基于BP神經(jīng)網(wǎng)絡湖南益陽市滑坡敏感性分析

黃小龍　熊遠紅　李紅零

摘 要：益陽市是湖南省地質災害易發(fā)區(qū)之一，其中滑坡地質災害占比74.1%?；碌拿舾行苑治鐾ǔ２捎脤＜抑R評價、編錄數(shù)據(jù)評價、滑坡過程物理評價等方法，其評價結果受評價人員水平的影響或評價過程復雜，適用性有限。基于BP神經(jīng)網(wǎng)絡算法，將益陽市338處滑坡以及1∶10 000地質災害詳查得到的307處未滑坡的斜坡調查數(shù)據(jù)，提取到1個數(shù)據(jù)庫中，利用BP神經(jīng)網(wǎng)絡方法，經(jīng)過信號正向傳播和反向傳播的誤差逐步修正，研究益陽市滑坡的敏感性影響因子。結果表明，計算模型和滑坡影響因子的重要性從高到低依次為斜坡類型、坡度、坡高、坡頂高程、地層巖性、斜坡結構類型，為滑坡野外識別和防治提供了數(shù)據(jù)支撐。通過實例分析驗證了計算模型的正確性，該計算模型可應用于大批量斜坡穩(wěn)定性分析。

關鍵詞：BP神經(jīng)網(wǎng)絡；滑坡；敏感性；影響因子；穩(wěn)定性預測

Sensitivity analysis of landslide based on BP neural network in Yiyang City， Hunan Province

HUANG Xiaolong， XIONG Yuanhong， LI Hongling

（Urban Geological Survey and Monitoring Institute of Hunan， Changsha 410000， Hunan， China）

Abstract： Yiyang City is one of the areas prone to geological disasters in Hunan Province with landslide disasters accounting for 74.1%. The sensitivity analysis of landslide is usually carried out by means of expert knowledge evaluation， compilation data evaluation and physical evaluation of landslide processes. The evaluation results of the above methods are affected by the evaluation personnel quality， and the complicated evaluation process， and hence with limited applicability. Based on BP neural network algorithm， a database was set up with inputs from 338 landslides and 307 non-landslide slopes obtained from 1∶10 000 geological disaster survey in Yiyang City. Studies of the influence factors of landslide sensitivity were carried out on those data by BP neural network method and gradually corrected by errors of signal forward and reverse propagation. The results show that the importance of calculation model and landslide sensitive factors from high to low is slope type， slope， slope height， slope top elevation， stratigraphic lithology， and slope structure type， which provides data support for landslide field identification and prevention. The calculation model is verified by an example analysis， and the results are proved to be accurate. This calculation model can be applied to a large number of slope stability analysis.

Keywords： BP neural network; landslide; sensitivity; influence factor; stability prediction

滑坡是地質災害中發(fā)生頻率最高的災害之一，大部分專家學者對滑坡的敏感性采用經(jīng)驗法、編錄法以及物理力學分析法進行分析，得到了許多研究成果（王娜，2019）。益陽市是湖南省內滑坡高發(fā)的區(qū)域之一，累計造成直接經(jīng)濟損失1.37億元，潛在經(jīng)濟損失1.59億元，嚴重威脅著人民的生命財產(chǎn)安全。

在多種滑坡敏感性分析方法中，基于專家知識的評價方法運用較廣，但評價結果受專家影響較大；基于編錄數(shù)據(jù)的評價方法受資料完整程度的影響，如缺乏資料，評價結果受到極大影響；基于滑坡物理力學的評價方法需要勘查、測繪等工作提供數(shù)據(jù)，耗時長、成本大；基于數(shù)學模型的分析方法屬于定量方法（段宇英等，2022），結果直觀，受調查人員素質影響小。BP神經(jīng)網(wǎng)絡理論上已經(jīng)證明它具有實現(xiàn)任何復雜非線性映射功能，特別適合求解內部機制復雜的問題，滑坡的形成機制復雜，影響因子多，BP神經(jīng)網(wǎng)絡能夠完美適配分析（胡軍等，2016），BP神經(jīng)網(wǎng)絡在其局部的或者部分的神經(jīng)元受到破壞后對全局的訓練結果不會造成很大的影響，即BP神經(jīng)網(wǎng)絡具有一定的容錯能力，即使調查人員判識錯誤也對預測結果沒有影響，許多學者運用其進行邊坡穩(wěn)定性分析（臧焜巖等，2019；張曉宸等，2022）。

