滑坡灾害诱发因素与预警预报分析

■傅永强

(福建省高速公路集团有限公司宁德管理分公司 宁德 352100)

0 引言

滑坡不仅给人类的生命财产带来威胁， 也严重破坏了自然环境、生态资源等，每年因滑坡造成的世界伤亡人数数以万计。我国是受滑坡地质灾害影响最大的国家之一，2017 年全国共发生地质灾害7521 起，共造成354 人死亡或失踪、100 余人受伤， 直接经济损失高达35.9 亿元[1-2]。由于滑坡具有可预测性和可防控性，虽然最新的研究已经提高了人们对滑坡作用机理的认识， 但采用工程加固措施办法降低滑坡风险并不是最优的选择， 开展完善滑坡预警预报系统是最为有效且经济的手段。 近年来随着GIS 技术的发展， 推动了预警预报工作从以往的数值统计转向模型分析， 能更为精准的进行滑坡定量评价分析[3]。

1 七步1 号滑坡分析

七步1 号滑坡地处宁武高速A5 合同标段， 位于宁德市周宁县七步村境内。 该滑坡已发生大小崩塌滑移堆积不止10 余次，特别是在七步水库开始蓄水后，七步1号滑坡体的变形加剧，前缘的沿岸地带也受到影响。如今七步1 号滑坡体处于蠕动状态且部分土体还与整个滑坡体仍有滑动迹象，主要变形部位在滑坡前部(Ⅲ级阶地)和中(Ⅳ级阶地)、后部(Ⅴ级阶地)的斜坡地带[4]。 七步1 号滑坡体地形地貌如图1 所示。

1.1 地质条件

图1 七步1 号滑坡地形地貌图

该地区为最新的第四系松散堆积层， 向南北延伸地层由新到老变化，分别是侏罗纪中统上分层位。第四系地层呈小片或零星散布在河两岸的河谷阶地， 是该区堆积层滑坡的主要物质组成[5]。 该区地层岩性多为砂岩和泥岩，岩性包括紫红色、褐灰色泥岩、粉砂岩和石英砂岩等。位于复向斜的北东段近轴部及两翼， 向北与铁峰山背斜相邻，向南紧靠龙骑山背斜和方斗山背斜。该滑坡体区域内的岩体中发育两组拉张节理裂隙： 第一组拉长节理的最大间距为5m，最小间距为3m，节理产状为215°∠75°，有些长度在5mm 至10mm 的节理面延伸，节理的最大宽度为1.5mm，裂隙面粗并存在少量风化充填物；第二组拉张节理产状为311°∠68°，节理面延伸长度约2～6m，间距3.5～4.5m，裂宽1～3mm，裂隙面平整且无物质填充。

1.2 地形地貌条件

本地区位于河谷地带，全区地势东部偏高，向西逐渐降低[4]。 受区域地质构造控制作用，与本区域侏罗纪砂泥岩层的水平地层风化差异现象， 以及山地壳抬升和河道下切作用，形成了该区不对称的“U”型河谷以及侵蚀堆积的多级河流阶地地貌，总体形态呈台阶状区和冲沟、注地、陡崖等微地貌，河谷和冲沟的横剖面形态多呈“V”字型。区内陡崖与河道方向一致呈条带状分布，陡崖前缘常和大型滑坡后缘相接， 滑坡运动形成的后缘拉裂槽演化成封闭或半封闭注地，有些己经蓄水形成水塘。

1.3 水文情况

水库水位变化对滑坡有着至关重要的影响。 水位上升会降低了岸坡稳定性， 使得滑坡岩土体发生了软化效应。滑坡变形随着水库水位上升而增大，库水调度改变了库岸滑坡的地下水分布。水位上升时，位于库水位以下的滑体受到浸泡为饱和状态， 此时受到浮托力作用为坡体减载。岩土体处于饱和状态时，水头高度确定了孔隙水压力的高低[6]。坡体中某点的孔隙水压力大小计算如式(1)所示：

式中：ρw为地下水水密度；g 为重力加速度；h 为水头高度。

用总应力和孔隙水压力表达的有效应力如公式(2)所示：

式中，σ′表示有效应力；σ 表示总应力。 总应力不变时，有效应力的值随着孔隙水压力的变化而变化，孔隙水压力越大，土中有效应力则减小，导致了滑坡体重土的强度降低和稳定性减小。 由于岩体的抗剪强度随着有效应力的减小而降低，孔隙水压力增高使得正应力减小，使得滑坡带土体的抗剪强度减小，滑坡的稳定性也变差。

