一種面向降雨型滑坡的降雨—變形綜合預(yù)警智能決策方法

趙 文 祎，馬 娟，常 嘯 寅，龐 驍

(1.中國地質(zhì)環(huán)境監(jiān)測院，北京 100081；2.中國地質(zhì)大學(xué)(北京)信息工程學(xué)院，北京 100083；3.北京大學(xué)遙感與地理信息系統(tǒng)研究所，北京 100871)

0 引言

對滑坡進行監(jiān)測并及時發(fā)布預(yù)警信息是避免人員傷亡和減少經(jīng)濟損失最直接有效的手段[1-3]。1999年以來，我國先后在長江三峽庫區(qū)、四川雅安、云南新平等地建立了地質(zhì)災(zāi)害專業(yè)監(jiān)測預(yù)警示范區(qū)，實現(xiàn)了對隱患坡體和區(qū)域動態(tài)環(huán)境要素的有效監(jiān)控[4-6]。2018年以來，自然資源部組織研發(fā)了聚焦降雨和變形等關(guān)鍵測項的系列實時監(jiān)測裝備和滑坡監(jiān)測預(yù)警云平臺，并在全國地質(zhì)災(zāi)害高、中易發(fā)區(qū)滑坡體上進行推廣示范，總體運行穩(wěn)定可靠[7-10]。在滑坡監(jiān)測技術(shù)快速發(fā)展的同時，滑坡預(yù)警技術(shù)和方法仍面臨較大挑戰(zhàn)。首先，不同類型滑坡變形閾值差異較大。大量滑坡監(jiān)測預(yù)警實驗表明，變形閾值與滑坡體的物質(zhì)組成、規(guī)模、成因類型等多種因素有關(guān)，不同類型滑坡體的變形閾值和成災(zāi)模式差異較大[11]。其次，臨界雨量預(yù)警時空精準(zhǔn)性和可靠性存在明顯不足。調(diào)查發(fā)現(xiàn)，90%左右的滑坡發(fā)生在降雨期間或降雨后[12]，這種由降雨誘發(fā)的降雨型滑坡[13-15]主要采用臨界雨量進行預(yù)警[16]。然而，由于滑坡和對應(yīng)降雨事件統(tǒng)計的完整性和時空精準(zhǔn)性難以保證，致使二者的相關(guān)關(guān)系難以得到準(zhǔn)確有效的分析和挖掘[17];此外，同一區(qū)域內(nèi)降雨對不同滑坡體的形變作用機制和作用結(jié)果可能不同，因此，采用單一降雨閾值對同一區(qū)域內(nèi)單體滑坡進行預(yù)警的時空精度較低、可靠性不足[18,19]。最后，目前降雨—變形綜合預(yù)警規(guī)則的設(shè)定多基于專家經(jīng)驗，存在較大的主觀不確定性。多次成功預(yù)警預(yù)報案例證實，相比單一降雨閾值預(yù)警方法，基于降雨—變形的綜合預(yù)警方法在顧及滑坡時空變形規(guī)律和共性演化特征的同時，可以充分利用滑坡單體個性形變特征，為滑坡單體預(yù)警提供更多信息，從而大幅提高滑坡預(yù)警的時空精準(zhǔn)性[11]。

近年來，隨著滑坡監(jiān)測預(yù)警工作的規(guī)?；_展，環(huán)境要素場和形變場監(jiān)測數(shù)據(jù)逐步積累，為有效應(yīng)對降雨型滑坡精準(zhǔn)預(yù)警的需求，開展多場綜合預(yù)警成為可能并日益受到關(guān)注[20]。此外，考慮到滑坡的發(fā)生是一個高度非線性的不確定事件[21]，是多種因素共同作用的結(jié)果[22]，可認為滑坡運動具有一定的模糊屬性。因此，基于近年來的滑坡監(jiān)測預(yù)警實驗，本研究提出一種集成模糊推理系統(tǒng)和智能尋優(yōu)算法的降雨—變形綜合預(yù)警智能決策方法，在規(guī)則智能尋優(yōu)的同時融入領(lǐng)域知識約束，增加模型的泛化能力和直觀解讀,通過自學(xué)習(xí)機制實現(xiàn)綜合預(yù)警規(guī)則的智能優(yōu)化；選擇甘肅省隴南市武都區(qū)瀉流坡滑坡為案例，基于降雨和地表位移時序監(jiān)測數(shù)據(jù)，開展降雨和地表位移的綜合預(yù)警規(guī)則優(yōu)化，以期得出合理的綜合預(yù)警規(guī)則。