BP神經(jīng)網(wǎng)絡在訓練時，能夠通過模型訓練總結輸入、輸出數(shù)據(jù)間的“合理規(guī)則”，并自適應地將學習內容記憶于網(wǎng)絡的權值中，因此可以通過學習得到滑坡影響因子的權值。但大部分研究對于影響因子的選擇主要是基于GIS選取，而每個滑坡都有不同的形態(tài)、物質組成，不同滑坡的影響因子不同，各影響因子對于滑坡穩(wěn)定性影響程度也不一樣。本文依據(jù)益陽市滑坡詳細調查數(shù)據(jù)、1∶10 000地質災害詳查斜坡數(shù)據(jù)，重新確定滑坡的影響因子，采用BP神經(jīng)網(wǎng)絡對影響因子進行評價，通過已有數(shù)據(jù)的BP網(wǎng)絡訓練，研究影響因子的重要性，形成計算模型，以測試樣本檢驗計算模型的準確性。

1? 概述

1.1? 研究區(qū)概況

益陽市位于湘中偏北，系由雪峰山余脈和湘中丘陵向洞庭湖平原過渡的傾斜地帶。益陽市地形西高東低，呈狹長狀。益陽市土地總面積12 144 km2，其中山地占39.71%，丘陵占10.05%。地貌上由南至北呈梯級傾斜，南半部是丘陵山區(qū)，屬雪峰山余脈；北半部為洞庭湖淤積平原。

西部山區(qū)多年平均降雨量大于東北湖區(qū)，益陽站多年平均降雨量1 493.01 mm，最大年降雨量2 163.6 mm（1998年），最小964.8 mm（1989年），日最大降雨量312.5 mm（2022年6月5日），降雨季節(jié)性明顯，春夏兩季，降雨量占年總降雨量的64.9%，其中3—6月占全年降雨量50%。

該區(qū)大地構造位置處于楊子陸塊與華夏陸塊的俯沖碰撞閉合帶，構造形跡十分復雜，可劃分為東西向構造、華夏系構造、新華夏系構造、帚狀構造和北西向構造等5種構造體系，其中東西向構造最為發(fā)育，新華夏系構造次之。地層較發(fā)育，除中生界大部缺失，其余均有出露。地層巖性主要為礫石層和黏土、粉砂土、砂巖、灰?guī)r、泥巖、頁巖、板巖、玄武巖等。區(qū)內切坡建房、切坡修路力度較大，在開挖山體、季節(jié)性降雨等條件誘發(fā)下，滑坡等地質災害頻發(fā)。

1.2? 數(shù)據(jù)處理

基于湖南省地質災害防治綜合系統(tǒng)中益陽市滑坡地質災害調查表，以及1∶10 000地質災害調查項目中安化縣、桃江縣、赫山區(qū)所調查的斜坡孕災條件調查表，建立研究區(qū)滑坡地質災害數(shù)據(jù)庫，其中地質災害調查表作為滑坡數(shù)據(jù)庫，共計338條，斜坡孕災條件調查表作為未滑坡數(shù)據(jù)庫，共選取307條。數(shù)據(jù)庫處理過程：①建立益陽市滑坡隱患統(tǒng)計Excel表；②選取地層巖性、坡度、坡頂高程、坡高、斜坡類型、斜坡結構類型作為影響因子，根據(jù)地災點滑坡野外調查表將影響因子數(shù)據(jù)逐一錄入，隨機選取1∶10 000地質災害詳查項目中斜坡孕災條件調查表將信息錄入；③原始數(shù)據(jù)重分類，將影響因子中不同單位、不同屬性的數(shù)據(jù)重分類為簡單數(shù)值，分類標準見表1，其中各類影響因子第二列為重分類值。

