• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      低山丘陵區(qū)公路地質(zhì)災(zāi)害氣象預(yù)報(bào)模型對比及應(yīng)用
      ——以江西山區(qū)公路為例

      2024-01-18 03:29:22李三角謝克勇
      關(guān)鍵詞:雨量江西省降雨

      周 雨,肖 雯,李三角,謝克勇

      (江西省氣象服務(wù)中心,江西 南昌 330096)

      0 引言

      江西省三面環(huán)山,中部丘陵起伏,亞熱帶季風(fēng)氣候和復(fù)雜的山區(qū)地形導(dǎo)致境內(nèi)交通生態(tài)環(huán)境極其脆弱,公路地質(zhì)災(zāi)害頻繁發(fā)生。據(jù)統(tǒng)計(jì),僅2020年全省公路滑坡、泥石流、塌方等地質(zhì)災(zāi)害發(fā)生數(shù)量300 余起,其中有90%以上由強(qiáng)降水引起,對沿線交通設(shè)施、人民群眾的生命安全構(gòu)成嚴(yán)重威脅[1]。因此,加強(qiáng)山區(qū)公路地質(zhì)災(zāi)害預(yù)報(bào)和防治工作具有重要意義。

      地質(zhì)災(zāi)害氣象預(yù)報(bào)是一種基于氣象條件與地質(zhì)災(zāi)害時(shí)空關(guān)系特征,研究地質(zhì)災(zāi)害發(fā)生可能性的方法,其核心是地質(zhì)災(zāi)害氣象預(yù)報(bào)模型研究。傳統(tǒng)的關(guān)于地質(zhì)災(zāi)害預(yù)報(bào)模型研究歸納起來可分為統(tǒng)計(jì)模型和動力模型兩大類[2]。最初,在獲取足夠多且具有統(tǒng)計(jì)意義的地質(zhì)災(zāi)害隱患點(diǎn)的基礎(chǔ)上,劉傳正等[3]、白利平等[4]、湯人杰等[5]、呂小波等[6]利用計(jì)模型計(jì)算誘發(fā)地質(zhì)災(zāi)害的臨界雨量閾值。此后,劉傳正等[7]、狄靖月等[8]、張海磊等[9]將氣象風(fēng)險(xiǎn)的理念應(yīng)用到地質(zhì)災(zāi)害預(yù)報(bào)領(lǐng)域,將地質(zhì)環(huán)境條件做為承災(zāi)體的脆弱性納入預(yù)報(bào)模型中,取得了較好的效果。統(tǒng)計(jì)模型主要依靠臨界雨量的分析,其優(yōu)點(diǎn)是數(shù)據(jù)讀取快速、用戶使用便捷,但是并未考慮降水入滲與產(chǎn)匯流等水文過程的影響。動力模型正好彌補(bǔ)了上述不足,劉艷輝等[10]通過分析降雨-滲流-災(zāi)害發(fā)生的機(jī)理過程,耦合水文地質(zhì)模型與斜坡穩(wěn)定性力學(xué)模型;ZHANG 等[11]、包紅軍等[12]、PAN 等[13]綜合分析了地表降水和入滲徑流造成土體邊坡失穩(wěn)條件引發(fā)地質(zhì)災(zāi)害的機(jī)理過程。由于模型及參數(shù)的不確定因素,動力模型應(yīng)用尚處于實(shí)驗(yàn)室或小范圍研究階段。

