基于BP 神经网络的方法评价泥石流危险度

陈 华 上官云龙

(1．吉林市城园设计院有限责任公司，吉林吉林 132013; 2．吉林省交通科学研究所，吉林长春 130012)

基于BP 神经网络的方法评价泥石流危险度

陈 华1上官云龙2

(1．吉林市城园设计院有限责任公司，吉林吉林 132013; 2．吉林省交通科学研究所，吉林长春 130012)

应用吉林省某地区8条泥石流沟资料，以主沟坡度、单位流域面积松散物源量、山坡坡度、流域切割密度、植被覆盖率、补给段长度六项为评价因子，采用BP神经网络的方法对文中的泥石流沟进行评价，发现BP神经网络的方法对研究泥石流危险度是合理并且相对简单的。

泥石流，神经网络，危险度

0 引言

泥石流是属于一种突然发生的，与地质密切相关的自然灾害，这种自然灾害大多出现于偏远的山区。在泥石流发生的山区，成灾的环境是极为复杂的，其地域也具有较大的不同。这些性质就赋予了泥石流不确定性与多样性的特点。可见，泥石流危险度评价是极其有难度的［1］。

危险度是指受到损害的概率和可能性，是危险的定量表达。泥石流危险度是指遭到泥石流损害的可能性和大小，是对泥石流定量评价的方法。针对泥石流具有不确定性的性质，国内外学者先后提出了不同的分析方法，如灰色系统理论与层次分析等［2，3］。

BP神经网络是能够模拟人脑的神经网络，模仿人脑若干个基本特征，并能进行一定的数据和信息处理，具有特有的非线性适应性信息处理能力。因此，将BP神经网络的方法应用于泥石流研究中，能够对危险度做出客观合理的评价。本文将着重利用这种方法，对区域泥石流的危险度进行评价。

1 方法设计

目前，神经网络的模型得到广泛的应用，研究人员提出很多神经网络的模型。如BP网络的数学模型、Hopfield网络的数字模型、随机型BM网络等。其中最为广泛应用的是BP神经网络数学模型中的前馈型层次网络，这种神经网络模型可以准确的进行输入与输出的转化，灵活，适应能力强，具有高度的非线性运算能力，被广泛用于预测和识别。泥石流危险度评价基本属于模式识别问题，因此本文要以前馈型BP神经网络作为评价泥石流危险度的模型。

三层前馈型神经网络，其中的一种结构为拓扑结构，在各领域有着广泛的应用和研究［4-6］。拓扑结构如图1所示。

图1 三层BP神经网络数学模型

三层BP神经网络被分为输入层、隐含层和输出层。同一层之间的节点没有联系，每一个神经元都与它前层的神经元有关联。每个神经元只接受上一级的输入，并只对下一级进行输出。因此这是一个典型的前馈型网络［7］。

其中，输入层有多少个节点，对应的神经网络就应该有多少个输入，同理，输出层有多少个节点，就有多少个输出与之对应，隐含层的层数可以根据研究需要进行设置。含有灵活控制层数的隐含层，有效的提高了神经网络的分类和辨析能力。本文只用一个隐含层作本次研究，但是隐含层的神经元数目还要根据实际情况进行调整［8，9］。

2 实例

为了验证所研究使用方法的正确性和合理性，本文选取吉林省某地区泥石流高发区的其中8条泥石流沟资料进行泥石流危险度评价的研究。其中以主沟坡度、单位流域面积松散物源量、山坡坡度、流域切割密度、植被覆盖率、补给段长度为评价因子。并且以这6项评价因子作为BP神经网络的输入，具体取值见表1。同时，以泥石流危险度评价值为输出。

表1 泥石流风险因子

因为以6项评价因子进行评价，所以输入层设置为6个神经元，依次为1～6因子。设置以危险度评价为输出，因此输出层设置为1个神经元，同时分为四个等级，依次为1，2，3，4，分别代表较低危险度、中等危险度、高危险度、极高危险度(见表2)。隐含层神经元传递选用tansig函数，输出层神经元传递选用purelin函数。设计最小误差为0．001，最大循环次数为4 000次。最后进行试运算，经过不断的调试和运算获得隐含层神经元的个数，并显示在h=8时，神经网络趋于收敛，并且达到所需要的最佳效果。

表2 危险性评价法生成成果

BP神经网络试运算的每一次结果都会有差别，因为所选非线性函数的趋近产生的趋近结果不同，得到结果为最优解，所以BP神经网络存在一定的不稳定性。

3 结语

泥石流危险度的评价是一个很复杂的问题，通过对BP神经网络的研究，以及对吉林省某地区泥石流高发区的其中8条泥石流沟资料进行实际研究，我们确定BP神经网络的方法评价泥石流危险度的方法是合理的，而且评价结果并不复杂。因此这种方法有着广泛的应用前景，也是研究泥石流危险度的一种简单有效的方法。近年来，泥石流危险度的研究得到了广泛的重视，相继出现了许多种方法来进行研究。用BP神经网络方法不是最精确的和复杂的，但正由于这种特性，让人们能更容易理解并应用。

［1］刘希林，唐 川．泥石流危险性评价［M］．北京：科学出版社，1995．

［2］匡乐红，徐林荣，刘宝琛．基于可拓方法的泥石流危险性评价［J］．中国铁道科学，2006，27(5)：1-6．

［3］黄 双，李广杰，陈伟韦．基于人工神经网络的泥石流灾害危险性评价［J］．山西建筑，2007，33(3)：1-2．

［4］飞思科技产品研发中心．神经网络理论与MATLAB7实现［M］．北京：电子工业出版社，2005．

［5］李杨杨．神经网络方法评价泥石流危险度［J］．黑龙江水专学报，2008，35(1)：1-4．

［6］王子健，肖盛燮，戴廷利，等．泥石流危险度模糊综合评判方法及应用［J］．重庆交通大学学报，2008，27(5)：1-5．

［7］普小兵，李德基．BP神经网络在泥石流研究中的应用［J］．岩石力学与工程学报，1996，15(sup)：1-3．

［8］赖德莲．泥石流危险性的灰色综合评价模型［J］．科技咨询，2007(13)：1-2．

［9］陈燕庆，鹿 洁．神经网络理论在控制工程中的应用［M］．西安：西北工业大学出版社，1991：32-61．

［10］匡乐红，刘宝琛，姚京成．基于模糊可拓方法的泥石流危险度区划研究［J］．灾害学，2006，21(1)：1-5．

Debris flow hazard evaluation based on BP neural network

CHEN Hua1SHANGGUAN Yun-long2

(1．Jilin Chengyuan Institute of Design Co．，Ltd，Jilin 132013，China; 2．Jilin Traffic Science Graduate School，Changchun 130012，China)

This paper used 8 debris flow catchments as examples，the gradient of the main channel，loose material volume per area，slope gradient，ravine density，vegetation coverage，supply ratio were selected as influencing factors．BP neural network was used for the debris flow evaluation．It is drawn that BP neural network theory is simple and rational to study the debris flow hazards．

debris flow，neural network，hazard

TU943．1

A

10.13719/j.cnki.cn14-1279/tu.2013.10.005

1009-6825(2013)10-0089-02

2013-01-12

陈 华(1979-)，女，工程师; 上官云龙(1975-)，男，高级工程师