常發(fā)生于各種構造軟弱結構面和較軟弱的巖土層；從土壤屬性看，較松散的土體和較大程度的土壤侵蝕有利于滑坡的孕育[21]。

水文條件通常是是滑坡發(fā)生的誘發(fā)因素和直接原因。研究區(qū)地處亞熱帶海洋性季風區(qū)，降雨多且集中，每年有數(shù)十例滑坡發(fā)生在雨季，持續(xù)的降雨能直接引發(fā)山體滑坡，也能侵蝕邊坡為其失穩(wěn)提供條件。因此，選擇年平均降雨與河流作為影響因子。地表覆蓋的不同對于滑坡的孕育也有著不同程度的影響。通常對于地表覆蓋而言，裸露的坡地較植被茂盛的坡地更易發(fā)生失穩(wěn)，根系發(fā)達的森林較草地則更穩(wěn)定。

人類活動對于邊坡的直接影響日益加大。大量的基礎設施建設和道橋施工破壞了邊坡原有的結構，山區(qū)鐵路和公路的修建通常開挖隧道和人工切坡，公路、鐵路沿線是滑坡發(fā)生的重災區(qū)同時也是減災防災的重點區(qū)域[22]。因此，選擇公路、鐵路作為表征人類活動的因子。

2 研究方法

2.1 研究單元劃分

目前，滑坡危險性評價常用的基本研究單元有：網(wǎng)格單元、地貌單元、行政單元、獨立條件單元、斜坡單元等[23]。其中，網(wǎng)格單元和斜坡單元應用最廣。網(wǎng)格單元十分規(guī)則，對于復雜模型的計算和模擬具有極好的適應性，在許多研究中得到了應用。因此，本研究選擇網(wǎng)格單元作為基本評價單元。

網(wǎng)格單元大小的選取至關重要，太大難以表示局部區(qū)域的空間差異，太小則會影響計算效率，研究者通常選取在30 m～1 km。出于對研究區(qū)面積和計算效率的綜合考慮，本研究選擇300 m 正方形網(wǎng)格作為基本研究單元，總計得到374 666 個單元。分別計算落入每個單元的滑坡點數(shù)量，數(shù)量為0 的單元記為0，數(shù)量不為0 的單元記為1，以此形成滑坡在空間上的二元分布。該分布將成為危險性評價模型的因變量。然后計算各網(wǎng)格單元的影響因子的屬性值作為模型的自變量。

2.2 因子相關性檢測

多個滑坡影響因子之間可能存在相關性，相關性的存在會使得評價模型難以捕捉有用信息，從而影響評價結果。本研究使用Spearman 相關性分析對研究區(qū)各因子進行分析，通過相關性系數(shù)R衡量各因素的相關程度。因子的相關性檢測由SPSS 軟件計算，結果見表2。

Xiao 等[24?25]研究認為，因子間相關性系數(shù)∣R∣<0.5 表明因子間相關性較低。由表2 可知，各因子間相關性系數(shù)∣R∣<0.5，因此本研究保留全部11 項影響因子。

表2 因子間相關系數(shù)Table 2 Correlation coefficient of conditional factors

2.3 滑坡危險性評價模型

人工神經(jīng)網(wǎng)絡（Artificial Neural Networks，ANN）模型是一種優(yōu)秀的機器學習模型，它既能夠擬合線性關系也能夠解決非線性問題，因而被廣泛的應用于滑坡危險性評價和風險評估中[26?28]。

人工神經(jīng)網(wǎng)絡是由構成動物大腦的生物神經(jīng)網(wǎng)絡模糊啟發(fā)的計算系統(tǒng)[29]。人工神經(jīng)網(wǎng)絡由被稱為人工神經(jīng)元的連接單元或節(jié)點組成，這些單元或節(jié)點可以對生物腦中的神經(jīng)元進行松散建模。每個連接都像生物大腦中的突觸一樣，可以將信號傳輸?shù)狡渌窠?jīng)元。接收信號的人工神經(jīng)元隨后對其進行處理，并可以向與之相連的神經(jīng)元發(fā)出信號。在許多實際應用場景中，人工神經(jīng)網(wǎng)絡通常被當作一種復雜的分類器，在本研究中亦是如此[12,30]。

在本研究中，使用多層感知器（Multilayer Perceptron，MLP）構建神經(jīng)網(wǎng)絡，其基本結構如圖4所示，從左到右分別為輸入層、隱藏層和輸出層。將數(shù)據(jù)導入輸入層，經(jīng)過第一層神經(jīng)元的計算得到輸出，然后第一層的輸出作為第二層的輸入，依次運算直至到輸出層，最終得到結果。本研究中使用Sigmoid 激活函數(shù)，自動計算單元格數(shù)、計算隱藏層層數(shù)與神經(jīng)元個數(shù)，使用隨機搜索確定模型參數(shù)值。同時，為防止過擬合，指定30%集合用于防止過擬合。

