基于BP 神经网络的区域滑坡易发性评价

雷石 曹运江 赵彦名 叶高峰

（1 湖南科技大学地球科学与空间信息工程学院 湖南湘潭 411201 2 深圳市水务工程检测有限公司 广东深圳 457001）

0 引言

随着社会的迅速发展，人类对自然资源的过度开发导致了各种地质灾害频发。全国各个县市的大尺度精细化灾害相继展开调查，关于灾害易发性评价成果不断涌出。当前应用较广的易发性评价方法多为层次分析法。层次分析法的一项基本任务是通过专家打分比较评价因子的重要性，从而形成判断矩阵，但是专家打分并没有客观性和唯一性，无法客观综合反映各个评价因子的权重精度和相关度。为解决此问题，很多研究人员将目光投向了BP（Back Propagation）神经网络模型。吴晶晶等［1］基于BP 神经网络对广西贺州构建崩塌滑坡易发性预测模型，其结果具有可行性。朱文慧等［2］采用训练良好的蕲春县BP 预测模型，得到准确可靠的分区结果。张林梵等［3］在对新疆伊宁县进行区域易发性评价时，通过BP 神经网络模型发现极高易发区主要分布在中低山断裂带。朱崇浩等［4］进行九寨沟公路沿线危险性评价时，基于DInSAR-BP 综合模型，使得结果精度提高13.9%。因此，本文构建BP 神经网络预测模型对湖南省郴州市临武县进行滑坡易发性评价研究。研究成果对于人民安全生产、防灾减灾、维护生命财产安全，有着十分重要的现实意义。

1 研究区概况

临武县地处湖南省最南部，地理坐标东经112°20′26″～112°47′19″，北纬25°7′14″～25°35′14″，总面积1 383.82 km2。主要为丘陵低山地貌，地质构造复杂，降雨量丰富，易崩易滑地层分布较广。研究区拥有丰富的矿产资源，开采历史悠久、开采强度大。由于矿区地质条件较差，大量的煤矸石堆积、压占耕地，造成原有的地貌和植被损失，甚至造成严重的地质灾害。主要地质灾害类型为滑坡。临武县也是湖南省较集中、具代表性的地质灾害发生地区之一［5］。

2 数据因子提取

根据不同区域的地质背景选择适合的评价因子，通过对以往滑坡的研究结果和地质灾害的调研数据，选取了临武地区高程、坡度、坡向、地形起伏度、地质年代、地质构造、水系距离、降雨量、归一化植被指数等9 项因子构建滑坡易发性评价体系。

（1）高程。滑坡的发生和分布受地区地形的影响，而高程对坡体的能量变化有一定的影响，从而间接地影响斜坡的稳定。将研究区高程分为5 个区间等级，灾害点主要集中在＜400 m 区间，见图1（a）。

图1 研究区滑坡易发性评价影响因子分布结果

（2）坡度。坡度是衡量斜坡的倾角，用来衡量斜坡的陡缓程度。坡体的稳定性主要取决于坡度的大小，而坡度是引起边坡失稳的主要原因。将研究区坡度分为5 个区间等级，灾害点主要集中在＜25°区间，见图1（b）。

（3）坡向。对地质灾害产生的影响主要是由于不同方向的坡面所能获得的太阳辐射有很大的差别，阳坡是一个受阳光照射强烈的地区，它具有较高的湿度、较少的植被和裸露的地面，因此有较大的滑坡风险。研究区坡向分为平面和8 个间隔45°坡面，灾害点主要集中在东南、西南、南方向，见图1（c）。

（4）地形起伏度。地形起伏度可以表示为地势高低起伏的变化程度。小区域地表高低不平对地质灾害发育影响很大。将研究区地形起伏度分为4 个区间等级，灾害点主要集中在＜200 m 区间，见图1（d）。

