泥石流平均流速預測模型及敏感因子研究.docx

1、DOI；10.13544/ki.jeg.2014.03.001泥石流平均流速預測模型及敏感因子研究于國強張茂省王根龍(國土資源部黃土地質災害重點實驗室，中國地質調查局西安地質調查中心西安710054)摘要為了探求泥石流平均流速敏感因子及影響因素耦合關系，本文采用BP神經網絡和支持向量機模型對蔣家溝泥石流數據進行預測，對兩種泥石流平均流速預測模型的學習與泛化能力進行比較，并對平均流速各影響因素的敏感程度進行分析，建立了泥石流平均流速敏感因子預測模型。結果表明：支持向量機的泛化能力優(yōu)于BP網絡,更適合樣本數量較少的泥石流動態(tài)預測。溝道比降和不穩(wěn)定層厚度是泥石流平均流速的主要影響因子,各因子之間存在

2、復雜的耦合關系?；诓环€(wěn)定層厚度和泥面比降的泥石流平均流速預測模型精度較高，能夠定量描述泥石流動態(tài)與影響因子間的響應關系。研究成果可為泥石流防治提供依據。關鍵詞泥石流蔣家溝平均流速預測模型敏感因子中圖分類號:P642文獻標識碼:APREDICTIONMODELANDSENSITIVEFACTORSFORAVERAGESPEEDOFDEBRISFLOWSATJIANGJIAGULLYYUGuoqiangZHANGMaoshengWANGGenlong(KeyLaboratoryforGeo-hazardsinLoessAreatMLR,Xi'anCenterofGeologicalSur

3、vey,ChinaGeologicalSurvey,Xi'an710054)AbstractThispaperinvestigatesthesensitivefactorsoftheaveragespeedofdebrisflowsandcouplingrelationshipoftheinfluencefactorswiththedataofdebrisflowsinJiangjiagully.TheBPANNandSVMareproposedforbuildingpredictivemodelofaveragevelocityofdebrisflows.Predictionaccu

4、racyandscopeofapplicationofthetwomodelsarecompared.Analysisisdoneonvariousfactorsfortheirsensitivitiestoaveragespeedofdebrisflowswiththedefaultfactormethod.Apredictionmodelfordebrisflowsisestablishedandverified.TheresultsshowthatthepredictionaccuracyoftheSVMmodelisbetterthanthatoftheBPANNmodelinthev

5、alidationphase.Theextrapolatingabilityandpredictingcapabilityhavebeenvalidatedbyusingthesupportvectormachinepredictionmodel,andtheSVMmodelismoresuitableforitspredictionofdebrisflow.Channelslopeandthethicknessoftheunstablelayerarethemainsensitivefactorsaffectingaveragevelocityofdebrisflows.Theinterac

6、tionamongstvariousfactorsformedcouplingrelationshipunderthecomplicatedcondition.Therelationshipmodelofaveragespeedofdebrisflowsestablishedbaseuponchannelslope,andthethicknessoftheunstablelayercanwellexpressquantitativelytheresponserelationshipbetweendebrisflowsdynamicandvariousfactorswithsufficienth

7、ighaccuracy.Itisanaccuratescientificbasisforpreventionofdebrisflow.KeywordsDebrisflow,Jiangjiagully,Averagevelocity,Predictionmodel,Sensitivefactors收稿日期：2013-11-20；收到修改稿日期：2014-02-15.基金項目：國家自然科學基金項目(41302224),陜西省自然科學基礎研究計劃項目(2012JQ5001),陜西省科學技術研究發(fā)展計劃項目(2014KJXX-20)，國土資源部科研專項(201111020)資助.第一作者簡介:于國強.