七步1 号滑坡的滑带土在天然状态下的粘聚力为26.3kPa，内摩擦角为14.2°，而被库水浸没呈饱和状态后，粘聚力仅18.2kPa、内摩擦角变为9.4°，分别占天然状态下的69.2%、66.2%。

蓄水导致水库水位上升， 影响了库岸滑坡内部地下水位的高度， 使得原来处于天然容重的土体变为浮容重状态。 改变了岩土的饱和状态，浮力增大，土体之间相互作用也逐渐削弱。 从而使得滑带土的抗剪强度和稳定性均降低。并且水库在泄洪时，水位降低将会在滑坡土体内部造成较大的水力坡度， 渗透压力的增加诱发了土体的变形和破坏加剧。 水库蓄水诱发滑坡示意图见图2。

2 滑坡灾害监测项目

先进的监测技术已成为人们认识滑坡运动的主要手段，自然灾害的监测在滑坡研究方法中占据一席之地，同时也成为滑坡识别和预警的重要辅助工具[7-8]。 目前主要检测内容有滑坡体地表位移、滑坡地下水位、滑坡地区的降雨量等指标。

2.1 滑坡地表位移监测

图2 水库蓄水诱发滑坡示意图

人工记录观测是滑坡预警预最早的监测技术， 现今地表位移监测技术包括GPS 地表变形监测、自动伸缩计地表变形监测、分布式光纤地表变形监测等。

GPS 地表变形监测可以对体积巨大的滑体进行精确、实时监测。 但是测量的精度在厘米级别，在卫星信号的不良的区域难以开展工作。 自动伸缩计地表变形监测是通过监测固定桩之间的相对位移得到滑体的变形量，其高精度、经济不受外界环境影响等优点而受到青睐，但是只测量几个固定桩的变形量，具有偶然性。多种监测方法的使用，已成为了功能较为齐全的独立监测系统。

2.2 滑坡地下水位监测

地下水位的高低对滑坡有着至关重要的影响作用，根据众多的调查报告结论： 超过半数以上的滑坡灾害诱发因子都与地下水位变化有关， 地下水在滑坡整个过程中都起着决定性影响。因此，对滑坡地下水位实时监测有着非常关键的作用。

常用水位测量方法是使用水位管和钢尺水位计，配合水准测量，确定地下水位高程，通过各观测期水位高程的变化，监测地下水位的变化情况。

2.3 降雨对滑坡变形的影响分析

大量滑坡资料表明， 无论是新生滑坡还是老滑坡复活，多数都是由降雨诱发的，尤其是在残积土受强降雨作用的地区更为频繁。因此，降雨是影响滑坡变形破坏的重要因素， 此类滑坡的评价很大程度上依赖于降雨渗入效果的评价。

2.4 库水位作用对滑坡变形的影响分析

近20 年以来，水土耦合模型己经变形滑坡研究的热点话题。由典型滑坡案例研究可知，降雨和库水位变动是水库滑坡的主要因素。 许多研究人员对库区滑坡的变形演化状态展开研究，研究发现：水位降落的快慢和岩土体透水性对滑坡影响十分显著，水位降落越快，土体透水性越差，滑坡安全系数也就越小，降低幅度也更为明显。 强降雨和库水的浸泡是降低滑坡稳定性的重要因素， 滑坡的关键诱发因素与短时强降雨和水位变化密切相关。

3 滑坡灾害预警预报

对崩滑流等地质灾害来说，主要是其难以准确预报，往往造成重大灾难。 准确判断突发性地质灾害难度是非常大的，只有严加防范。 20 世纪70 年代以来，国内外诸多学者引进或建立了许多模型来开展预警预报研究[9]。在单体滑坡的预警中，针对不同的等级，采用相应预测模型进行不同时间尺度的预测。

3.1 地质灾害险情和灾情分级

根据《国家突发地质灾害应急预案》相关规定，按灾害可能的危害程度和规模，可将其分为四级，分级标准见表1。

表1 地质灾害险情和灾情分级标准

参照国土资源部和中国气象局共同制定的地质灾害气象预警分级，考虑滑坡的稳定性、可能发生的时间、规模、变形破坏的发展速度等，将滑坡预警按失稳的概率大小和时间共分成四级(见表2)。

表2 预警分级及预报时间尺度

3.2 人工智能模型

为了有效、可靠地发挥预警预报的作用，预警系统布置时通常都需要滑坡的状态信息，包括滑动机制、潜在的诱发因素和它们的阀值[10]。 因此，通过长期位移监测来预测滑坡变形失稳是降低滑坡风险的一种有效手段。 随着模式识别与人工智能等理论和技术的快速发展， 一些非线性模型在滑坡预测预报中己经取得了较好的应用。 其具有代表性的有突变理论预报模型，支持向量机模型，极限学习机模型等。