      近年來,隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展,基于人工智能的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法在地質(zhì)災(zāi)害預(yù)報(bào)領(lǐng)域得到了廣泛應(yīng)用,KAIN 等[14]、劉艷輝等[10]、包紅軍等[15]、黃發(fā)明等[16]、孫德亮[17]、黃露[18]、劉福臻等[19]、董力豪等[20]的文章應(yīng)用了邏輯回歸、隨機(jī)森林、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等。本文以江西省高速公路為例,利用國家氣象站觀測雨量數(shù)據(jù)、江西省高速公路沿線交通氣象站觀測數(shù)據(jù)和地質(zhì)災(zāi)害災(zāi)情數(shù)據(jù),分析高速公路沿線地質(zhì)環(huán)境條件和雨量特征。進(jìn)一步基于支持向量機(jī)SVM、邏輯回歸、K 近鄰和隨機(jī)森林4 種機(jī)器學(xué)習(xí)方法,開展公路地質(zhì)災(zāi)害預(yù)報(bào)氣象風(fēng)險(xiǎn)預(yù)報(bào)研究,以期為山區(qū)高速公路地質(zhì)災(zāi)害預(yù)報(bào)提供科學(xué)參考。

      1 研究區(qū)概況

      江西地處亞熱帶季風(fēng)氣候區(qū),雨量充沛,短時(shí)大暴雨或連續(xù)性降雨使得公路地質(zhì)災(zāi)害時(shí)有發(fā)生。由江西省交通廳應(yīng)急指揮中心發(fā)布的道路管制數(shù)據(jù)分析可知,僅2020年全省發(fā)生公路滑坡、泥石流、塌方等地質(zhì)災(zāi)害300 余起,其中90%以上由強(qiáng)降水引起,導(dǎo)致道路遭到不同程度損毀,交通運(yùn)行安全受到極大的影響。本研究選取江西省內(nèi)主要高速公路為研究對象,所屬區(qū)域東、西、南三面環(huán)山,中間丘陵起伏,北部為鄱陽湖及平原。如圖1 所示,江西高速公路沿線高差大多在50 m以上,地勢變化顯著,坡度平陡不一,河網(wǎng)密集,植被覆蓋差異顯著,復(fù)雜的地形地貌和降水差異使得江西高速公路各路段呈現(xiàn)明顯的小氣候特征。江西省主要高速公路概況如表1 所示。

      表1 江西省主干高速公路概況Table 1 Overview of main highways in Jiangxi Province

      圖1 江西省高速公路沿線情況Fig.1 Distribution of along highways in Jiangxi Province

      2 材料與方法

      2.1 數(shù)據(jù)來源和質(zhì)量控制

      研究所用的公路地質(zhì)災(zāi)害數(shù)據(jù)由江西省交通運(yùn)輸廳應(yīng)急指揮中心提供,時(shí)段為2015—2020年,包括災(zāi)害時(shí)間、類別、接報(bào)時(shí)間、阻斷位置、通行情況等,并對災(zāi)害記錄進(jìn)行逐條梳理,保留與降雨相關(guān)的災(zāi)害記錄。同期氣象觀測站點(diǎn)雨量數(shù)據(jù)源于江西省氣象信息中心,為彌補(bǔ)道路沿線雨量數(shù)據(jù)不足帶來的分析困難,基于ArcGIS 空間插值功能得到道路沿線地質(zhì)災(zāi)害點(diǎn)雨量??紤]到氣象觀測站點(diǎn)與高速公路有一定距離,可能造成空間插值出現(xiàn)偏差,因此在插值時(shí)選取空間匹配站點(diǎn)最大距離不超過3 km,最近為500 m,插值結(jié)果驗(yàn)證時(shí),檢測剔除訂正異常值,保證時(shí)空要素的一致性,同時(shí)泰和-井岡山高速公路沿線雨量還對比了沿線交通氣象觀測站點(diǎn)雨量,效果理想?;A(chǔ)地理信息DEM 高程數(shù)據(jù)來源于國際科學(xué)數(shù)據(jù)鏡像網(wǎng)站SRTM 地形數(shù)據(jù)(http://www.gscloud.cn),空間分辨率為90 m×90 m。植被指數(shù)數(shù)據(jù)來源于中國科學(xué)院地理科學(xué)與資源研究所(https://www.resdc.cn/Default.aspx),空間分辨率為1 km。