8、男.博士.高級工程師，從事她質災害及土壤侵蝕與水土保持等方面的研究.Email：yuguoqiang230引言泥石流是高山峽谷區(qū)常見的地質災害,它往往暴發(fā)突然，來勢兇猛，破壞力強，為山區(qū)主要自然災害之一，嚴重威脅山區(qū)的經濟建設和人民的生命財產安全匹妲。舟曲“88”特大泥石流的暴發(fā)更是敲響了我國地質災害管理與防治的警鐘。泥石流流速決定著泥石流強度，是其防治工程設計中的主要參數，因此，泥石流多發(fā)地帶，平均流速的預測對其防治至關重要。關于泥石流預測模型研究已有百年歷史，早期主要為經驗法、物理模型法，目前應用較多的是動力分析模型（動態(tài)模型）法。動力分析模型中應用最為廣泛的是質量集中模型和連續(xù)介質力學模

9、型”9）。這些流變模型大多選擇膨脹流體模型、賓漢流體模型、黏塑性流體模型.Voellmy模型和摩擦模型，主要預測泥石流平均流速均有成功案例。然而由于泥石流系統復雜,各因素間相互耦合，具有不確定性和隨機性“°小】，很難建立準確的物理機制模型。在此情況下,將泥流學科與機器智能學習語言結合，為預測模型提供新的分析思路。目前應用較廣是支持向量機和BP神經網絡兩種預測模型。BP神經網絡和支持向量機都可進行預測，其理論基礎和預測機理基本相同（16'2，o目前涉及泥石流流速智能預測模型主要針對單一方法研究，結合兩種方法的比較與應用35）和泥石流敏感因子的研究則很少本研究結合支持向量機和BP

10、神經網絡模型對蔣家溝1974年泥石流數據進行模擬，對兩種泥石流平均流速預測模型的學習與泛化能力進行比較，并對平均流速各影響因素的敏感程度進行分析，建立泥石流平均流速敏感因子預測模型,為泥石流防治提供了一定的科學依據。1材料與方法1.1研究區(qū)基本情況東川蔣家溝泥石流溝屬高山峽谷地貌，地勢東高西低，相對高差為2200m,流域面積為48.5km2o溝內山高坡陡，西窄東寬,每年向小江輸送泥沙達（200-300）xl04m3,最大量超過600x104m3（圖1）。圖1蔣家溝泥石流地貌和泥石流溝分布Fig.1Geomorphologicmapandoffsethitchdistributionofdebr

11、isflowinJiangjiagully流域內出露的地層主要為淺變質巖，約占整個流域的80%）。分水嶺出露有震旦系白云巖和二疊系灰?guī)r；分水嶺內側為一條狀紫色板巖；流域中心部分由板巖組成。流域內地層節(jié)理發(fā)育，褶皺強烈，巖層破碎，極易風化崩解為碎屑物，為泥石流形成提供了豐富的物源1.2支持向機與BP神經網絡基本理論支持向量機（SVM）基于結構風險最小化原則，采用凸二次優(yōu)化算法，所得解為全局最優(yōu)解虬；非常適用高維數、小樣本、非線性等實際問題。其中核函數和SVM參數:，和懲罰系數c的選取對SVM的模擬精度額泛化能力至關重要，具體算法以及參數作用可參考文獻U6'，8JoBP神經網絡（BPANN

12、）具有較強的非線性映射。其BP網絡實質就是完成從輸入到輸出的映射功能,事實證明它具備復雜的非線性映射功能。BP基于經驗風險最小化原則，算法采用應用最廣的增加了沖域（動量）項的改進BP算法狽。其中BP網絡拓撲結構和學習效率小動量因子*的選取十分關鍵,具體算法以及參數作用可參考文獻35】。2結果與討論2.1影響因素確定以及樣本選取諸多因素綜合影響泥石流平均流速，根據蔣家溝泥石流特點和文獻中1974年50組實測數據為研究樣本,對機器預測模型進行模擬。對物理成因的相關分析，確定泥石流流速主要影響因子為xl泥位（cm）、q比降（%）、招密度（tmT）、x4粒徑(cm)和姑不穩(wěn)定層厚度(m),輸出因子y平