1 研究方法

本文提出的集成模糊推理系統(tǒng)和智能尋優(yōu)算法的降雨型滑坡降雨—變形綜合預(yù)警智能決策方法實現(xiàn)流程(圖1)為：首先，基于降雨、變形和次日變形數(shù)據(jù)構(gòu)建樣本數(shù)據(jù)，利用Mamdani 模糊推理系統(tǒng)(Fuzzy Inference System，F(xiàn)IS)和降雨變形綜合預(yù)警規(guī)則矩陣，計算降雨—變形綜合預(yù)警得分；然后，構(gòu)建綜合預(yù)警規(guī)則適應(yīng)度計算函數(shù)，定量評價綜合預(yù)警規(guī)則的優(yōu)劣程度，并采用遺傳算法對綜合預(yù)警規(guī)則庫進行智能優(yōu)化迭代；最后，篩選出最高適應(yīng)度個體，得出最優(yōu)綜合預(yù)警規(guī)則策略。

圖1 基于模糊推理和遺傳算法的降雨—變形綜合預(yù)警智能決策方法技術(shù)流程

1.1 Mamdani 模糊推理系統(tǒng)

基于模糊理論[23]，論域中的元素與某集合的隸屬關(guān)系是模糊不確定的，可以部分隸屬于某一集合[24,25]。模糊推理系統(tǒng)基于模糊理論，可支持復(fù)雜的非線性映射關(guān)系，首先將清晰的系統(tǒng)輸入模糊化，然后將模糊輸入通過模糊規(guī)則庫并行執(zhí)行，基于推理機制得到總的模糊輸出集，最后去模糊化，將模糊輸出集轉(zhuǎn)化為具體數(shù)字，得到模糊推理結(jié)果[26]。

(1)模糊化。使用隸屬度轉(zhuǎn)換函數(shù)將輸入系統(tǒng)的具體數(shù)值轉(zhuǎn)換成模糊集合，常用的隸屬度轉(zhuǎn)換函數(shù)有三角形函數(shù)、梯形函數(shù)、高斯函數(shù)等[27]。其中，高斯函數(shù)包括樣本的期望值和標(biāo)準(zhǔn)差兩個關(guān)鍵參數(shù)(分別表示曲線的中心點和寬度)，相比三角形和梯形函數(shù)，更符合地物現(xiàn)象的分布特點，能更好地表達數(shù)據(jù)的連續(xù)變化，因此，本文選用高斯函數(shù)為隸屬度轉(zhuǎn)換函數(shù)。由于隸屬度函數(shù)不一定為嚴(yán)格對稱形式，本文使用不同標(biāo)準(zhǔn)差的曲線進行組合表示，即以某個值為分割點，左右兩側(cè)的高斯曲線取不同的標(biāo)準(zhǔn)差，從而控制曲線形態(tài)(圖2)。

圖2 高斯隸屬度函數(shù)組合構(gòu)建方法示意

(2)Mamdani模糊推理。Mamdani 模糊集合理論[28]在進行模糊關(guān)系與模糊集合運算時，常采用經(jīng)典的極大—極小值合成方法[29]，使用方便，具體推理過程詳見文獻[30，31]。

