降雨型滑坡的集合預報模型及其初步應用的試驗研究

陳悅麗 陳德輝 李澤椿 吳亞麗 黃俊寶

?

降雨型滑坡的集合預報模型及其初步應用的試驗研究

陳悅麗1, 2, 3陳德輝3李澤椿4吳亞麗5黃俊寶6

1南京信息工程大學大氣科學學院，南京210044m,2中國氣象科學研究院災害天氣國家重點實驗室，北京100081,3中國氣象局數值預報中心，北京100081,4國家氣象中心，北京100081,5中國氣象局廣州熱帶海洋氣象研究所區域數值預報重點實驗室，廣州510080,6福建省地質環境監測中心，福州350002

滑坡的實時預警系統GRAPES-Landslide是將數值天氣預報模式GRAPES（Global/Regional Assimilation and PrEdiction System）與滑坡預測模型TRIGRS（Transient Rainfall Infiltration and Grid-based Regional Slope- stability）進行單向耦合建立起來的動力數值預報預警系統。由于滑坡預測模型TRIGRS中的關鍵水土參數具有空間分布很不均的特性，很難獲取準確的數據加以描述，使得滑坡事件的激發、預測存在很大的不確定性，同時數值天氣預報模式本身具有不確定性，因而用于誘發滑坡災害的估測降水存在不確定性，進而使得滑坡的預報存在偏差。本研究基于預測降水和水土參數分布不確定性的考慮，提出了GRAPES-Landslide滑坡集合預報模型。滑坡集合預報模型中有5個不同的預報降水成員，分別是（1）GRAPES_MESO業務模式、（2）“暖—潛熱加熱納近”方法、（3）基于九點平滑濾波的“暖—潛熱加熱納近”方法、（4）對（1）～（3）的降水成員進行簡單平均、（5）對（1）～（3）的降水成員進行概率匹配的集合。根據水土參數呈正態分布的特點，通過Monte-Carlo方法隨機生成100組擾動參數值。將5個預報降水與100組擾動水土參數結合，組成GRAPES-Landslide滑坡集合預報模型。選擇2013年7月18日00時到7月19日12時（協調世界時）福建省“西馬侖”臺風降雨引發閩三角地區發生大量滑坡災害為例，進行實際預報試驗。初步研究結果表明本文建立的GRAPES-Landslide滑坡集合預報系統所預測的滑坡頻發區與觀測區域有很好的吻合度，與目前的滑坡業務預報結果相比有明顯改進，落區更精細化。因此，GRAPES-Landslide滑坡集合預報系統綜合考慮了降水預報的不確定性和非均勻分布的水土參數的不確定性，為區域滑坡預測提供了一種新的可能方法。

降雨型滑坡 GRAPES-Landslide預報系統 集合預報

1 引言

滑坡災害是全球泛生型突發性地質災害，廣泛分布于高山、中山和低山丘陵區。影響滑坡的主要因素可以分為內因和外因兩類：內因包括地質條件、地貌類型和人類活動；外因包括降水、地震和火山爆發等（Varnes，1978）。根據我國縣市地質災害第一期調查的結果顯示，滑坡的主要誘發因素是暴雨，暴雨誘發的滑坡數量占總數的90%（李媛等，2004）。早期的研究也顯示滑坡的發生與降水的時空分布具有緊密的聯系。目前開展的滑坡預測研究主要基于經驗模型、統計模型或者動力模型。