13、均流速(表1)。其中不穩(wěn)定層為泥石流龍頭通過時在床面產生的沖刷層，泥位、密度為固定地點的監(jiān)測數據，比降為泥石流泥面比降，粒徑取平均值。由于各因素數值差異很大,量綱不同，需要采取數學方法進行前處理，這對提高模型預測能力十分重要。首先采用標準歸一法將實際數據處理到(0.1,0.9)區(qū)間內，并留有一定預報空間*狽。合理選取樣本是保證模型預測精度的重要條件。本研究共有50組數據樣本參與模型的學習和預測。為使模型更具泛化能力，同時也避免過學習情況的發(fā)生,分別在各大小的速度區(qū)間內,選取樣本40組，作為預測模型學習樣本，其余10組作為檢驗樣本，測試模型的泛化能力。2.2泥石流平均流速兩種預測模型建立本研究所

14、采用SVM程序在MATLAB中進行編制優(yōu)化，確定學習樣本、影響因子后，需要選擇合適的懲罰系數c與核函數，這關系到模型的預測精度和泛化能力。本研究采用40組訓練樣本，對核函數進行測試，以學習樣本的預測值和真實值的誤差作為評判標準,確定核函數為徑向基函數。圖2y與。參數對誤差的影響Fig.2ImpactofyandConthepredictionerror表11974年蔣家溝泥石流平均流速及各影響因子觀測值No.xlx2x3z4x5yNo.xx2x3x4x5y11756.32.080.80.88.9262505.52.220.91.066.921506.32.21.10.728.8272265.5

15、2.131.10.926.632006.32.211.70.977.4281205.52.20.80.51642006.32.251.40.997.9291455.52.251.10.627.45956.32.160.60.451030655.52.241.10.2856556.32.250.90.277.4311225.52.2110.526.97116.32.070.70.57.6321685.52.281.60.737.581006.32.190.90.487.6333726.62.211.21.889.29906.32.2110.447.3341075.52.291.20.475.81

16、0706.32.191.20.346.635525.81.70.10.183.6112756.62.211.61.49.6361035.52.210.80.445.8121706.62.191.10.857.537,705.51.920.30.265.6132106.62.20.81.068.438705.81.80.20.254.1141606.62.221.20.828.139505.81.760.20.183.5151306.62.20.70.668.240585.81.690.20.23.6162206.62.291.51.169.641935.81.920.30.364.817210

17、6.62.211.21.079.442605.51.990.60.234.9182106.32.2911.059.343605.51.970.50.234.7192006.32.31.51.018.5441615.52.2510.697.720406.32.040.30.184451775.52.241.10.767.7211406.31.950.60.67.846605.51.830.10.213.922406.32.020.10.183.747555.82.070.80.233.923406.31.850.10.163.8481095.52.251.10.476.4242106.32.21

18、1.11.029.349555.81.80.10.23.7252025.52.271.70.886.9501256.32.10.60.577.6Table1ValuesofdebrisflowaveragevelocityandimpactfactorsinJiangjiaravine:1974確定模型參數時，需要測試大量參數，最終確定'本模型參數。圖2表示了在平均流速預測模型中,不同的y和C下最大相對誤差三維曲面情況。從圖中可以看出，在懲罰系數C=0.5和）=0.2時，三維曲面出現兩條極小值凹面，兩條凹面匯合處（圓圈指示處）出現相對誤差最小情況；而在其他區(qū)域內，最大相對誤差均較大。所

19、以確定y=0.2,C=0.5,根據模型建立公式，解得”，最終得到SVM泥石流流速預測模型。BP神經網絡模型的建立過程與SVM相類似。由于在實際預測過程中，3層BP網絡能夠滿足需要，6*173，本研究選取3層BP神經網絡，依然采用上述40組訓練樣本，建立BP預測模型。/（x）=（l+e”）"作為傳遞函數連接各層,同樣以學習樣本的實測值和預測值誤差作為評判標準，經過調整隱含層結點數、模型參數，并通過誤差比較，最終確定BP神經網絡模型網格的結構為5:9：1,學習效率7j為0.10,動量因子g為0.6,最終得到BP泥石流流速預測模型。2.3預測模型結果比較按照上述方法，采用兩種模型分別對40

