哈尔滨师范大学 黑龙江哈尔滨 150025
泥石流大多发生在山地或沟谷深壑的地区,是一种由于暴雨、洪水或其他自然灾害导致的夹带着山体滑坡的特殊洪流。其特点是突然爆发、来势凶猛且具有强大破坏力。“5.12”汶川地震对地质环境具有极大破坏性,与强降雨相结合诱发了多次大规模泥石流灾害。而泥石流对人类的危害非常严重,例如埋没公路、摧毁房屋及其他基础设施、淹没人畜、甚至造成村毁人亡的灾难。所以,研究泥石流的危险性评价就有了深远的意义。
贝叶斯网络结合了条件概率和图形理论,可以直观地表达出危险因素之间的相互关系,便于从不完整的信息中进行推理。如果先将影响泥石流危险程度的因素划分等级,再利用贝叶斯网络构建危险评价模型进行预测,可极大减少泥石流带给人与自然的伤害,同时也能筛查出未来发生泥石流灾害概率大的沟壑,起到一个预警作用。
1.泥石流危险性评价原理
泥石流的危险性指的是在一定的时间和区域内泥石流发生可能性的大小,侧重于泥石流本身的自然属性。目前大多用用定量、半定量和定性方法对泥石流的危险程度划分等级。我国主要用的方法是半定量和定性,其核心原理是先用层次分析法、模糊综合评价法、模糊可拓理论法筛选出重要的影响因子,然后用灰色关联度法、组合赋权法、信息熵权法等赋予影响因子权重,再汇总得到最终的危险性评价结果。
2.研究区数据处理
泥石流灾害危险性评价涉及到各个方面的因素,如影响因子、形成条件等。根据有关调查数据显示,泥石流危险性评价因子高达85个之多,所以评价因子选择的是否恰当直接影响到危险性评价结果的精准度及可信度,且有很多因子虽然是诱发泥石流占据极其重要的地位,但它数据的获取在实际操作中耗时长、操作麻烦。因此,选择一种适用性广、精确度高的泥石流危险评价方法对灾害预估成为了当下重点研究问题。
本文选用映秀镇—威州镇岷江河段的46条大型泥石流沟作为研究对象,参考专家知识,筛选出8个影响泥石流灾害发生的评价指标,且全为正向型指标。(评价指标在附录)
因泥石流灾害相关指标数据类型多样、格式不一,需对评价指标标准化处理。本文将震后的泥石流危险性评价指标及评价结果合理地划分为三个等级:轻度(0)、中度(1)、高度(2),划分准则是基于评价指标对泥石流灾害危险性的影响程度、规模、范围等。
表一 评价指标的划分准则
评价指标 | 低度危险 | 中度危险 | 高度危险 | 极度危险 | 单位 | |
年平均降水量(mm)C1 | <600 | 600~700 | 700~800 | >800 | mm | |
沟道堵塞程度C2 | <2.5 | 2.5~4.5 | 4.5~7.5 | >7.5 | 1 | |
主沟长度(km)C3 | <2 | 2~5 | 5~10 | >10 | km | |
流域完整系数C4 | <0.1 | 0.1~0.2 | 0.2~0.3 | >0.3 | 1 | |
流域面积(km2)C5 | <1 | 1~10 | 10~35 | >35 | km2 | |
地层岩性C6 | 0 | 1 | 2 | 3 | 1 | |
单位面积总动储量(104m3/km2)C7 | <1 | 1~2.5 | 2.5~5 | >5 | 104m3/km2 | |
相对高差(m)C8 | <0.5 | 0.5~1 | 1~3 | >3 | km |
3.基于朴素贝叶斯的泥石流危险性评价
3.1素贝叶斯建模流程
1)指标筛选:根据专家知识结合泥石流的发生机制,建立泥石流危险性评价指标。
2)数据预处理:对数据划分等级,标准化处理已有数据。
3)贝叶斯网络结构建立:根据各节点间的相互依赖关系构建初始贝叶斯网络结构[[1]]。
4)得到最终结果:通过贝叶斯网络推理算法得到泥石流危险程度的概率,并得到相应的泥石流危险性推算结果。
3.2模型的应用与评价
首先利用朴素贝叶斯的极大后验假设,按比率将数据集多次随机划分为训练样本集和测试样本集。之后利用上述模型的推理算法对所选研究对象中的测试样本集推算危险性概率,得到最终的泥石流危险性评价结果。下表为一次随机划分的评价结果。