      2.2 機(jī)器學(xué)習(xí)方法介紹

      地質(zhì)災(zāi)害預(yù)報(bào)預(yù)警最終要預(yù)報(bào)的只是“發(fā)生地質(zhì)災(zāi)害”或“不發(fā)生地質(zhì)災(zāi)害”,這實(shí)質(zhì)上是一種分類或回歸預(yù)測問題,常用的解決該類問題的機(jī)器學(xué)習(xí)方法有SVM、K 近鄰、邏輯回歸、隨機(jī)森林等。

      SVM 方法是一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論求解凸二次規(guī)劃的最優(yōu)化算法,可高效處理小樣本、非線性的分類和回歸問題[21],因而在圖像分析[22]、要素預(yù)測和數(shù)據(jù)挖掘[23]等領(lǐng)域取得了較好的實(shí)踐效果。本次訓(xùn)練中,考慮到地質(zhì)災(zāi)害樣本的非線性特征,以降雨影響因子為輸入向量,將輸入向量映射投影到更高維的空間中,并在這個高維空間中尋找輸入變量和輸出變量的線性關(guān)系進(jìn)而做出預(yù)報(bào)。映射函數(shù)的選擇是模型結(jié)果好壞的關(guān)鍵,多次對比試驗(yàn)后選取高斯函數(shù)為映射函數(shù),見式(1)。SVM 方法雖然分類思想簡便,但是對機(jī)理過程解釋不佳。

      式中:σ——核光滑參數(shù),其值大小取決于樣本容量,通常采用交叉驗(yàn)證方法確定。

      邏輯回歸和 K 近鄰算法既可作為一種分類方法,也可以實(shí)現(xiàn)一個因變量與一組自變量之間的回歸分析,相較于SVM 方法更為靈活。使用邏輯回歸模型進(jìn)行地質(zhì)災(zāi)害概率預(yù)測時(shí),需選取相對獨(dú)立的因子。K 近鄰方法將降雨誘發(fā)因子做為樣本特征參數(shù),地質(zhì)災(zāi)害發(fā)生與否做為目標(biāo)向量,通過距離公式尋找距離目標(biāo)最近的k個點(diǎn)(即k個“近鄰”),而后通過這k個“近鄰”所提供的信息,對新樣本進(jìn)行預(yù)測,將出現(xiàn)最多次的預(yù)測類別或者目標(biāo)標(biāo)簽平均值作為預(yù)測結(jié)果的一種經(jīng)典的機(jī)器學(xué)習(xí)方法。K 近鄰方法穩(wěn)定度和準(zhǔn)確度高、對異常值不敏感,但與SVM 方法一樣對于機(jī)理釋用比較困難。隨機(jī)森林是一種有監(jiān)督的機(jī)器學(xué)習(xí)方法,該方法通過bootstrap 重抽樣技術(shù),從原始訓(xùn)練集中有放回地抽取多個樣本生成新的樣本集,由此構(gòu)建多個相對獨(dú)立的決策樹,最終綜合得到最優(yōu)分類結(jié)果。相較于前述3 種方法,隨機(jī)森林在樣本選取方面更具隨機(jī)性,且無須進(jìn)行預(yù)處理,泛化能力更優(yōu),能有效避免過擬合。

      本研究基于python 語言,構(gòu)建基于SVM、邏輯回歸、K 近鄰和隨機(jī)森林4 種機(jī)器學(xué)習(xí)模型,比較不同模型的預(yù)報(bào)效果,目的是研發(fā)精細(xì)化的山區(qū)高速公路氣象風(fēng)險(xiǎn)預(yù)報(bào)產(chǎn)品,更好地開展交通氣象保障服務(wù),為公眾正常出行和社會經(jīng)濟(jì)和諧發(fā)展保駕護(hù)航。