圖4 神經(jīng)網(wǎng)絡基本結構Fig.4 The basic structure of ANN

本研究中，1 711 個滑坡災害點分別落入1 653 個單元中，該1 653 個單元作為數(shù)據(jù)集中的正樣本。以所有正樣本幾何中心300 m 外的區(qū)域為選擇區(qū)域，選取等數(shù)量的單元作為負樣本。因此，共計3 306 個樣本用于模型的訓練和測試，其中訓練集和測試集數(shù)量比例各占50%。

2.4 模型評估和驗證

2.4.1 混淆矩陣

混淆矩陣（confusion matrix）衡量的是一個分類器分類的準確程度，也稱誤差矩陣?；煜仃嚦１挥糜诙诸惸Ｐ偷慕Y果評價，該方法可以對模型結果中0 值預測的正確率和對1 值預測正確率以及整體預測率進行定量表達。本研究使用了sklearn.metrics.confusion_matrix計算混淆矩陣。

2.4.2 ROC 曲線

ROC（ Receiver Operating Characteristic Curve）即“受試者工作特征曲線”，該曲線是反應敏感性和特異性變量的綜合指標。在滑坡危險性評價中，ROC 曲線的X軸為特異性，表示非災害點被錯誤預測的概率。Y軸為敏感性，代表災害點預測成功率。模型預測精度用曲線與橫坐標圍成的面積的大小表示，曲線下面積為AUC（Area Under the Curve），AUC值的取值范圍為[0，1]。AUC值越接近于1，表明模型的精確度越高。

3 結果分析

3.1 危險性評價結果分析

按照神經(jīng)網(wǎng)絡模型分析結果得到研究區(qū)滑坡危險性指數(shù)。其結果范圍為0～1，使用自然間斷法進行分區(qū)，分別為低危險區(qū)、較低危險區(qū)、中等危險區(qū)、較高危險區(qū)和高危險區(qū)。圖5 為研究區(qū)滑坡危險性分區(qū)圖。

圖5 研究區(qū)滑坡危險性評價分區(qū)圖Fig.5 Landslide risk assessment map

其中，低危險區(qū)占比15.96%，較低危險區(qū)63.78%，中等危險區(qū)為17.52%，較高危險區(qū)和高危險區(qū)總計占2.74%。全部滑坡點落入各級別危險區(qū)的數(shù)量和比例為：低危險區(qū)142 個，占比2.25%；較低危險區(qū)499 個，占比29.16%；中等危險區(qū)最多為802 個，占比46.87%；較高危險區(qū)和高危險區(qū)268 個，占比15.66%。

總體上看，研究區(qū)滑坡危險性分布主要特征為東北和西南高，中部低。其中延平區(qū)、浦城縣發(fā)生滑坡災害較多，區(qū)域地層巖性主要為古生界沉積巖和變質巖以及花崗巖，降雨均少于平均水平，說明研究區(qū)內(nèi)降雨并非造成滑坡空間分布差異的主要原因。中等危險區(qū)分布較廣，主要在研究區(qū)的東北和西南部。較低危險區(qū)和低危險區(qū)主要分布于建陽區(qū)和建甌市。研究區(qū)內(nèi)較低危險區(qū)和中等危險區(qū)分布最為廣泛，這些地區(qū)往往發(fā)生過一些滑坡災害，但遠遠沒有達到較高危險程度。

3.2 模型精度評估和驗證分析

為測試危險性評價模型的精度和可靠性，選用混淆矩陣和ROC 曲線對模型的預測正確率進行了驗證分析?；煜仃嚨慕Y果如表3所示，ROC 曲線和AUC值如圖6所示，AUC值為ROC 曲線下面積。

圖6 滑坡危險性評價模型ROC 曲線Fig.6 ROC curve of landslide risk assessment model

表3 混淆矩陣Table 3 Confusion matrix

混淆矩陣對結果中滑坡發(fā)生與不發(fā)生的精度進行了統(tǒng)計，最終準確度為84.91%，表明實際預測精度較高。而模型AUC值達到0.93，表明模型預測能力極好，精度較高。

4 結論與討論

（1）本文基于GIS 和機器學習技術，應用神經(jīng)網(wǎng)絡模型對南平市進行滑坡危險性評價，并對評價結果進行檢驗。結果表明：預測準確率84.91%，ROC 曲線下面積AUC值為0.93，表明研究所使用的神經(jīng)網(wǎng)絡模型具有較好的預測性和精度。研究結果可進一步的為研究區(qū)防災減災與發(fā)展的選址問題上給決策者與工程師提供參考與建議。

（2）研究區(qū)危險性結果為東北和西南危險性高，中部低。延平區(qū)、浦城縣是滑坡最危險的地區(qū)，中等危險區(qū)分布較廣，主要在研究區(qū)的東北和西南部。較低危險區(qū)和低危險區(qū)主要分布于建陽區(qū)和建甌市。南平市大部分地區(qū)屬于丘陵山區(qū)，滑坡地質災害危險性高，對于山區(qū)居民和公路等基礎設施存在的嚴重的威脅。

（3）文中仍存在一些不足之處，例如神經(jīng)網(wǎng)絡模型采用了較常規(guī)的超參數(shù)設置，并未進一步深入，待以后的研究中改善和解決。