3.2.1 突变理论预报模型

突变理论是由法国数学家勒内托姆提出的， 其特点是过程连续而结果不连续。 这正好符合了滑坡发生前的地表位移的连续，而在滑坡发生时的土体的不连续行为，用突变理论来模拟连续的滑坡现象是最为合理的数学工具，有着广泛的应用。

周小平[11]使用突变理论将滑坡分为拉裂段、剪切段、蠕滑段三段模型，根据尖点突变理论的分叉集方程，得到了滑坡突变与时间之间的函数关系， 可为滑坡预警提供借鉴。 不仅如此，在通过尖点型突变情况下，计算出土体发生滑坡前后的能量状态，可以得到滑体突滑初速度，能有提出有效的疏散计划，进行精准的预警预报。

3.2.2 支持向量机模型

支持向量机(SVM)一种回归预测方法，经过一系列的转换可代替高维特征空间中的点积计算， 获得全局最优解[12]。 SVM 的回归函数为：

f(x)≤W·Φ(x)+b

应用不敏感损失函数将估计函数转换为求函数最小化问题。 经过二次规划得到SVM 回归预测的模型为：

式中：K(xi, xi)为支持向量机的核函数。

以当月降雨量、前两月累计降雨量、月平均库水位、当月库水位最大变化量为诱发因子，前3 月的降雨作为输入变量，滑坡预测位移作为输出项，建立七步1 号滑坡位移预测模型。 监测点的位移预测结果见图3。

图3 监测点与SVM 模型预测结果对比

由图3 可以看出在2012 年1 月到2012 年4 月滑坡的累积位移小于30mm，SVM 模型能够很好的模拟出滑坡的实际情况，然而在2012 年4 月以后滑坡的累积位移超过了100mm，此时SVM 的模拟值明显小于实测值。

3.2.3 极限学习机模型

极限学习机(ELM)是一种新的前馈神经网络训练方法[13]。 极限学习机在不需要设置其他的参数的情况下，在特点的网络的情况下， 由任意阈值的连接权值和神经元来实现输入层和隐含层的关联。

其输入层到隐含层的权值是一次随机确定的， 算法执行过程中不需要再调整， 而隐含层到输出层的权值只需解一个线性方程组来确定，因此可以提升计算速度。 极限学习机的网络训练模型如图4 所示。

图4 极限学习机网络训练模型

其中：xi、ti表示不同样本；m 表示网络输入层；M 表示隐含层；n 表示输出层的节点数；g(x)表示激活函数；bi为阈值。

应用ELM 建立塘角1 号滑坡位移预测模型。 监测点的位移预测结果见图5。

图5 监测点与ELM 模型预测结果对比

由图5 可以看出，ELM 模型在在12 年1 月到12 年4月滑坡累积位移小于30mm，12 年4 月以后滑坡的累积位移超过了100mm 的情况下，均能够较好的与实测值拟合。

比较两种模型的拟合情况， 发现两种模型预测结果与实测值均有较好的吻合度。其中，ELM 模型的结果优于SVM 模型。 在滑坡位移变形显著的2012 年4 月-6 月，累计降雨量高，滑坡位移量陡增，ELM 模型的预测值与实测值一致性较好，有着比SVM 模型更好的预测结果。 ELM模型不仅在非强变形期也有较好的预测果，在变形急剧、预警最关键阶段，预测效果也较为理想，能够起到对七步1 号滑坡体阶状变形预测防控作用。

4 结论

(1) 基于前人关于地质灾害风险管理理论的研究基础，统计了我国近年来发生地质灾害的数量、死亡人数以及经济损失， 建立了适用于我国地质灾害和滑坡的生命风险接受标准。

(2)水库水位变化及降雨量是影响滑坡体的最主要因素。 由七步1 号滑坡的监测点实际情况可以看出在多雨季节，随着水库水位的上升，监测点累积位移迅速增大，滑坡体也处于不稳定状态。 因此在雨量特别增大的季节内，应该对滑坡监测点进行更加频繁的观测与记录。

(3)通过对滑坡体测点的位移量测检测，发现人工智能模型能够较为准确的预测滑坡体在不同工况下的破坏概率。 不论变形幅值在什么情况下，采用ELM 模型的预测值与实测值吻合度均较为良好，比SVM 模型预测精度更高。