      2.3 模型構(gòu)建

      訓(xùn)練樣本集的構(gòu)建是基于人工智能學(xué)習(xí)研發(fā)地質(zhì)災(zāi)害預(yù)報(bào)模型的根本[15],一定程度上直接決定了模型預(yù)報(bào)的準(zhǔn)確度和泛化能力。研究表明,地質(zhì)災(zāi)害的發(fā)生發(fā)展是地質(zhì)環(huán)境和降雨條件共同作用的結(jié)果,因此本研究模型訓(xùn)練樣本綜合考慮了兩方面的屬性,其中地質(zhì)環(huán)境條件做為易發(fā)性因子,包括地形、坡度、高程、河網(wǎng)密度、植被覆蓋5 個地質(zhì)環(huán)境特征項(xiàng);降雨條件做為危險(xiǎn)性因子,根據(jù)劉艷輝等[15]研究方法,綜合考慮小時(shí)雨量、前0—2 h 雨量、前0—11h 雨量、前0—2d 有效雨量、前10 d 有效雨量以及前15 d 有效雨量等6 個雨量特征項(xiàng)。利用2015—2020年江西境內(nèi)高速公路地質(zhì)災(zāi)害點(diǎn)地質(zhì)環(huán)境與同期雨量氣象數(shù)據(jù)構(gòu)進(jìn)行空間疊加分析構(gòu)建正樣本集,選取同等數(shù)目的上述同期未發(fā)生地質(zhì)災(zāi)害點(diǎn)構(gòu)建負(fù)樣本集。本次試驗(yàn)共收集716 樣本,按照7∶3 比例劃分樣本訓(xùn)練集和測試集,樣本構(gòu)建及訓(xùn)練流程如圖2 所示。

      圖2 基于機(jī)器學(xué)習(xí)方法的公路地質(zhì)災(zāi)害預(yù)報(bào)技術(shù)路線圖Fig.2 Road geological disaster prediction technology roadmap based on machine learning methods

      3 結(jié)果與討論

      3.1 地質(zhì)環(huán)境特征

      采用研究區(qū)的DEM 數(shù)據(jù),經(jīng)過ArcGIS 柵格表面分析、掩膜提取、自然斷點(diǎn)分級法等處理后,得到高速公路沿線地質(zhì)環(huán)境因子。分析可知,江西省主要高速公路沿線地形極為復(fù)雜,高速沿線海拔高度范圍為0~600 m,公路東北段和南段海拔高度普遍在200 m 以上,局部路段超過450 m;公路沿線坡度范圍為0°~35°,東北段20°~35°。坡向分布上,公路沿線坡向?yàn)?°~360°,不同地域間差異不顯著。公路附近的河網(wǎng)密度值為0.1~1.3km/km2之間,除鄱陽湖外,中部和東北部路段沿線河網(wǎng)密集。植被覆蓋上,歸一化植被指數(shù)指數(shù)值為0.2~0.7,環(huán)鄱陽湖路段植被覆蓋相對較低。進(jìn)一步將地質(zhì)環(huán)境因子關(guān)聯(lián)到災(zāi)害點(diǎn),分析災(zāi)害點(diǎn)附近地質(zhì)特征可知:江西高速沿線地質(zhì)災(zāi)害隱患點(diǎn)海拔高度為300~450 m,占總數(shù)73%;災(zāi)害所處的坡度范圍為10°~50°,數(shù)量隨地形坡度增加呈現(xiàn)單峰型分布;這是因?yàn)槠露仍龃?,斜坡坡面附近?yīng)力增加,坡腳應(yīng)力集中,導(dǎo)致斜坡不穩(wěn)定繼而誘發(fā)地質(zhì)災(zāi)害。坡向分布上,地質(zhì)災(zāi)害點(diǎn)各個坡向在0°~360°均有發(fā)生。地質(zhì)災(zāi)害附近河網(wǎng)密度值為0.5~1.0,占災(zāi)害總數(shù)的70%,河網(wǎng)越密集,越容易誘發(fā)地質(zhì)災(zāi)害。高速沿線地質(zhì)災(zāi)害發(fā)生點(diǎn)植被指數(shù)歸一化植被指數(shù)值為0.3~0.6,表明有一定的植被覆蓋地區(qū)反而更容易發(fā)生地質(zhì)災(zāi)害。