經驗模型主要分析誘發滑坡發生的降雨特征，特別是降雨強度、歷時和累積雨量，獲得誘發滑坡的降雨強度——歷時關系曲線（Intensity-Duration curve，簡稱I-D曲線）或者累積雨量的臨界值，從而判斷滑坡發生的可能性。經驗模型的特點是簡便，易于操作，但是只能適用于特定的區域。統計模型包括貝葉斯模型、回歸模型和神經網絡模型等。統計模型減少了選擇降雨閾值的主觀性，考慮了靜態條件，例如坡度、海拔高度和植被覆蓋等因素，但是不適合用于研究極端降水誘發的滑坡事件，并且無法對滑坡發生的內部機理進行解釋。動力模型從模擬滑坡發生的物理機制出發，一般以地理、地質和水文特征作為輸入參數，降水作為驅 動因子。將水文模型與邊坡穩定性模型進行耦 合，可以較好的模擬坡體的變化。目前常用的耦合模型有SHALSTAB（SHAllow Landslide STABility model）、SINMAP（Stability INdex MAPping）、dSLAM/IDSSM（distributed Shallow LAndslide Model/Integrated Dynamic Slope Stability Model）和TRIGRS（Transient Rainfall Infiltration and Grid- based Regional Slope-stability model）等。與其他模型相比較，TRIGRS模型考慮了瞬態降水過程對邊坡穩定性的影響，模擬結果更為準確（Godt et al., 2008）。

TRIGRS模型基于瞬態降雨入滲原理，模擬邊坡安全系數隨時間的變化（Iverson，2000；Baum et al., 2008）。Chen et al.（2005）使用TRIGRS模型模擬了2000年12月發生在臺灣的一起由降雨誘發的滑坡事件。叢威青等（2008）將TRIGRS模型應用于我國南方某典型地區，結果表明該模型可以動態的預測區域降雨型滑坡的發生發展過程。Liao et al.（2011）在卡羅萊納州北部梅肯縣藍嶺山量化評估了Matlab版本TRIGRS的時空預測能力，結果顯示在準確的降雨預報和詳細的野外數據基礎上，此模型具有較高的滑坡預警潛力。Kim et al.（2010）利用分辨率為5 m×5 m的DEM（Digital Elevation Model）數字高程模型和土壤調查數據，使用TRIGRS模型計算安全系數，得到可能發生滑坡的區域，并且與分辨率為1 m×1 m的IKONOS2滑坡遙感圖像進行對比分析，兩者的符合度為64.1%。Vieira et al.（2010）使用TRIGRS模型預測位于巴西圣保羅的馬爾山流域的不同場景下的淺層滑坡。Godt et al.（2008）應用TRIGRS模型在華盛頓州的西雅圖北部進行模擬，結果表明加入瞬態過程提高了模型的模擬精度。滑坡動力模型的預報效果已經得到了國內外學者的認可，但是將滑坡動力模型應用到實際的預報工作中仍然有很多問題需要解決，特別是如何獲取高時空分辨率的預測降雨數據和水土參數。

目前滑坡預報研究中使用的降雨數據主要來自氣象觀測站。使用氣象觀測站的降雨資料進行滑坡預報，存在以下三個問題：（1）觀測降水資料不是預測資料；（2）氣象站點數量有限且分布不均；（3）部分高山或者偏遠地區，缺乏降雨觀測資料。部分學者提出利用數值天氣預報模式預報降水，從而驅動滑坡模型，預測滑坡發生的時間和地點。Liao et al.（2010）用空間分辨率為4 km×4 km的WRF（Weather Research Forecasting）模式的預報降水數據驅動滑坡預測模型SLIDE（Slope-Infiltration- Distributed Equilibrium），成功的預測了滑坡發生的時間。魏麗（2005）利用MM5中尺度數值預報系統（Fifth-generation Pennsylvania State University– National Center for Atmospheric Research Mesoscale Model）對誘發滑坡的連續降水進行數值試驗，獲取定量定點降水預報產品，使用統計模型進行滑坡預報。數值天氣預報模式可以預測未來降雨的時空分布特征，但是存在一定的誤差。數值天氣模式的誤差主要來自初始條件和模式本身。數值模式的初始條件只是真實大氣狀態的一個近似，初始場的一個細微差別可能導致結果產生很大差異。從單一確定的初始場得到的預報結果僅僅是真實大氣的一個可能解，存在著不確定性和不可靠性等問題（肖玉華等，2011）。集合預報為解決單一預報不確定性問題提供了一種可能的方法。