(3)去模糊化。本文使用Center of Mass(CoM)法對Mamdani 模糊集合理論得出的模糊輸出集進行解模糊，該方法將被截區(qū)域的質(zhì)心橫坐標(biāo)作為模糊化后的值，具有更平滑的輸出推理控制[32]。

1.2 遺傳算法

遺傳算法是一種模擬自然界進化法則，優(yōu)化多參數(shù)、多組合的并行搜索算法[33-36]，在求解復(fù)雜的組合優(yōu)化問題時，比一些常規(guī)的優(yōu)化算法能更快、更好地獲得優(yōu)化結(jié)果，已被廣泛用于組合優(yōu)化、自適應(yīng)控制等領(lǐng)域[37,38]。遺傳算法主要由編碼、適應(yīng)度函數(shù)構(gòu)建、遺傳操作和終止條件設(shè)定等部分組成，其中編碼是將待求解的實際問題進行遺傳空間中的染色體建模，構(gòu)建適應(yīng)度函數(shù)用以判斷個體在群體中的優(yōu)劣程度。具體實現(xiàn)流程為：1)初始化種群：設(shè)置最大進化代數(shù)，隨機生成遺傳空間中的初始群體；2)個體評價：計算群體中個體的適應(yīng)度；3)遺傳操作：運行選擇、交叉、變異操作，通過適應(yīng)度評估篩選優(yōu)質(zhì)的個體遺傳到下一代；4)判斷是否終止：進化代數(shù)達到設(shè)置條件或適應(yīng)度數(shù)值趨于收斂，則終止迭代，最優(yōu)解為最高適應(yīng)度個體。

1.3 綜合預(yù)警規(guī)則適應(yīng)度函數(shù)構(gòu)建方法

綜合預(yù)警規(guī)則適應(yīng)度函數(shù)構(gòu)建是綜合預(yù)警規(guī)則智能優(yōu)化方法的關(guān)鍵環(huán)節(jié)。本研究使用組合矩陣綜合考慮降雨和變形兩個變量，評價綜合預(yù)警等級，這種表現(xiàn)方式能較直觀、清晰地展示規(guī)則，且得到的最優(yōu)預(yù)警規(guī)則具有較好的可解釋性。在給定一個綜合預(yù)警規(guī)則后，需對該規(guī)則的恰當(dāng)程度進行定量評價。因此，將定性的綜合預(yù)警規(guī)則轉(zhuǎn)化為定量的綜合預(yù)警得分，進而構(gòu)建綜合預(yù)警規(guī)則適應(yīng)度函數(shù)，是采用遺傳算法進行綜合預(yù)警規(guī)則篩選的核心環(huán)節(jié)之一。

適應(yīng)度函數(shù)(式(1)-式(3))構(gòu)建的基本思想是通過次日形變量評價綜合預(yù)警規(guī)則的有效性(適應(yīng)度)，即綜合預(yù)警等級與次日形變量應(yīng)呈正相關(guān)。具體量化方法為：計算每個降雨—變形組合預(yù)警樣本的危險性得分，對危險性得分和次日形變量分別歸一化，最后計算危險性得分和次日形變量分別歸一化后的均方根誤差，作為組合規(guī)則適應(yīng)度值。

(1)

(2)

(3)