（5）地质年代。地质年代反映了岩体的风化、破碎程度，不同时期岩体的风化、破碎程度也有一定的差别，也决定了岩体的强度和抗风化能力，是形成滑坡的重要影响因素之一。将研究区地质年代分为8 个区间等级，灾害点主要集中在二叠纪，见图1（e）。

（6）地质构造。地质构造不仅控制着地形地貌的变化，还能控制岩层中岩体结构和组合特征，在地质灾害发育过程中起到了全面的控制影响。将研究区地质构造距离分为6 个区间等级，灾害点主要集中在＜500 m 区间，见图1（f）。

（7）水系距离。在滑坡灾害的形成过程中，水系河流在化学、物理等多方面作用下对形成滑坡起着关键的作用。将研究区水系距离分为6 个区间等级，灾害点主要集中在＜300 m 区间，见图1（g）。

（8）降雨量。受降雨的影响，斜坡会导致稳定性降低，尤其在每年的洪涝季节。随着降雨量的突然增多，往往会导致各种类型的地质灾害。将研究区年平均降雨量分为4 个区间等级，灾害点主要集中在［1490，1526）mm区间，见图1（h）。

（9）归一化植被指数。滑坡与植被覆盖间存在着密切的联系，也就是说，在植被稀疏的地方，山体滑坡是一种常见的地质灾害。将研究区植被指数分为5 个区间等级，灾害点主要集中在［0.4，0.6）区间，见图1（i）。

3 BP 神经网络模型构建

BP 神经网络的核心思想是利用梯度下降法，通过不断迭代训练，使得计算结果与输出期望值之间的均方误差最小，最终得到模型各层级单元权重。BP 神经网络具有信息分布式存储、大规模并行处理能力、自适应性和自学习能力、较强的容错性和鲁棒性等优势。基于BP神经网络的滑坡易发性评价（模型）结构图见图2。

图2 基于BP 神经网络的滑坡易发性评价（模型）结构图

如图2 所示，构造了一种基于BP 神经网络的滑坡易发性与地形因子、地层岩性、自然环境等9 种滑坡因素的对应关系。首先，选择86 个滑坡样品和86 个未发生滑坡的样品，将数据归一化；针对BP 神经网络的过度拟合而造成的预测效果不佳，构建了只有输入层、隐含层和输出层3 层的BP 神经网络。本文选择了9 种滑坡风险评估指标，其中BP 神经网络的输入层结点是9 个，训练样本则选择了滑坡点和非滑坡点，也就是BP 网络的输出点是2，训练样本与测试样本为7∶3。在此基础上，将BP 神经网络的隐含层结点设定为13。

4 易发性分区结果

通过BP 神经网络模型可得到滑坡易发性指数，使用相同的间隔把易发性指数分为 ［0，0.2）、［0.2，0.4）、［0.4，0.6）、［0.6，0.8）、［0.8，1.0）5 个等级区间，分别对应极低易发区、低易发区、中易发区、高易发区、极高易发区，面积分别为393.35、388.69、288.37、191.47、112.88 km2（表1）。随着易发性等级提高，分区面积逐渐降低，分布灾害点数目增多，取得评价结果精度较好。中易发区级别以上主要分布在金江镇、水东镇、麦市镇、花塘乡、南强镇、西山瑶族乡（图3）。与野外实际调查情况相符合，主要还是因为矿山开采、切坡建房等人类工程活动。

表1 基于BP 神经网络模型研究区易发性评价分布统计表

图3 研究区滑坡易发性评价结果

5 结论

（1）选择9 项评价因子，研究结果表明，临武县境内诱发滑坡灾害主要集中在高程＜800 m、坡度＜25°、阳坡、起伏度＜200 m、二叠纪、构造距离500 m 内、水系河流距离300 m 内、降雨量［1490，1526）mm、植被指数［0.4，0.6）等分布范围。

（2）研究区评价结果表明，中易发区以上主要分布在金江镇、水东镇、麦市镇、花塘乡、南强镇、西山瑶族乡。