引言

我国地质灾害发生频繁，种类繁多，危害严重，特别是近十几年社会经济快速发展，对自然环境的影响也愈来愈强烈。据统计，每年因地质灾害造成的经济损失占自然灾害总损失的20%以上。为有效减小地质灾害造成的损失，满足防灾减灾的迫切需要，开展地质灾害气象预警技术的研究，特别是建立精细化预报模型更是当务之急。

目前，各级部门都非常重视地质灾害预警方法的技术研究，中央气象台和中国地质环境监测总院合作建立了国家级地质灾害气象预警业务。将全国划分为74个预警区域，通过考虑降雨量的综合判据图方法，制作国家层面上的地质灾害预警指导产品^[1]；四川省通过对影响地质灾害的地质环境因素进行概率量化处理^[2]，结合气象因子建立了综合预警模型；福建、重庆、贵州等省按粗略的地质条件分类，从气象角度开发研究了考虑降雨特征量的预警指标和方法；浙江省研究开发了基于GIS的地质灾害预警系统并投入业务试验^[3]。而对地质灾害预警、预报理论方法的探讨也在不断深入，韩娟等^[4]采用地质灾害综合危险性指数法划分地质灾害易发区；涂国强等^[5]通过主成分分析和判别分析，建立多因素影响地质灾害预测数学模型，并应用于岩溶塌陷的预测评价；薛建军等^[6]通过概率分析确定预报因子的临界值，从而建立区域气象潜势预报模型；张延治根据辽东半岛泥石流灾害及有关水文气象资料，研究了泥石流形成与暴雨的定量关系^[7]。考虑到地质灾害具有局地性和突发性的特点，而当前针对小区域的细网格预报模型还较少，文中在国土部门对地质地貌条件及地质灾害点勘察规划的基础上，将预报区域划分为不同的地质灾害风险等级的网格区域，利用中尺度气象资料演算成与地质灾害相关性较好的降水指数作为预报指标，针对不同的风险等级区域分别构建BP神经网络权重矩，并对预报模型进行仿真和预报试验。

1 原理和方法 1.1 隐患风险等级划分

地质灾害的发生是一个多因素共同作用的复杂的物理过程，受内因和外因控制。内因包括地质地貌、水文地质、植被覆盖等；外因包括自然因素和人为因素。而降雨则是导致地质灾害发生的主要的自然诱因。据统计，90%以上的泥石流滑坡等地质灾害是由局地暴雨引发的^[8]。然而同样的降水过程产生的地质灾害在不同区域可能会有不同程度的影响，因此，有必要先对全区进行地质灾害隐患风险等级划分。

金华属浙中丘陵盆地地区，地势南北高、中部低，以金衢盆地为主体，小盆地错落分布，大小盆地之间，丘陵低山阻隔；盆地内分布和缓起伏的波状岗地，盆地中部为河谷冲击平原。盆地南北两侧为丘陵山地。在梅汛期和台汛期期间，降水集中，常出现暴雨，易发生地质灾害。根据国土部门勘察规划，目前共发现地质灾害及隐患点935处。地质灾害类型主要有滑坡、坍塌、塌陷和泥石流等。参考《金华市地质灾害防治规划》，经过汇总归并，全境有8个地质灾害高易发区、13个中易发区、2个低易发区以及4个不易发区。区域分布如图 1所示。高易发区主要分布在丘陵山地地貌区，次为盆地岗丘地貌区；低易发区占居金华市全境；不易发区位于河谷平原及河谷平原与盆地岗丘之间。

1.2 BP神经网络

人工神经网络具有非线性映射、容错性、自组织性、自适应性和联想等能力。BP神经网络模型各神经元是分层排列的，每个神经元只与前一层的神经元相连接，网络中有输入层单元、输出层单元以及不与外层直接联系的中间层单元，称为隐层单元。网络中每一层单元只接收来自前一层单元的输入信号，并对后一层单元输入，形成前馈式特点。它主要利用均方差和梯度下降法来实现网络连接权值的修正，使得网络误差平方和减小，直到总偏差小于某规定的值或前后两轮周期训练网络总偏差的变化小于某允许的值时，中止训练。也即是求解如下函数的最优解：