由于滑坡預測模型中的關鍵水土參數具有空間分布不均的特性，很難獲取準確的數據加以描述，使得滑坡事件的激發、預測存在很大的不確定性。前人的研究顯示凝聚力和內摩擦角是模型不確定性的主要來源（Chowdhury and Flentje, 2003; Griffiths et al., 2011），并且通常呈正態分布（Vanmarcke, 1977; Wang et al., 2010; Park et al., 2012），因此可以將獲取高空間分辨率的水土參數的需求，轉化為獲取水土參數的概率密度分布曲線。傳統的滑坡預報方法通常只能預報出百公里的地質災害易發區，而將集合數值天氣預報方法與動力學地質災害模型相結合，進行滑坡的概率預報，可以提高滑坡的空間預報到公里級別與延長滑坡預報預見期。滑坡的實時預警系統GRAPES- Landslide是將數值天氣預報模式GRAPES（Global/ Regional Assimilation and PrEdiction System）與滑坡預測模型TRIGRS進行單向耦合建立起來的動力數值預報預警系統（Chen et al., 2016）。本文基于預測降水和水土參數分布不確定性的考慮，提出了GRAPES-Landslide滑坡集合預報模型。選擇2013年7月18日00時至7月19日12時（協調世界時，下同）“西馬侖”臺風降雨過程誘發福建省閩三角地區發生的大量滑坡為例，進行滑坡預報試驗。

2 研究區域和“西馬侖”臺風簡介

福建省位于我國東南沿海，是典型的亞熱帶季風氣候，雨季降雨量占全年降雨量的30.0%左右，多年7月的平均降雨量為190 mm。閩三角地區位于福建省的東南部，包括泉州市、廈門市和漳州市，地形西高東低，特別是沿海地區海拔較低，多為 400 m以下，坡度在0°～74°之間，集中分布在30°以下（圖1、圖2）。地質類型主要有6種，包括沉積巖與變質巖的元古界、古生界、中生界地層，以及巖漿巖中的花崗巖、鎂鐵質巖類和火山巖（圖3，數據來源于地球系統科學數據共享平臺——中國1:400萬全要素基礎數據）。其中以沉積巖與變質巖的中生界地層和花崗巖為主，占總面積的90%以上。

圖1 閩三角區域的海拔高度分布（單位：m）

圖2 閩三角區域坡度分布

圖3 閩三角區域地質類型。色標1、2、3、4、5和6分別表示元古界（沉積巖與變質巖）、古生界（沉積巖與變質巖）、中生界（沉積巖與變質巖）、花崗巖（巖漿巖）、鎂鐵質巖類（巖漿巖）和上新世—全新世火山巖（巖漿巖）

2013年第8號熱帶風暴“西馬侖”于7月18日12時30分在福建省漳浦縣登陸，18日18時在福建省華安縣減弱為熱帶低壓，18日21時停止對其編號（圖4）。由于受臺風“蘇力”的影響，“西馬侖”臺風登陸前，福建省的10日累積降雨量高達到222 mm（圖5，數據來源于中國氣象科學數據共享網——中國地面降水日值0.5°×0.5°數據集V2.0），土壤已經呈飽和或者近飽和狀態。“西馬侖”臺風降雨過程在閩三角地區誘發了大量的滑坡災害，有20.28萬人受災，直接經濟損失15.52億元。

圖4 “西馬侖”臺風路徑以及閩三角地區（綠色：泉州市；紅色：廈門市；藍色：漳州市）的地理位置。

圖5 2013年7月8日至2013年7月17日福建省及其周邊區域累積降雨量（單位：mm）

3 基于GRAPES-Landslide的區域集合預報模型

GRAPES模型是2001年中國氣象局聯合各個高校、研究所的專家建立的數值天氣預報系統，如今已經實現了業務運行，表現出較好的預報技巧（Zhang and Shen, 2008）。TRIGRS模型是由美國地質調查局開發的降雨誘發型滑坡的預報模型。滑坡的實時預警系統GRAPES-Landslide是將GRAPES模型的逐小時降水預報結果經過降尺度后驅動TRIGRS模型。目前該預警系統已經在福建省德化縣進行了初步的試驗，結果顯示該預警系統對降水誘發型滑坡具有較好的預報能力（Chen et al., 2016）。

