基于BP 神經網絡的方法評價泥石流危險度

陳 華 上官云龍

(1．吉林市城園設計院有限責任公司，吉林吉林 132013; 2．吉林省交通科學研究所，吉林長春 130012)

基于BP 神經網絡的方法評價泥石流危險度

陳 華1上官云龍2

(1．吉林市城園設計院有限責任公司，吉林吉林 132013; 2．吉林省交通科學研究所，吉林長春 130012)

應用吉林省某地區8條泥石流溝資料，以主溝坡度、單位流域面積松散物源量、山坡坡度、流域切割密度、植被覆蓋率、補給段長度六項為評價因子，采用BP神經網絡的方法對文中的泥石流溝進行評價，發現BP神經網絡的方法對研究泥石流危險度是合理并且相對簡單的。

泥石流，神經網絡，危險度

0 引言

泥石流是屬于一種突然發生的，與地質密切相關的自然災害，這種自然災害大多出現于偏遠的山區。在泥石流發生的山區，成災的環境是極為復雜的，其地域也具有較大的不同。這些性質就賦予了泥石流不確定性與多樣性的特點。可見，泥石流危險度評價是極其有難度的［1］。

危險度是指受到損害的概率和可能性，是危險的定量表達。泥石流危險度是指遭到泥石流損害的可能性和大小，是對泥石流定量評價的方法。針對泥石流具有不確定性的性質，國內外學者先后提出了不同的分析方法，如灰色系統理論與層次分析等［2，3］。

BP神經網絡是能夠模擬人腦的神經網絡，模仿人腦若干個基本特征，并能進行一定的數據和信息處理，具有特有的非線性適應性信息處理能力。因此，將BP神經網絡的方法應用于泥石流研究中，能夠對危險度做出客觀合理的評價。本文將著重利用這種方法，對區域泥石流的危險度進行評價。

1 方法設計

目前，神經網絡的模型得到廣泛的應用，研究人員提出很多神經網絡的模型。如BP網絡的數學模型、Hopfield網絡的數字模型、隨機型BM網絡等。其中最為廣泛應用的是BP神經網絡數學模型中的前饋型層次網絡，這種神經網絡模型可以準確的進行輸入與輸出的轉化，靈活，適應能力強，具有高度的非線性運算能力，被廣泛用于預測和識別。泥石流危險度評價基本屬于模式識別問題，因此本文要以前饋型BP神經網絡作為評價泥石流危險度的模型。

三層前饋型神經網絡，其中的一種結構為拓撲結構，在各領域有著廣泛的應用和研究［4-6］。拓撲結構如圖1所示。

圖1 三層BP神經網絡數學模型

三層BP神經網絡被分為輸入層、隱含層和輸出層。同一層之間的節點沒有聯系，每一個神經元都與它前層的神經元有關聯。每個神經元只接受上一級的輸入，并只對下一級進行輸出。因此這是一個典型的前饋型網絡［7］。

其中，輸入層有多少個節點，對應的神經網絡就應該有多少個輸入，同理，輸出層有多少個節點，就有多少個輸出與之對應，隱含層的層數可以根據研究需要進行設置。含有靈活控制層數的隱含層，有效的提高了神經網絡的分類和辨析能力。本文只用一個隱含層作本次研究，但是隱含層的神經元數目還要根據實際情況進行調整［8，9］。

2 實例

為了驗證所研究使用方法的正確性和合理性，本文選取吉林省某地區泥石流高發區的其中8條泥石流溝資料進行泥石流危險度評價的研究。其中以主溝坡度、單位流域面積松散物源量、山坡坡度、流域切割密度、植被覆蓋率、補給段長度為評價因子。并且以這6項評價因子作為BP神經網絡的輸入，具體取值見表1。同時，以泥石流危險度評價值為輸出。

表1 泥石流風險因子

因為以6項評價因子進行評價，所以輸入層設置為6個神經元，依次為1～6因子。設置以危險度評價為輸出，因此輸出層設置為1個神經元，同時分為四個等級，依次為1，2，3，4，分別代表較低危險度、中等危險度、高危險度、極高危險度(見表2)。隱含層神經元傳遞選用tansig函數，輸出層神經元傳遞選用purelin函數。設計最小誤差為0．001，最大循環次數為4 000次。最后進行試運算，經過不斷的調試和運算獲得隱含層神經元的個數，并顯示在h=8時，神經網絡趨于收斂，并且達到所需要的最佳效果。

表2 危險性評價法生成成果

BP神經網絡試運算的每一次結果都會有差別，因為所選非線性函數的趨近產生的趨近結果不同，得到結果為最優解，所以BP神經網絡存在一定的不穩定性。

3 結語

泥石流危險度的評價是一個很復雜的問題，通過對BP神經網絡的研究，以及對吉林省某地區泥石流高發區的其中8條泥石流溝資料進行實際研究，我們確定BP神經網絡的方法評價泥石流危險度的方法是合理的，而且評價結果并不復雜。因此這種方法有著廣泛的應用前景，也是研究泥石流危險度的一種簡單有效的方法。近年來，泥石流危險度的研究得到了廣泛的重視，相繼出現了許多種方法來進行研究。用BP神經網絡方法不是最精確的和復雜的，但正由于這種特性，讓人們能更容易理解并應用。

［1］劉希林，唐 川．泥石流危險性評價［M］．北京：科學出版社，1995．

［2］匡樂紅，徐林榮，劉寶琛．基于可拓方法的泥石流危險性評價［J］．中國鐵道科學，2006，27(5)：1-6．

［3］黃 雙，李廣杰，陳偉韋．基于人工神經網絡的泥石流災害危險性評價［J］．山西建筑，2007，33(3)：1-2．

［4］飛思科技產品研發中心．神經網絡理論與MATLAB7實現［M］．北京：電子工業出版社，2005．

［5］李楊楊．神經網絡方法評價泥石流危險度［J］．黑龍江水專學報，2008，35(1)：1-4．

［6］王子健，肖盛燮，戴廷利，等．泥石流危險度模糊綜合評判方法及應用［J］．重慶交通大學學報，2008，27(5)：1-5．

［7］普小兵，李德基．BP神經網絡在泥石流研究中的應用［J］．巖石力學與工程學報，1996，15(sup)：1-3．

［8］賴德蓮．泥石流危險性的灰色綜合評價模型［J］．科技咨詢，2007(13)：1-2．

［9］陳燕慶，鹿 潔．神經網絡理論在控制工程中的應用［M］．西安：西北工業大學出版社，1991：32-61．

［10］匡樂紅，劉寶琛，姚京成．基于模糊可拓方法的泥石流危險度區劃研究［J］．災害學，2006，21(1)：1-5．

Debris flow hazard evaluation based on BP neural network

CHEN Hua1SHANGGUAN Yun-long2

(1．Jilin Chengyuan Institute of Design Co．，Ltd，Jilin 132013，China; 2．Jilin Traffic Science Graduate School，Changchun 130012，China)

This paper used 8 debris flow catchments as examples，the gradient of the main channel，loose material volume per area，slope gradient，ravine density，vegetation coverage，supply ratio were selected as influencing factors．BP neural network was used for the debris flow evaluation．It is drawn that BP neural network theory is simple and rational to study the debris flow hazards．

debris flow，neural network，hazard

TU943．1

A

10.13719/j.cnki.cn14-1279/tu.2013.10.005

1009-6825(2013)10-0089-02

2013-01-12

陳 華(1979-)，女，工程師; 上官云龍(1975-)，男，高級工程師