      3.2 降雨特征

      統(tǒng)計(jì)結(jié)果表明,2015—2020年江西省公路地質(zhì)災(zāi)害次數(shù)呈逐年上升趨勢,其中崩塌、山體滑坡、泥石流、地面塌陷災(zāi)害占地質(zhì)災(zāi)害總數(shù)的88%。受強(qiáng)降雨影響,地表水迅速匯集沖刷坡腳或滲入坡體軟化巖土,重力作用使得位于公路邊坡上的巖土體突然脫離母體,從而堆積在公路路基上造成災(zāi)害。研究發(fā)現(xiàn),對地質(zhì)災(zāi)害有影響的降雨一般發(fā)生在地質(zhì)災(zāi)害前15 d 內(nèi)[24-25],且不同的降雨類型誘發(fā)的地質(zhì)災(zāi)害預(yù)報(bào)準(zhǔn)確度不同[26-27],因此本文在分析地質(zhì)災(zāi)害與降雨關(guān)系時(shí),綜合考慮了災(zāi)害發(fā)生前14 d 的總有效雨量和降雨持續(xù)時(shí)間2 個因子,進(jìn)一步建立合理的判別依據(jù),明確誘發(fā)地質(zhì)災(zāi)害的降雨特征。

      目前計(jì)算有效雨量普遍采用的是API 方法,計(jì)算有效雨量,計(jì)算公式如下:

      式中:RE——有效雨量,表示從災(zāi)害發(fā)生時(shí)次的當(dāng)天算起(災(zāi)害發(fā)生當(dāng)日=0,災(zāi)害發(fā)生前1 d,i=1,前2 d,i=2)的雨量;

      Ki——第i個遞減系數(shù);

      Ri——災(zāi)害發(fā)生當(dāng)日算起,前第i天降水量/mm。

      在對降雨誘發(fā)的358 例地質(zhì)災(zāi)害進(jìn)行分析時(shí),定義P為降雨量誘發(fā)公路地質(zhì)災(zāi)害的貢獻(xiàn)率,根據(jù)降雨持續(xù)時(shí)間長短,引入判別系數(shù)D和P對致災(zāi)降雨特征進(jìn)行分類,公式如下:

      由表2 計(jì)算得到D≈0.51 。根據(jù)式(3)(4),當(dāng)P0-2d=R0-2d/R0-14d≤D時(shí),認(rèn)為該次公路地質(zhì)災(zāi)害是由于長歷時(shí)降雨造成的;當(dāng)P0-2d=R0-2d/R0-14d>D時(shí),認(rèn)為該次公路地質(zhì)災(zāi)害是由于短期降雨造成的;當(dāng)R0-11h/R0-2d>0.8時(shí),則認(rèn)為該次公路地質(zhì)災(zāi)害是由于短時(shí)強(qiáng)降雨造成的。通過計(jì)算得到,誘發(fā)地質(zhì)災(zāi)害的降雨包括長歷時(shí)降雨、短期降雨和短時(shí)降雨3 種類型:其中長歷時(shí)降雨一般認(rèn)為地質(zhì)災(zāi)害發(fā)生當(dāng)日前有連續(xù)性降雨,累計(jì)雨量在50 mm 以上;短期降雨為地質(zhì)災(zāi)害發(fā)生當(dāng)日及前2 d有降雨,累計(jì)雨量在50 mm 以上;短時(shí)降雨為地質(zhì)災(zāi)害發(fā)生當(dāng)時(shí)及前11 時(shí)以內(nèi)降雨,累計(jì)雨量在30 mm 以上。當(dāng)?shù)刭|(zhì)災(zāi)害發(fā)生前有降雨,但是累計(jì)雨量達(dá)不到30 mm 以上的,暫不考慮是降雨誘發(fā)引起的地質(zhì)災(zāi)害;當(dāng)發(fā)生地質(zhì)災(zāi)害時(shí)滿足短時(shí)、短期或長歷時(shí)中兩種或兩種以上時(shí),優(yōu)先考慮是由長歷時(shí)降雨引起,其次是短期或短時(shí)降雨。圖3 給出了各類降雨引發(fā)的地質(zhì)災(zāi)害分布,分析可知358 條公路地質(zhì)災(zāi)害記錄中,193 次公路地質(zhì)災(zāi)害是由于長歷時(shí)降雨造成的,主要分布在大廣高速、昌九高速、滬昆高速萍鄉(xiāng)至新余段;143 次公路地質(zhì)災(zāi)害是由于短期降雨造成的,主要分布在G45 大廣高速武寧-上高段和吉安-南康段、寧定高速、G76 廈蓉高速;僅6%是由短時(shí)降雨造成的,主要分布在G56杭瑞高速、G60 滬昆高速萍鄉(xiāng)-新余段。總體而言,江西主要高速公路地質(zhì)災(zāi)害大多是由長歷時(shí)降雨和短期降雨造成的,由短時(shí)臨近降雨造成的公路地質(zhì)災(zāi)害情況占比較少。