綜合以往地質災害調查資料，本次共選取338條滑坡信息，同時借助1∶10 000調查項目選取307條未滑坡的斜坡孕災條件信息，本次研究共計645條信息。根據(jù)益陽市滑坡的特性，本次研究僅選取地層巖性、坡度、坡頂高程、坡高、斜坡類型、斜坡結構類型作為影響因子進行建模分析。

2? 研究方法

2.1? 建模思路

BP（back propagation）網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜木哂须[含層的多層前饋網(wǎng)絡。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程（李國勇等，2013）。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。

BP網(wǎng)絡包含正、反向傳播兩個學習過程（柳青等，2019）。正向傳播時，輸入樣本從輸入層傳入，在給定的權值下，經(jīng)各隱層逐層處理后，傳向輸出層；若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段，通過不斷修改多層神經(jīng)網(wǎng)絡權值使網(wǎng)絡的誤差平方和最小。

如圖1所示，A1，A2，…，AM為神經(jīng)網(wǎng)絡輸入層，x1，x2，…，xN為輸入層經(jīng)隱藏層的輸出結果，隱藏層為N個神經(jīng)元，z1，z2，…，zL為神經(jīng)網(wǎng)絡的輸出層，其結果受權值wij影響。輸出層經(jīng)Softmax函數(shù)（李云飛等，2021）換算得到預測概率分布si，Softmax函數(shù)的公式為

在預測模型中，評估神經(jīng)網(wǎng)絡預測結果的工具叫損失函數(shù)。選擇交叉熵作為損失函數(shù)，交叉熵代表著預測概率分布與真實概率分布之間的差異，所以差異越小越好，當差異為0時，預測值和真實值完全吻合。神經(jīng)網(wǎng)絡會根據(jù)這個原則，不斷調整網(wǎng)絡中的權重參數(shù)，使得計算出的交叉熵慢慢趨向于0。令真實值為yi，

綜上所述，整個BP神經(jīng)網(wǎng)絡的流程為（馮夏庭等，1995）：輸入?yún)?shù)-經(jīng)隱藏層輸出-Softmax函數(shù)進行分類-損失函數(shù)評估誤差-修正權重值-重新計算，如此往復，直到在輸出層神經(jīng)元上得到所需的期望輸出值為止（林國平，2021；王蒙等，2019）。

2.2? 邊坡數(shù)據(jù)處理與預測

2.2.1? 樣本的選取與數(shù)據(jù)庫建設

如1.2節(jié)所述，滑坡數(shù)據(jù)以及斜坡數(shù)據(jù)分別來源于湖南省地質災害防治綜合系統(tǒng)中益陽市地質災害調查表和1∶10 000地質災害詳查項目（黎璽克，2020），通過錄入數(shù)據(jù)庫并進行原始數(shù)據(jù)重分類后方可進行模型構建，整個數(shù)據(jù)分為2部分，其中434條數(shù)據(jù)作為訓練樣本（柏俊磊，2020），用以進行機器算法學習，211條數(shù)據(jù)作為測試樣本，用以檢驗機器算法的準確性。

完成數(shù)據(jù)庫建設以及訓練樣本和測試樣本的選取后，將滑坡事件發(fā)生定義為1，未發(fā)生滑坡定義為0。最終得到數(shù)據(jù)庫樣本（表2）。

2.2.2? BP神經(jīng)網(wǎng)絡模型測試結果

利用BP神經(jīng)網(wǎng)絡進行算法學習，以訓練樣本作為數(shù)據(jù)進行試驗，得到計算模型，并通過測試樣本驗證其可靠性。

通過表3可知，訓練樣本準確率高達99.1%，試驗樣本準確率高達98.6%，模型具備可靠性。

ROC曲線（陳衛(wèi)中等，2005）以被試者在不同判斷標準下所得的虛報概率FPR（y /N，1-特異性）為橫坐標，以擊中概率TPR（y /SN，敏感性）為縱坐標，畫得的各點的連線，如圖2所示。圖中黑色對角線表示FPR=TPR，ROC曲線離這條線越遠，表示被試者的辨別力越強。AUC值為ROC曲線覆蓋區(qū)域下的面積，面積越大，分類效果越好（李俊杰，2021）。本次訓練結果覆蓋區(qū)域為0.997，訓練模型具有優(yōu)良的預測精度。