20、組樣本進行訓練，所建立的模型對余下樣本進行預測。從模型學習、模擬結果（圖3）看出，樣本訓練階段，兩模型皆具備很好的學習能力，BP學習誤差之合僅僅為3.5ms-i、SVM為21.3m-s_,BP優(yōu)于SVM,兩者相關系數均達到95%以上，學習能力很強。模型預測階段,SVM模擬值在真實值附近小幅波動，預測精度較高；相反BP網絡的真實值和預測值相差較大，預測精度較差。對樣本真實值與模擬值進行誤差比較可知，預測階段，BP模型和SVM模型的平均誤差分別為1.29ms-i、0.37m-s'1,SVM模型預測結果明顯好于BP神經網絡。并且SVM預測值在真實值之間上下浮動，沒有出現一直偏大或一直偏小的情

21、況，說明SVM預測模型結果比較合理?？偟膩碚f,模型學習效果較好并不能說明具有較高的預測結果。BP網絡的訓練能力和預測水平并不一致。通常情況下，智能機器語言的訓練程度越高，預測精度會越大，反之亦然。但這樣的情況存在一個臨界現象，當超過臨界點時，訓練程度越高,預測精度反而會降低，出現了上述的過學習現象。說明BP神經模型會過分依賴于訓練樣本，過分強調樣本細節(jié)，導致忽視了內在的本質規(guī)律。相反SVM模型可以尋找多維空間的超平面，使其具有很強的推廣性。因此在使用智能模型進行研究過程_,.&、»«武H-樣本序號圖3兩種預測模型的平均流速學習、預測結果Fig.3Studyandpr

22、edictionresultsoftheaveragevelocitywithSVMandBPa.樣本學習；b.樣本預測中，要不斷對樣本和參數進行調試、比較。本研究根據學習和預測結果的比較可知,SVM模型的預測結果要優(yōu)于BP神經網絡模型，預測模型精度可信，可其實再現泥石流流速動態(tài)變化規(guī)律。因此在泥石流模型研究中，采用SVM模型可以取得更好的預測效果。2.4泥石流平均流速敏感性因子分析為了進一步研究各因子對泥石流的敏感程度,本研究將已建立的SVM流速預測模型中5輸入因子逐一進行減少，建立相應的5個4因子平均流速預測模型。為了各模型具有可比性，其模型結構、參數以及樣本選取均和初始模型一致。根據各模

23、型的誤差比較確定各因子敏感程度，如式（1）:R,=RMSE/RMSE（1）式中，叫為敏感指數；RMSE,為缺省i因子的誤差;RMSE為初始模型誤差。若R,>Rj,表示i因子比/因子對泥石流流速更加敏感。其比較結果（表2）。通過4因子模型計算比較次均大于1,說明各因子均會在不同程度上影響泥石流流速；比降和不穩(wěn)定層厚度對平均流速的敏感指數最大，其R值分別為1.44和1.43,說明溝道比降和不穩(wěn)定層厚度對泥石流平均流速的敏感性最強,影響程度最大，而其他因素對泥石流流速敏感性較弱，影響程度較小。綜合分析可知，在泥石流暴發(fā)過程中，地形因素（比降）和物源因素（不穩(wěn)定層厚度）是泥石流主要敏感因子小勺，