$ \min E\left( {\widetilde w} \right) = \frac{1}{2}{\sum\limits_{k = 1}^n {\left( {{y_k} - {{\widetilde y}_k}} \right)} ^2} $

(1)

$ {\widetilde y_k} = f\left[{\sum\limits_{k = 1}^n {\left( {{x_i}{{\widetilde w}_i} + {\theta _i}} \right)} } \right] $

(2)

f为传递函数，其中n为样本数，${\widetilde w}$为BP网络阈值，θ为网络阈值，x_i为训练样本的输入，${\widetilde y_k}$为实际输出，y_k为期望输出。

最后找某个对训练都比较相符的权矩阵，预报时保持权值不变，每输入一组预报因子就可计算得到一组网络输出值，输出值最大的节点即为预报值^[9]。

2 资料处理 2.1 地质灾害个例整理

首先，根据全市地质灾害隐患风险等级分布，将全区划分为高易发区、中易发区、低易发区和不易发区4个级别的隐患风险等级区域。将国土部门提供的金华全市2000—2006年地质灾害历史个例，剔除一些人为因素造成的个例后，得到共计115个有效个例，根据地质灾害个例发生地，分别归纳到这4个区域中。其次，根据样本个例中造成的灾害大小程度和同时间发生的空间频数又划分为3种规模类，这里滑坡、崩塌和泥石流等样本个例对规模有描述的按描述规模，无则按表 1中规模划分标准，分为大、中、小3个等级。最终根据空间分布频数及灾害规模，综合定义样本个例的地质灾害等级。

根据上述标准，最终得到115个个例分布。从等级分布来看，地质灾害主要以3级为主，并且频数到4级、5级呈指数型减少，一年中从2月份开始地质灾害发生概率开始增加，到10月份后趋于减少，6月份是地质灾害的高发时段，5级地质灾害也主要集中在这个月(见图 2)。将个例划分到各个隐患风险等级区域，不易发区发生个例占27%，易发区内占73%，高易发区则占易发区个例的30%。整体分布较符合自然规律特征。在上述115个起报个例的基础上，再由2000—2006年中随机提取100个没有发生地质灾害的个例作为1、2级样本。

2.2 降水资料处理

地质灾害的发生与降水的强度、持续时间以及降水量的大小显著相关。为了更好地反映这些特性，根据已有研究较为一致的意见，将逐日降水演算成以下10类降水指数作为预报因子：①地质灾害当日降水量，实际预报中采用预报值；②前第1日降水量；③前第2日降水量；④前第3日的3日累积降水量；⑤前第4日的4日累积降水量；⑥前第5日的5日累积降水量；⑦前第6日的6日累积降水量；⑧日降水量≥5mm的降水累积量；⑨12天中最长连续降水天数；⑩前第3日至第11日的有效降水量。

有效降水量利用经验公式^[6]：

$ {r_e} = \sum\limits_3^{11} {{{0.8}^{k - 1}} \times {r_k}} $

(3)

其中，r_e表示有效降水量，r_k为从灾害发生当天算起前第k日的雨量，因为当天和前2天的降水已另有因子表示，故k从第3天算起。

由于金华中尺度站是从2005年开始建设并在不断完善，因此个例对应降水数据以灾害点临近中尺度站资料为主，如尚未有中尺度站资料或缺测，则以所属县站资料代替。

在4个隐患风险等级区域中，地质灾害等级对各预报要素有不同程度的响应，从其相关性来看，4个区域中地质灾害等级对地质灾害发生当日降水量均有较高程度的响应，其次前一日降水、前期累积降水、降水的持续天数以及前期有效降水量的大小也对地质灾害的等级影响较大。高易发区出人意料的对4日以前的降水累积量和降水持续时间响应程度比对前1到3日的降水量高。不同隐患风险等级区域对不同要素的不同程度的相关性，也进一步证实对其进行划分的必要性。