3? 滑坡影響因子敏感性評價

通過前人大量研究可以知道，滑坡的形成主要取決于地形地貌條件、地質條件和斜坡自身受力條件（賀倩等，2022；韓繼沖等，2021；陳銀，2018）。本次研究結合益陽市滑坡實際情況，選取地層巖性、坡度、坡頂高程、坡高、斜坡類型、斜坡結構類型作為影響因子。

通過計算模型分析可得到影響因子的重要性參數(shù)（表4）。其中：斜坡類型正態(tài)化重要性為100%，即斜坡的物質組成在斜坡穩(wěn)定性影響因子中最為重要，組成物質的穩(wěn)定性、力學參數(shù)對于邊坡的穩(wěn)定性起決定性作用，坡面注漿、錨桿加固、截排水等治理措施均是用改變斜坡組成物質的力學性能來提高斜坡穩(wěn)定性；坡度、坡高重要性位居第2、第3，可以理解為斜坡的外部形態(tài)對于穩(wěn)定性影響僅次于斜坡物質組成，往往對邊坡進行治理所采用的削坡卸載、分級放坡都是用改變斜坡外部形態(tài)來提高斜坡穩(wěn)定性；地層巖性、斜坡結構類型在上述6個影響因子的重要性中排名靠后，地層巖性以及巖層產(chǎn)狀均與下伏基巖直接相關，而湖南省滑坡地質災害大多數(shù)為小型、淺表層滑動，往往滑動面位于上部覆蓋層或巖土交界面，故敏感性稍弱，但由于下伏基巖對上覆土層的性質起到至關重要的作用，而巖層產(chǎn)狀則可影響滑動面形態(tài)、主滑方向等，故作為滑坡影響因子仍然不可忽略。

4? 滑坡穩(wěn)定性預測

4.1? 穩(wěn)定性預測方法

模型預測過程首先需按照建模過程生成所需預測斜坡的數(shù)據(jù)庫（賀可強等，2001），將數(shù)據(jù)庫導入到SPSS軟件，并加載建模過程生成的計算模型，開始進行預測，并最終生成預測結果。

4.2? 預測實例

在益陽市隨機選取5個滑坡以及在1：10 000調查中隨機抽取5個斜坡單元建立預測實例數(shù)據(jù)庫，數(shù)據(jù)庫整理后如表5所示。

運用4.1節(jié)所闡述的方法進行驗證，得到預測結果（表6），其中預測值準確率100%，置信度均處于很高水平，可認為該模型適用于滑坡穩(wěn)定性預測。

5? 結論與展望

5.1? 結論

選取研究區(qū)內338條滑坡數(shù)據(jù)以及307條未滑坡的斜坡數(shù)據(jù)作為研究對象并建立數(shù)據(jù)庫，運用BP神經(jīng)網(wǎng)絡算法，在數(shù)據(jù)庫中隨機選取434條數(shù)據(jù)進行機器算法訓練，剩余211條數(shù)據(jù)作為測試樣本用以檢驗計算模型的準確性。結果表明，訓練樣本預測準確率99.1%，測試樣本準確率98.6%，準確率能夠滿足需要。

通過建模分析6個敏感因子的正態(tài)化重要性，斜坡類型即斜坡物質組成重要性占比最高，坡度、坡高等斜坡外部形態(tài)重要性占比僅次于斜坡類型，地層巖性、斜坡結構類型在6個影響因子中重要性最低，但重要性占比仍然大于40%，說明所選取的6個敏感因子對斜坡穩(wěn)定性都起到至關重要的作用。重要性占比的高低，能夠說明各因子對斜坡穩(wěn)定性影響力大小是以不同方式對斜坡穩(wěn)定產(chǎn)生影響的。

預測實例與實際情況吻合，說明計算模型適用于益陽市斜坡穩(wěn)定性預測，簡化了穩(wěn)定性評價過程，特別適用于大批量的斜坡穩(wěn)定性分析，在高精度地質災害調查工作中發(fā)揮較大作用。

5.2? 展望

本次研究主要依托于益陽市滑坡和斜坡的調查數(shù)據(jù)，樣本偏少，但能夠反映出益陽市斜坡穩(wěn)定性影響因子的重要性，也能夠準確預測斜坡的穩(wěn)定性。在條件允許的情況下，通過收集大量的數(shù)據(jù)，能夠提取到更多的影響因子，同時能夠更加細分單一影響因子的重分類數(shù)據(jù)，進而提高模型預測精度，擴大研究區(qū)范圍，對滑坡地質災害易發(fā)性分區(qū)提供依據(jù)。

參考文獻

柏俊磊，2020.基于BP神經(jīng)網(wǎng)絡的巖體力學參數(shù)反演及邊坡整體穩(wěn)定分析［J］.西北水電（6）：61-67.