24、對泥石流暴發(fā)的強度與規(guī)模有很大程度的影響，在泥石流實際研究與預測過程中，應主要針對溝道比降、不穩(wěn)定層厚度進行重點研究,為泥石流災害預防與風險管理提供技術參考。2.5泥石流平均流速預測模型為了進一步闡明蔣家溝流域泥石流平均流速動態(tài)規(guī)律，本研究在敏感因子分析的基礎上，結合溝道比降、不穩(wěn)定層厚度敏感因子,建立泥石流平均流速多元回歸方程，其模型為：v=1.79157°8505/i°3261（2）式中3為泥石流平均流速；I為溝道比降；h為不穩(wěn)定層厚度。方差分析F值378.3669,p=0.0001,表明達到極顯著水平。預測的擬合程度砂=0.8693,最大誤差為3.39mst,平均誤差

25、0.75ms",因此擬合效果很好（圖4）?？梢钥闯?，構建的泥石流平均流速預測模型精度較高、效果較好。由于受監(jiān)測數據限制，忽略了主要誘發(fā)因子降雨要素的影響，其預測精度是可以接受的。說明建立基于地形因素（比降）和物源因素（不穩(wěn)定層厚度）的泥石流平均流速預測模型可行可靠。3結論（1）本研究采用BP神經網絡和支持向量機模型對蔣家溝泥石流數據進行預測，對兩種泥石流平圖4泥石流平均流速實測值與模擬值比較Fig.4Comparisonsbetweensimulatedandmeasuredvaluesoftheaveragevelocityofdebrisflow均流速預測模型的學習與泛化能力進行

26、比較，并對平均流速各影響因素的敏感程度進行分析，建立了泥石流平均流速敏感因子預測模型；（2）樣本的學習擬合效果較好并不能說明具有較高的預測結果，由于BP網絡對學習樣本的過分依賴，過分強調樣本細節(jié)，會出現局部優(yōu)化,導致忽視了數據內在的本質規(guī)律。相反SVM模型可以尋找多雄空間的超平面，使其具有很強的推廣性；（3）SVM預測模型精度可信，可以真實再現泥石流流速動態(tài)變化規(guī)律，具有很強的非線性數據適應能力，更加適合復雜的泥石流動態(tài)變化規(guī)律研究;（4）在泥石流暴發(fā)過程中，地形因素（比降）和物源因素（不穩(wěn)定層厚度）是泥石流主要敏感因子,對泥石流暴發(fā)規(guī)模、程度有較大影響，因子之間相互作用，形成了復雜條件下的耦

27、合關系,在實際泥石流預測中，應主要針對溝道比降、不穩(wěn)定層厚度進行重點研究；研究對象5因子泥位比降密度粒徑不穩(wěn)定層厚度平均誤差/msT0.5370.7220.7750.6820.6950.770泥石流最大誤差1.3403.2463.7172.3971.7963.312平均流速R1.351.441.271.291.43敏感因子排序31542表2泥石流平均流速預測SVM模型缺省因子檢驗結果Table2DefaultfactortestresultsofSVMmodelfortheaveragevelocityofdebrisflow（5）基于溝道比降和不穩(wěn)定層厚度的泥石流平均流速耦合關系模型具有較高

28、的預測精度，可以很好地定量反映泥石流動態(tài)過程以及與各影響因子間的動態(tài)響應關系。參考文獻1CuiP,ChenXQ.ZhuYY,etal.TheWenchuanearthquake(May12,2008)Sichuanprovince,China,andresultinggcohazardsJ.NaturalHazards,2011,56：19*36.2 TangC,ZhuJ,LiWL,ctal.Rainfall-triggereddebrisflowsfollowingtheWenchuanearthquakeJ.BulletinofEngineeringGeologyandtheEnviron

29、ment,2009,68(2)：187-194.3jCuiP,ZhuYY,HanYS,etal.The12MayWenchuanearthquake-inducedlandslidelakes：DistributionandpreliminaryriskevaluationJ.Landslides,2009,6(3):209-223.4 游勇.泥石流排導槽水力最佳斷面J).山地學報，1999,17(3) ：255-258.YouYong.Optimalhydraulicconditionofdebrisflowdrainagecanal.JournalofMountainScience,199