表二 评价结果
沟名 | 低度危险 | 中度危险 | 高度危险 | 预测结果 |
马家坪沟 | 0.00e+00 | 1.46e-05 | 1.00e+00 | 2 |
上坪沟 | 2.02e-07 | 1.00e+00 | 1.14e-03 | 1 |
磨子沟 | 4.48e-09 | 8.85e-01 | 1.00e+00 | 2 |
野牛沟 | 2.76e-09 | 1.00e+00 | 1.18e-01 | 1 |
张坪岩沟 | 0.00e+00 | 1.66e-00 | 9.99e-01 | 2 |
小坪下沟 | 5.65e-16 | 1.00e+00 | 1.91e-02 | 1 |
苏村沟 | 4.09e-00 | 9.59e-00 | 1.34e-02 | 1 |
郭主铺沟 | 3.15e-17 | 9.99e-00 | 4.88e-01 | 1 |
七盘沟 | 0.00e+00 | 1.00e+00 | 7.67e-06 | 1 |
板桥沟 | 3.26e-12 | 1.00e+00 | 5.90e-02 | 1 |
木瓜圆沟 | 1.00e+00 | 4.32e-01 | 2.30e-02 | 0 |
大溪沟 | 1.50e-22 | 3.86e-01 | 1.00e+00 | 2 |
瓦窑坪沟 | 0.00e+00 | 1.13e-01 | 9.99e-00 | 2 |
桃关沟 | 0.00e+00 | 1.00e+00 | 2.81e-05 | 1 |
烧房沟 | 0.00e+00 | 0.00e+00 | 1.00e+00 | 2 |
红椿沟 | 2.77e-11 | 2.64e-01 | 1.00e+00 | 2 |
清水沟 | 9.99e-00 | 8.24e-01 | 5.48e-03 | 0 |
银杏坪沟 | 1.09e-03 | 4.41e-01 | 9.99e-00 | 2 |
一碗水沟 | 9.55e-00 | 4.47e-00 | 2.85e-03 | 0 |
牛圈沟 | 2.10e-16 | 7.26e-02 | 1.00e+00 | 2 |
张家坪沟 | 2.41e-12 | 1.00e+00 | 7.02e-03 | 1 |
将模型精准度的所有数据取平均值,得到朴素贝叶斯模型精确度为84.1%。并且,经过朴素贝叶斯模型推断得到的结果与传统的泥石流危险性评价方法得到的结论几乎一致,说明此模型有较好的可行性。
4.基于加权贝叶斯的泥石流危险性评价
4.1加权贝叶斯模型
朴素贝叶斯虽然结构简单、效率高,但它依赖于节点的独立性假设,所以本文通过给各评价指标赋予不同的权重,进而使用加权贝叶斯模型提高预测的准确率。
4.2灰色关联分析法求权重
权重通俗来说,就是各个因子对事件的发生都有它们自己的贡献。节点之间的权重分配加强了节点之间的联系,改进了条件独立性假设[[2]]。本文用灰色关联分析法计算各个因子之间的关联度,然后得到权重。
在本文中,用46条泥石流沟的危险程度作为样本数据,8个评价因子的数据作为比较数据。
设参考序列和比较序列分别为Xi和Xj,在k点,两个因子差的绝对值为:
两个因子最小和最大绝对差分别为
定义数列Xj与Xi数列在k点的关联系数为
式中为经验数值,取值范围为[0,1],本文选择
=0.5
使用上述方法求出八个泥石流评价因子的关联度。
表三 关联度排名
评价指标 | 关联度 | 排名 |
年平均降水量C1 | 0.731 | 2 |
沟道堵塞程度C2 | 0.693 | 3 |
主沟长度C3 | 0.608 | 4 |
流域完整系数C4 | 0.783 | 1 |
流域面积C5 | 0.563 | 7 |
地层岩性C6 | 0.477 | 8 |
单位沟道长度的沟床堆积动储量C7 | 0.589 | 6 |
相对高差C8 | 0.607 | 5 |