      表2 有效雨量衰減系數(shù)表Table 2 Table of effective rainfall attenuation coefficients

      圖3 地質(zhì)災(zāi)害不同降雨型分布Fig.3 Distribution of geological disasters for different rainfall types

      3.3 結(jié)果分析

      基于測試樣本,對4 種常用機(jī)器學(xué)習(xí)分類模型進(jìn)行對比評估,分析結(jié)果顯示4 種預(yù)報(bào)模型的準(zhǔn)確率均超過0.75,對比各模型的準(zhǔn)確率和模型泛化能力指標(biāo)可知:對于不同的降雨類型造成的地質(zhì)災(zāi)害而言,4 種模型對連續(xù)性降雨造成的地質(zhì)災(zāi)害預(yù)報(bào)準(zhǔn)確率最好,其次為短期降雨造成的地質(zhì)災(zāi)害,短時(shí)降雨誘發(fā)的地質(zhì)災(zāi)害預(yù)報(bào)效果最不理想。這是因?yàn)槎虝r(shí)降雨具有突發(fā)性,因而造成的地質(zhì)災(zāi)害也具有瞬時(shí)性和不可預(yù)見性。對比同一降雨類型可知:對于短時(shí)降水,邏輯回歸和隨機(jī)森林方法預(yù)報(bào)效果相對較好,準(zhǔn)確率都在0.82 以上,SVM方法和K 近鄰方法預(yù)報(bào)效果不太理想,準(zhǔn)確率分別為0.732 和0.785,AUC分別為0.756 和0.825,二者均存在漏報(bào)較多的情況。對于短期降水,K 近鄰和隨機(jī)森林方法預(yù)報(bào)效果較好,準(zhǔn)確率分別為0.863 和0.924,AUC分別為0.756 和0.925。對于長歷時(shí)降水,邏輯回歸和隨機(jī)森林預(yù)報(bào)較為理想,準(zhǔn)確度都在0.95 以上,AUC值為0.94 以上。綜合而言,4 種模型中邏輯回歸模型預(yù)測準(zhǔn)確率最高,為0.949,模型泛化能力為0.944;其次為隨機(jī)森林模型,準(zhǔn)確率為0.918,模型泛化能力為0.917;K 臨近和SVM 模型相比較而言,效果不太理想。各模型的泛化曲線如圖4 所示。

      圖4 4 種機(jī)器學(xué)習(xí)模型ROC 泛化曲線Fig.4 ROC curves of the four machine learning models