2 案例實驗與分析

2.1 案例區(qū)概況

瀉流坡滑坡位于甘肅省隴南市武都區(qū)江南街道辦趙壩村(104°55′42″E，33°22′15″N)，在白龍江武都城區(qū)段右岸第一斜坡帶中下部(圖3)，由5處次級滑體和2處不穩(wěn)定斜坡組成(圖4)，其中H1滑體一旦失穩(wěn)，可形成高速遠程滑坡，滑入白龍江并產(chǎn)生涌浪，形成次生災(zāi)害(1)高幼龍, 王高峰, 葉振南，等. 隴南西漢水流域災(zāi)害地質(zhì)調(diào)查項目地質(zhì)災(zāi)害監(jiān)測預(yù)警普適型儀器設(shè)備示范試用工作方案. 2020.，已納入重點監(jiān)測。瀉流坡滑坡的形成條件有：1)有利滑坡發(fā)育的地形條件。滑坡坡面傾向白龍江河床，滑坡剖面整體呈直線型，后緣有陡坎，前緣有臌脹，臨空坡面地形條件利于滑坡發(fā)育。2)復(fù)雜的地質(zhì)構(gòu)造作用。滑坡發(fā)育主要受武都沿白龍江南岸的逆沖大斷裂影響，使瀉流坡老滑坡后緣石炭系灰?guī)r逆沖至志留系千枚巖之上，二者之間地層破碎強烈，形成斷層破碎帶，促使滑坡形成。3)易滑易崩地層。出露地層主要以石炭系、志留系和第四系地層為主，其中志留系地層屬軟巖，為主要組成物質(zhì)，裂隙、錯位、斷層發(fā)育，表層大部分巖石為劇風(fēng)化及強風(fēng)化層，破碎嚴(yán)重，屬易滑易崩地層。4)地下水的匯集。地下水受季節(jié)性影響較大，雨季大量地下水沿基巖頂面匯集，降低了土體強度，易形成滑坡。5)強降雨。武都區(qū)多年平均降雨量494.8 mm，其中6-9月降雨量超過全年的65%，且多為暴雨，雨水對溝道的沖刷、側(cè)蝕、入滲增加了坡體重量，易誘發(fā)滑坡。2020年8月11-17日，隴南市經(jīng)歷了長時降雨過程，降雨量189.4～221.2 mm，最大日降雨量77 mm，導(dǎo)致瀉流坡滑坡出現(xiàn)明顯變形。

圖3 瀉流坡滑坡空間位置

圖4 瀉流坡滑坡全貌

2.2 監(jiān)測數(shù)據(jù)預(yù)處理

監(jiān)測數(shù)據(jù)包括瀉流坡滑坡H1滑體上布設(shè)的雨量計數(shù)據(jù)(編號10-YL01)和北斗地表位移數(shù)據(jù)(編號09-GP01)，其中地表位移計算三維方向合位移。監(jiān)測時段為2020年6月18日至2021年8月31日。由于野外觀測環(huán)境、儀器自身穩(wěn)定性和數(shù)據(jù)通訊等因素影響，原始監(jiān)測數(shù)據(jù)存在毛刺和噪聲，需開展數(shù)據(jù)清洗，包括異常監(jiān)測數(shù)據(jù)的識別與剔除、缺失數(shù)據(jù)的填補等。參考統(tǒng)計學(xué)中異常值識別規(guī)則及滑坡形變監(jiān)測數(shù)據(jù)特征，將符合式(4)的數(shù)據(jù)判斷為潛在異常值。

(4)

式中：A為分段數(shù)據(jù)中某時刻的數(shù)據(jù)；Q(i)(i∈[0,1])為分段數(shù)據(jù)中段內(nèi)占比為i的數(shù)據(jù)的上閾值。

滑坡監(jiān)測異常值往往存在短時、突發(fā)的特點，對潛在異常值還需結(jié)合前后鄰近時間序列數(shù)據(jù)進一步確認，如果與前后鄰近時間序列的數(shù)據(jù)差異同向，即同時大于或同時小于前序和后序時刻數(shù)據(jù)[39]，則確認為異常數(shù)據(jù)，予以剔除。針對由于設(shè)備供電不足、通訊中斷或設(shè)備離線等原因造成的短時、少量數(shù)據(jù)缺失，采用線性插值方法進行補充。清洗后地表日累計位移量和日降雨量數(shù)據(jù)如圖5和圖6所示。

圖5 09-GP01清洗后日累計位移量監(jiān)測數(shù)據(jù)

圖6 日降雨量數(shù)據(jù)