将上述10项降水指数作为输入层，对应的地质灾害等级作为输出层，对神经网络模型进行训练及仿真。

3 模型建立及仿真试验

通过多次调试，确定BP神经网络模型的参数配置。网络层数采用4层，即输入层、输出层及两层中间层，各层间的传递函数分别采用logsig(S型对数函数)、logsig和purelin(纯线性函数)。学习函数、训练函数以及性能函数分别采用梯度下降动量学习函数(learngdm)、Levenberg-Marquardt BP训练函数(trainlm)和均方误差函数(mse)。且当隐层神经元个数分别取15和8，网络的收敛较快，网络误差也较小。

依据上述模型，在4个不同隐患风险等级区域的个例中各抽取3个个例作为预报试验样本，其余个例作为训练样本进行训练、防真。以高易发区为例，在设定的目标误差0.001的基础上，网络在训练了36次后就已达到要求停止训练，表示此时的网络输出值已经达到一定精度。训练模拟误差曲线(图略)也证实了我们的判断，可见自变量与应变量之间的非线性映射关系的拟合是非常精确的，该神经网络模型具有很好的模拟能力。

进而对各个风险等级区域的12个个例进行预报试验，从预报情况来看(见表 2)，对有无地质灾害发生的预报上(3级起报)漏报1例处中易发区，无空报。对3级以上具体的等级预报有2例预报偏高，1例预报偏低，预报结果达到较高信度。

4 业务预报试验 4.1 预报平台建设

平台界面通过vb函数编译，其具有自动调用中尺度站降水资料，并处理成降水指数的功能，在未来24小时降水预报输入框中，输入预报日的当日降水量，金华全区划分为4个预报输入区，输入值以数值预报为基础以人工经验订正为辅，输入后降水值自动分配到所属的站点上。平台融合了matlab的神经网络算法和grads绘图功能，最终以阴影图的形式显示。

4.2 预报个例分析

该预报模型于2007年初投入业务试用，效果可喜，模型的预报结果具有较好的概括性，无论是对集中强降水或持续性降水造成的地质灾害均能有较好的灵敏度。2007年10月7日、8日，金华全区连续出现区域性暴雨，且降水量分布不均，东部、南部县市雨量达到80~100mm，局部地区出现100mm以上降水，而前期金华全区无明显降水过程，这次地质灾害是由集中强降水引发的。从预报的地质分布来看，磐安的大部，永康的北部至武义一带均报有地质灾害5级，金华的西南部和兰溪中部以及义乌北部至浦江东北部也预报有地质灾害5级，地质灾害发生可能性很大。而从国土部门了解的实际情况来看，这次过程造成磐安的新渥镇、尚湖镇和安文镇均发生了较为严重的滑坡现象，武义的新宅也出现多次不同程度的滑坡，如图 3所示，预报高发区对应良好。而2008年6月14日的地质灾害，由于从8日起就一直维持阴雨天气，尽管当日降水强度不大，但累计雨量较大，因此在地质灾害预报图上，仍在一些区域预报有地质灾害发生的可能。

通过2007年以来有资料记载的地质灾害点的地质灾害实况(剔除人为造成的)与单点预报结果的对比(见表 3)，可见15个灾害点中80%有地质灾害预警提示，3级以上的则达到83%；等级准确预报的为8例，3级以上等级准确预报的达到67%。结果进一步表明模型能有较好的概括性，特别对中级规模及以上的地质灾害有较好的预报效果。

5 结语

(1) 在国土部门勘察规划的基础上，将全区划分为不同等级的隐患风险区域，其物理意义明确，对由地质地貌条件造成的隐患风险描述能力较强，进而根据不同的隐患风险区域分别建立预报权重矩，从而使地质灾害等级预报模型更具客观性和实用性。在此基础上采用分布较细的中尺度资料，进一步提高了地质灾害的预报精度。

(2) BP神经网络以其独特的优势得到广泛的应用，试验证明它有较高的拟合能力，将其应用到地质灾害的预报中来，有较好的应用前景。

(3) 由于目前收集的地质灾害个例尚少，且中尺度站资料长度不够，对预报模型的建立带来较大的负面影响。随着样本及资料的累积，这一现状将得以改善，应会更进一步提高模型的预报能力。