30、9,17(3):255258.5 徐永年.崩塌土流動化機理及泥石流沖淤特性的實驗研究D.北京沖國水利水電科學研究院，2001.XuYongnian.StudyonFlowMechanismforAvalancheSoilsandScourandSiltingCharacteristicsofDebrisFlows.Beijing：ChinaInstituteofWaterResourcesandHydropowerResearch,2001.6 ChenH,LeeCF.GeohazardsofslopemassmovementanditspreventioninHongKong.Enginee

31、ringGeology,2004,76(12):3-25.7 BathurstJC,BurtonA,WardTJ.Debrisflowrun-outandlandslidesedimentdeliverymodeltests.JournalofHydraulicEngineering,1997,123(5):410-419.8 BendaLE,CundyTW.PredictingdepositionofdebrisflowsinmountainchannelsJ.CanadianGeotechnicalJournal,1990,27(4) ：409-417.9 ChenH,LeeCF.Runo

32、utanalysisofslurryflowswithBinghammodclJ.ASCEJournalofGeotechnicalandGeoenvironmentalEngineering,2002,128(12)：1032-1042.10 趙洪波，馮夏庭.支持向敏機函數擬合在邊坡穩(wěn)定性估計中的應用J.巖石力學與工程學報，2003.22(2)：241-245.ZhaoHongbo,FengXiating.Applicationofsupportvectormachinesfunctionfittinginslopestabilityevaluation.ChineseJournalofRo

33、ckMechanicsandEngineering,2003.22(2)：241-245.U原立峰.基于SVM的泥石流危險度評價研究J.地理科學，2008,28(2)：296-300.YuanLifeng.DebrisflowhazardassessmentbasedonSVM.ScientiaGeographiesSinica,2008,28(2):296-300.12 張晨，王清，張文，等.基于神經網絡對泥石流危險范閣的研究】.哈爾濱工業(yè)大學學報，2010,42(10)：1642-1645.ZhangChen,WangQing,ZhangWen,etal.Predictiononliaza

34、rdousareasofdebrisflowbasedonneuralnetwork.JournalofHarbinInstituteofTechnology,2010,42(10):16421645.13 YuanLF,ZhangYS.DebrisflowhazardassessmentbasedonsupportvectormachineJ.WuhanUniversityJournalofNaturalSciences,2006,11(4)：896-900.14 胡亞東，傅榮華，夏克勤.黃河積石峽水電站庫區(qū)泥石流危險度評價J.災害學,2004,19(2)：3641.HuYadong,FuR

35、onghua,XiaKeqin.DebrisflowhazardanscssmentinreservoirzoneofJishivalleyhydropowerstation,Yellowriver.JournalofCatastrophology,2004,19(2):3641.15 劉希林，唐川.泥石流危險性評價M.北京：科學出版社，1995.LiuXilin,TangChuan.RiskAssessmentofDebrisFlows.Beijing：SciencePress,1995.16 ToyFEH.CaoLJ.Modifiedsupportvectormachinesinfinan

36、cialtimeseriesforecastingJ.NeuroComputing,2002,48(1):847861.17 FlakeGW,IwrenceS.EfficientSVMregressiontrainingwithSMOJ.MachineLearning,2002,46(13)：271-290.18 于國強，張茂省，王根龍，等.支持向量機和BP神經網絡在泥石流平均流速預測模牧中的比較與應用JJ.水利學報，2012,43(增2)：105-110.YuGuoqiang,ZhangMaosheng,WangGenlong,etal.Applicationandcomparisonofpredictionmodelsofsupportvectormachinesandback-propagationartificialneuralnetworkfordebrisflowaveragevelocity.JournalofHydraulicEngineering,2012,43(S2)：105-110.19 張成，李占斌，張振文，等.兩種預測模型在地下水動態(tài)中的比較與應用JL生態(tài)學報，2012,32(21)：6788-6794.ZhangXia,LiZhanbin,ZhangZhenwen,etal.Applicationandcomparisonoftwopre