2.3 隸屬度函數(shù)和Mamdani模糊推理系統(tǒng)構(gòu)建

實驗涉及3日累計雨量、日位移量和二者組合后的危險性(簡稱“組合危險性”)3個變量，首先需構(gòu)建相應(yīng)隸屬度函數(shù)，然后按照組合規(guī)則矩陣進行Mamdani模糊推理及組合后的去模糊化，得到綜合預(yù)警得分和帶有置信度的綜合預(yù)警等級。其中，3個變量隸屬度函數(shù)均采用不同標(biāo)準(zhǔn)差的高斯隸屬度函數(shù)曲線組合表示，并劃分為極低、低、中、高、極高5個等級(表1)，每條曲線表征某劃分等級的隸屬度變化，通過3個分段點進行組合控制。其中，3日累計雨量分段點的設(shè)置主要基于歷史災(zāi)險情事件和對應(yīng)降雨數(shù)據(jù)的歷史經(jīng)驗綜合得出，日位移量對應(yīng)分段點的設(shè)置主要依據(jù)監(jiān)測數(shù)據(jù)的分布特征，組合危險性分段點的設(shè)置具有均分屬性。

表1 預(yù)警等級劃分及高斯函數(shù)分段點

2.4 綜合預(yù)警規(guī)則進化與分析

采用降雨和地表位移綜合預(yù)警時，由于降雨和地表位移均被劃分成5個等級，組合時可產(chǎn)生包含125種規(guī)則的規(guī)則庫。為便于預(yù)警計算，對預(yù)警等級進行編碼，極低、低、中、高、極高依次對應(yīng)編碼0、1、2、3、4。實驗中首先對純數(shù)據(jù)驅(qū)動的組合預(yù)警規(guī)則進行進化，定義初始種群大小為50，進化代數(shù)為500，變異概率為0.001，通過選擇、交叉、變異等計算后，得到進化后的最優(yōu)規(guī)則矩陣(表2)。最優(yōu)矩陣對應(yīng)的適應(yīng)度值為0.008，根據(jù)適應(yīng)度函數(shù)設(shè)計的含義，最優(yōu)組合預(yù)警規(guī)則預(yù)警準(zhǔn)確度約為91%，效果較好。但預(yù)警規(guī)則矩陣中出現(xiàn)多處降雨預(yù)警等級升高或地表位移預(yù)警等級升高時綜合預(yù)警等級反而降低的結(jié)果，這有悖于對滑坡形變的已有認知，因此，純數(shù)據(jù)和模型驅(qū)動的綜合預(yù)警決策結(jié)果不盡合理。

表2 最優(yōu)組合預(yù)警規(guī)則矩陣

對此，本文在進化綜合預(yù)警規(guī)則時，考慮融入領(lǐng)域知識約束，即在遺傳算法迭代過程中將專家經(jīng)驗以約束形式添加至搜索系統(tǒng)中，領(lǐng)域知識約束符合預(yù)警工作實際情況，在提升迭代計算效率的同時，還可增加綜合預(yù)警結(jié)果的合理性。具體約束規(guī)則為：當(dāng)降雨量或位移量增加時，預(yù)警等級不得降低，進而得到最優(yōu)規(guī)則矩陣(表3)，可以看出：1)當(dāng)?shù)乇砦灰频燃壿^低時，雖然降雨等級在持續(xù)增加，但綜合預(yù)警等級并未增加，可能由于滑坡體在變形初期對降雨響應(yīng)不敏感；2)當(dāng)?shù)乇砦灰祁A(yù)警等級較高時，隨著降雨等級的持續(xù)增加，綜合預(yù)警等級快速增加，原因可能是滑坡體在較快變形階段對降雨響應(yīng)更敏感；3)當(dāng)降雨等級極低時，隨著地表位移等級持續(xù)升高，綜合預(yù)警等級緩慢增加，原因可能是一定的降雨量才能觸發(fā)滑坡的快速變形，極少降雨或無雨與滑坡快速變形的關(guān)聯(lián)性較弱。