      4 案例應(yīng)用

      以2020年6 月8—9 日江西省一次強(qiáng)降水過程誘發(fā)地質(zhì)災(zāi)害為例,基于邏輯回歸模擬江西省2020年6 月8 日高速公路地質(zhì)災(zāi)害預(yù)報(bào)業(yè)務(wù)運(yùn)行,模型輸出地質(zhì)災(zāi)害發(fā)生的概率,依據(jù)概率大小確定預(yù)警等級:當(dāng)概率P≤40%為低(較低)風(fēng)險(xiǎn),不發(fā)預(yù)警;當(dāng)概率P>40%且P≤60%為中風(fēng)險(xiǎn),發(fā)布高速公路地質(zhì)災(zāi)害黃色預(yù)警;當(dāng)P>60%且P≤80%為較高風(fēng)險(xiǎn),發(fā)布高速公路地質(zhì)災(zāi)害橙色預(yù)警;當(dāng)概率P>80%為高風(fēng)險(xiǎn),發(fā)布高速公路地質(zhì)災(zāi)害紅色預(yù)警,結(jié)果如圖5 所示。據(jù)江西省交通監(jiān)控指揮中心提供的數(shù)據(jù),2020年6 月8 日全省高速公路有8 處發(fā)生地質(zhì)災(zāi)害,主要分布在德昌高速、濟(jì)廣高速贛州至泉南段、滬昆高速萍鄉(xiāng)至豐城段,均落在高風(fēng)險(xiǎn)預(yù)警路段內(nèi)。

      圖5 2020年6 月8 日江西省高速公路地質(zhì)災(zāi)害預(yù)報(bào)Fig.5 Geological disaster forecast for Jiangxi Province highways on June 8,2020

      5 討論

      本文基于4 種不同的機(jī)器學(xué)習(xí)方法,開展了針對不同降雨類型誘發(fā)的公路地質(zhì)災(zāi)害預(yù)報(bào)研究,這在目前國內(nèi)外公路地質(zhì)災(zāi)害預(yù)報(bào)研究中是一種創(chuàng)新。陶星宇等[1]對林芝市公路地質(zhì)災(zāi)害易發(fā)性開展了區(qū)劃,基于邏輯回歸方法建立了氣象預(yù)報(bào)模型,但并未對造成災(zāi)害的雨量進(jìn)行分類研究,其預(yù)報(bào)準(zhǔn)確率不及本研究分類型預(yù)報(bào)的準(zhǔn)確率。陳華興[28]基于穩(wěn)定性系數(shù)、臨界降雨強(qiáng)度等各類滑坡預(yù)報(bào)判據(jù),開展公路地質(zhì)災(zāi)害預(yù)報(bào),其對所預(yù)報(bào)路段地質(zhì)災(zāi)害監(jiān)測要求較高,普適性不強(qiáng)。李宇梅等[29]開展區(qū)域公路地質(zhì)災(zāi)害臨界雨量預(yù)報(bào),該預(yù)報(bào)只考慮了降雨因子,并未考慮地質(zhì)環(huán)境條件,在實(shí)際預(yù)報(bào)時(shí)經(jīng)常會存在漏報(bào)的情況。盡管本文研究實(shí)現(xiàn)了對江西省高速公路地質(zhì)災(zāi)害的預(yù)報(bào)預(yù)警,但仍存在一定的局限性,如地質(zhì)環(huán)境特征只考慮了高差、坡度和坡向,并未考慮發(fā)生地質(zhì)災(zāi)害的坡體類型,而實(shí)際上不同的坡體類型或地質(zhì)構(gòu)造對地質(zhì)災(zāi)害發(fā)生與否影響重要。劉洋[30]研究表明,由土體組成的坡體較堅(jiān)硬巖層坡體在強(qiáng)降雨作用下更容易誘發(fā)地質(zhì)災(zāi)害。其次,劃分的3 種誘發(fā)地質(zhì)災(zāi)害降雨類型并不是有嚴(yán)格的界定,誘發(fā)地質(zhì)災(zāi)害的降雨類型多樣,有時(shí)是一種或者多種類型混合,如臺風(fēng)降雨造成的地質(zhì)災(zāi)害既可能存在短時(shí)強(qiáng)降雨,也可能是短期降雨。再者,模型預(yù)報(bào)效果與樣本數(shù)量有關(guān),基于短時(shí)降雨預(yù)報(bào)效果較差,除了短時(shí)降雨的突發(fā)性外,可能與用于訓(xùn)練的樣本較少也有一定的關(guān)系,這在我們的后續(xù)研究中將收集更多的地質(zhì)災(zāi)害記錄來改進(jìn)。