陳衛(wèi)中，倪宗瓚，潘曉平，劉元元，夏彥，2005.用ROC曲線確定最佳臨界點和可疑值范圍［J］.現(xiàn)代預防醫(yī)學（7）：729-731.

陳銀，2018.融入PSInSAR的318國道拉薩段滑坡敏感性評價［D］.成都：西南交通大學.

段宇英，湯軍，劉遠剛，高賢君，段宇雄，2022.基于隨機森林的山西省柳林縣黃土滑坡空間敏感性評價［J］.地理科學，42（2）：343-351.

馮夏庭，王泳嘉，盧世宗，1995.邊坡穩(wěn)定性的神經(jīng)網(wǎng)絡估計［J］.工程地質學報，3（4）：54-61.

韓繼沖，張朝，曹娟，2021.基于邏輯回歸的地震滑坡易發(fā)性評價：以汶川地震、魯?shù)榈卣馂槔跩］.災害學，36（2）：193-199.

賀可強，雷建和，2001.邊坡穩(wěn)定性的神經(jīng)網(wǎng)絡預測研究［J］.地質與勘探，37（6）：72-75.

賀倩，汪明，劉凱，2022.基于Logistic回歸和MCMC方法評價地震滑坡敏感性［J］.水土保持研究，29（3）：396-403.

胡軍，董建華，王凱凱，黃貴臣，2016.邊坡穩(wěn)定性的CPSO-BP模型研究［J］.巖土力學，37（S1）：577-582.

黎璽克，2020.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的巖質邊坡穩(wěn)定性預測［J］.河北工業(yè)科技，37（3）：164-169.

李國勇，楊麗娟，2013.神經(jīng)·模糊·預測控制及其MATLAB實現(xiàn)［M］.3版.北京：電子工業(yè)出版社.

李俊杰，2021.達州市降雨誘發(fā)滑坡災害預警［D］.綿陽：西南科技大學.

李云飛，許才順，池招招，張飛，2021.基于Softmax回歸模型的地震災害損失預測評估研究［J］.合肥工業(yè)大學學報（自然科學版），44（12）：1676-1681.

林國平，2021.BP神經(jīng)網(wǎng)絡算法預測路基邊坡滑坡變形的應用研究［J］.路基工程（4）：99-103.

柳青，易武，2019.基于誘發(fā)因素響應與BP神經(jīng)網(wǎng)絡的滑坡位移預測預報［J］.三峽大學學報（自然科學版），41（3）：41-45.

王蒙，王斌，王飛，2019.基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡的尾礦庫邊坡穩(wěn)定性預測［J］.赤峰學院學報（自然科學版），35（11）：113-115.

王娜，2019.巴州區(qū)降雨型滑坡預警研究［D］.成都：電子科技大學.

臧焜巖，李梅紅，2019.基于GA-BP模型的露天礦邊坡穩(wěn)定性預測［J］.中國礦業(yè)，28（6）：144-148.

張曉宸，陳學軍，宋宇，馬佩鑫，2022.粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡在邊坡穩(wěn)定性中的應用［J］.礦業(yè)研究與開發(fā)，42（1）：71-76.

收稿日期：2023-05-11；修回日期：2023-07-03

第一作者簡介：黃小龍（1990- ），男，碩士，高級工程師，主要從事地質災害調查、防治等工作。E-mail：283854103@qq.com

引用格式：黃小龍，熊遠紅，李紅零，2023.基于BP神經(jīng)網(wǎng)絡湖南益陽市滑坡敏感性分析［J］.城市地質，18（4）：8-14