表3 融合領(lǐng)域知識約束的最優(yōu)組合預(yù)警規(guī)則矩陣

融合領(lǐng)域知識的最優(yōu)綜合預(yù)警規(guī)則矩陣對應(yīng)的適應(yīng)度函數(shù)值為0.023，根據(jù)適應(yīng)度函數(shù)的定義，最優(yōu)綜合預(yù)警規(guī)則預(yù)警準(zhǔn)確度約為85%，略低于純數(shù)據(jù)驅(qū)動下的綜合預(yù)警結(jié)果，原因可能是純數(shù)據(jù)驅(qū)動條件下數(shù)據(jù)樣本有限，模型容易過擬合。

基于進化后的最優(yōu)規(guī)則，針對地表位移和降雨監(jiān)測數(shù)據(jù)，可以自動獲得對應(yīng)的綜合預(yù)警等級、預(yù)警得分和置信度。如2020年8月20日地表位移日變化量為77 mm，3日累計雨量為99.84 mm，二者組合后的危險性預(yù)警得分為92.77，危險預(yù)警屬于極高等級的置信度為62.4%，屬于高等級的置信度為11.9%(圖7)。2020年8月21日和22日地表位移日變化量分別為66 mm和100 mm，說明8月20日發(fā)出綜合預(yù)警等級為極高等級是合理的。實踐中，隨著監(jiān)測數(shù)據(jù)持續(xù)增加，模型可獲得更多進化樣本，最優(yōu)綜合預(yù)警規(guī)則可通過自學(xué)習(xí)機制實現(xiàn)持續(xù)優(yōu)化。

圖7 地表位移和降雨綜合預(yù)警示例

3 結(jié)論與討論

本研究針對滑坡災(zāi)害復(fù)雜性和不確定性[40]，提出一種集成模糊推理系統(tǒng)和尋優(yōu)算法的降雨—變形綜合預(yù)警智能決策方法。該方法利用滑坡的運動過程及邊界條件的模糊屬性，在一定程度上模擬人的模糊推理和決策過程，同時在智能尋優(yōu)過程中融入領(lǐng)域知識約束，通過自學(xué)習(xí)機制實現(xiàn)綜合預(yù)警規(guī)則的智能優(yōu)化；相比單純基于雨量的預(yù)警方法，該方法在顧及滑坡時空變形規(guī)律和共性演化特征的同時，充分利用滑坡單體個性形變特征，可為滑坡單體預(yù)警建模提供更多的信息輸入，從而提升相關(guān)滑坡單體預(yù)警決策的針對性和有效性。

基于甘肅武都瀉流坡滑坡的實驗結(jié)果表明，相比純數(shù)據(jù)驅(qū)動下的綜合預(yù)警結(jié)果，融合領(lǐng)域知識約束的綜合預(yù)警規(guī)則更合理。當(dāng)?shù)乇砦灰祁A(yù)警等級較低時，綜合預(yù)警等級受降雨等級增加的影響較??；當(dāng)?shù)乇砦灰祁A(yù)警等級較高時，綜合預(yù)警等級受降雨等級增加的影響較大。因為只有當(dāng)滑坡體處于較快變形階段時，變形才對降雨響應(yīng)更敏感；當(dāng)降雨等級極低或降雨量極少時，隨著地表位移等級持續(xù)升高，綜合預(yù)警等級增加緩慢，可能是由于降雨型滑坡變形對極小雨量不敏感。本研究提出的綜合預(yù)警規(guī)則生成方法輸出的綜合預(yù)警得分、預(yù)警等級和置信度，可為降雨型滑坡預(yù)警提供決策支撐，還可以隨著監(jiān)測數(shù)據(jù)的不斷積累實現(xiàn)自動演進優(yōu)化。

本研究僅基于單一坡體開展建模和驗證工作，研究中涉及的相關(guān)技術(shù)方法和結(jié)論尚需選擇更多坡體進行長時間的實證，才能進一步評判其合理性和普適性。