      6 結(jié)論

      (1)提出了基于機(jī)器學(xué)習(xí)的公路地質(zhì)災(zāi)害預(yù)報(bào)預(yù)警方法,綜合考慮地質(zhì)環(huán)境因子和降雨因子構(gòu)建預(yù)報(bào)模型,構(gòu)建正負(fù)樣本集、訓(xùn)練集和測試集,實(shí)現(xiàn)模型保存和調(diào)用。

      (2)探討了高速公路地質(zhì)災(zāi)害與地質(zhì)環(huán)境的關(guān)系,發(fā)現(xiàn)江西高速公路沿線地質(zhì)災(zāi)害所處的海拔高度以300~450 m 最多;災(zāi)害坡度以20°~35°居多,隨地形坡度增加呈現(xiàn)單峰型分布;河網(wǎng)密集和有一定的植被覆蓋地區(qū)更容易發(fā)生地質(zhì)災(zāi)害。提出了誘發(fā)公路地質(zhì)災(zāi)害的3 種主要降雨類型,分別為長歷時(shí)降雨、短期降雨和短時(shí)降雨,其中以長歷時(shí)降雨和短期降雨誘發(fā)的地質(zhì)災(zāi)害居多。

      (3)分析了4 種機(jī)器學(xué)習(xí)模型優(yōu)缺點(diǎn),比較各模型在不同降雨類型誘發(fā)的公路地質(zhì)災(zāi)害中的預(yù)報(bào)準(zhǔn)確率、模型泛化能力AUC和ROC 曲線,并給出了模型輸出地質(zhì)災(zāi)害發(fā)生概率及相應(yīng)的預(yù)警等級。以2020年6 月8—9 日江西省一次強(qiáng)降水過程誘發(fā)地質(zhì)災(zāi)害為例開展實(shí)例校驗(yàn),結(jié)果顯示:當(dāng)日8 處發(fā)生地質(zhì)災(zāi)害均落在高風(fēng)險(xiǎn)預(yù)警路段內(nèi),上述預(yù)報(bào)模型預(yù)警效果較好,可做為實(shí)際業(yè)務(wù)預(yù)報(bào)參考。

      猜你喜歡
      雨量江西省降雨
      寧夏紅柳溝流域水沙變化及產(chǎn)沙分析
      《江西省志?審計(jì)志》順利通過驗(yàn)收
      江西省音協(xié)開展《幸福歡歌》創(chuàng)作采風(fēng)
      心聲歌刊(2020年1期)2020-04-21 09:24:58
      江西省音協(xié)八屆二次常務(wù)理事(擴(kuò)大)會在昌召開
      心聲歌刊(2019年4期)2019-09-18 01:15:22
      基于小波去噪的稱重雨量數(shù)據(jù)分析
      滄州市2016年“7.19~7.22”與“8.24~8.25”降雨對比研究
      SL—1 型雨量傳感器故障分析排除和維護(hù)
      西藏科技(2016年5期)2016-09-26 12:16:40
      紅黏土降雨入滲的定量分析
      南方降雨不斷主因厄爾尼諾
      李 丹
      通州市| 保定市| 小金县| 苏州市| 亚东县| 永和县| 栖霞市| 正阳县| 鄢陵县| 昭觉县| 新和县| 东方市| 景东| 历史| 阿克苏市| 南和县| 南投县| 门源| 张掖市| 呈贡县| 鲁甸县| 佛坪县| 红原县| 永定县| 临安市| 永济市| 铜川市| 孟津县| 拜泉县| 山东| 易门县| 潢川县| 体育| 巴南区| 虹口区| 敦煌市| 武城县| 寻甸| 商河县| 镇巴县| 包头市|