由表得知,年平均降水量和沟道堵塞程度对于泥石流发生的影响程度较大。以关联度作为各指标的权重值,改进朴素贝叶斯条件独立性假设,改进后的贝叶斯公式为:
4.3加权贝叶斯建模过程
根据灰色关联分析法计算出各评价指标的权重值构建加权贝叶斯模型,同样多次随机划分测试集与训练集。将所有准确率取平均值,得到最终模型的精准度为86.9%。
实例算法结果表明,加权贝叶斯模型的精度的确比朴素贝叶斯模型的更好,其中一次的评价结果如表四所示。由表可以看出预测结果为2说明这条沟非常有可能会发生泥石流灾害,需要提前预防。
在研究区高风险区域主要受年平均降水量、流域完整系数、沟道堵塞程度等指标的影响,因为这些因子对于泥石流灾害发生的影响度较高,所以基于加权贝叶斯的泥石流危险评价模型具有更好的可行性。
表四 评价结果
沟名 | 低度危险 | 中度危险 | 高度危险 | 预测结果 |
马家坪沟 | 1.74e-10 | 3.63e-01 | 9.99e-00 | 2 |
上坪沟 | 5.37e-01 | 9.99e-00 | 2.73e-00 | 1 |
磨子沟 | 1.17e-01 | 7.31e-00 | 9.93e-00 | 2 |
野牛沟 | 4.55e-01 | 8.8e-00 | 1.20e-00 | 1 |
张坪岩沟 | 8.86e-05 | 1.17e-00 | 8.83e-00 | 2 |
小坪下沟 | 1.94e-02 | 9.78e-00 | 2.21e-00 | 1 |
苏村沟 | 9.28e-00 | 6.96e-00 | 1.93e-00 | 0 |
郭主铺沟 | 2.57e-02 | 6.80e-00 | 3.20e-00 | 1 |
七盘沟 | 6.66e-04 | 9.99e-00 | 3.76e-00 | 1 |
板桥沟 | 5.70e-01 | 8.90e-00 | 1.11e-00 | 1 |
木瓜圆沟 | 9.96e-00 | 3.14e-00 | 7.72e-00 | 0 |
大溪沟 | 2.40e-03 | 1.21e-00 | 9.88e-00 | 2 |
瓦窑坪沟 | 0.00e+00 | 1.03e-00 | 8.97e-00 | 2 |
桃关沟 | 2.05e-01 | 9.99e-00 | 3.47e-00 | 1 |
烧房沟 | 9.88e-00 | 2.21e-03 | 1.00e+00 | 2 |
红椿沟 | 1.72e-00 | 9.39e-00 | 9.91e-00 | 2 |
清水沟 | 9.76e-00 | 1.19e-00 | 1.11e-00 | 0 |
银杏坪沟 | 1.19e-02 | 1.21e-00 | 9.86e-00 | 2 |
一碗水沟 | 2.12e-01 | 2.35e-00 | 5.22e-01 | 0 |
牛圈沟 | 5.70e-01 | 7.99e-00 | 9.99e-00 | 2 |
张家坪沟 | 1.72e-00 | 9.99e-00 | 1.01e-00 | 1 |
6.结语
本文运用贝叶斯网络方法建立了泥石流危险性评价模型,并分析了汶川震区泥石流灾害的危险性,其结果也有较高的精准度。研究表明,加权贝叶斯方法能较真实地预测泥石流灾害发生的危险等级,可为减灾防灾提供科学依据。
附录:
评价指标的特征描述:
,为流域完整系数;
为流域面积(km2);
为主沟长度(km)。
参考文献:
[1] 李明,张韧,洪梅.基于加权贝叶斯网络的海洋灾害评估与管理
[J].海洋开发与管理,2018,35(01):52-59.DOI:10.20016/j.cnki.hykfygl.2018.01.009.
[[2]] 李佩佩. 云南省绿春县城地质灾害风险性评价[D].成都理工大学,2017.
作者简介:吴姝雨,性别:女,民族:汉,籍贯:黑龙江省大庆市,出生年月:1999.5,文化程度:硕士研究生,研究方向:大数据分析与机器学习.