GRAPES-Landslide模型的滑坡預報準確度主要取決于降水預報的準確性、水土參數精度以及模式本身。利用數值天氣預報模型進行降水預報具有不確定性，預報的不確定性主要來自模式本身以及初始條件。初始條件只是真實大氣的一個近似，對初始場進行擾動，開展集合預報可以在一定程度上解決降水預報的不確定性問題。同時，由于缺乏高精度的水土參數的空間分布信息，極大地限制了模型的使用范圍。如果根據野外調查的數據，對水土參數進行適當的擾動，就可以將模型應用于較大的區域。基于滑坡的實時預警系統GRAPES- Landslide，考慮模型降水預報和水土參數的不確定性因素，提出了GRAPES-Landslide滑坡集合預報模型，將傳統的滑坡預報由確定性預報發展為概率預報。

3.1 GRAPES模式的初值不確定性擾動

滑坡預報模型需要降水數據作為驅動因子。本研究基于GRAPES_MESO模式，使用5個不同的降雨預報成員，進行降雨預報：

（1）GRAPES_MESO業務預報模式。

（2）采用潛熱加熱納近方法融合加密自動站的降水資料，調整模式的加熱廓線，使模式降水向觀測降水逼近，進而調整模式預報的初始場，達到改進模式初值的目的，從而提高降水預報準確度。進行地面降水資料同化之前，GRAPES模式先運行 3 h，這樣就有較為合理的模式雨帶與觀測雨帶進行匹配，然后再修正模式的加熱廓線，這種方法被稱為“暖—潛熱加熱納近”方法（吳亞麗等，2015）。

（3）在“暖—潛熱加熱納近”方法的基礎上，利用九點平滑濾波的方法對初始場進行平滑，這種方法被稱為“基于九點平滑濾波的‘暖—潛熱加熱納近’方法”。

（4）將（1）～（3）的降水預報結果進行簡單的集合平均。

（5）將（1）～（3）的降水預報結果通過概率匹配的方法進行集合。

第1個降水預報成員是基于GRAPES業務預報模式。第2個降水預報成員的特點是同化了加密自動站的降水資料，調整了模式的加熱廓線。第3個成員是在第2個成員的基礎上，對初始場進行九點平滑濾波。第4和5個成員分別用簡單平均和概率匹配的方法對前三種不同初始場的降水預報結果進行集合。

3.2 TRIGRS模型及其參數擾動

TRIGRS是基于柵格的降雨誘發型斜坡穩定性計算模型，包括入滲模型、斜坡穩定性模型和水文模型三部分。Iverson（2000）提出了瞬時降雨入滲模型，并將瞬時降雨入滲模型與無限邊坡穩定性分析模型及牛頓第二定律結合起來，預測滑坡發生的時間和地點。Baum et al.（2008）發展了Iverson（2000）模型，增加了復雜降雨過程的解決方案。

3.2.1 入滲模型

入滲模型應用于飽和或者近飽和的試驗區域，包括穩定入滲部分和瞬態入滲部分。穩定入滲部分取決于地下水位的初始深度和穩定入滲速率，可見入滲模型對初始條件十分敏感，因此需要進行田間試驗獲取較為準確的初始條件。瞬態入滲部分假設水流一維豎直向下流動，并且隨著降雨強度的變化而變化。有限深度不滲透底部邊界的壓力水頭的公式（Baum et al., 2008）為

3.2.2 斜坡穩定性模型

利用無限邊坡模型分析斜坡的穩定性。無限邊坡是對土層深度遠遠小于斜坡的長或寬的復雜斜坡形態的簡單近似。無限邊坡的初始破壞通過平衡方程描述，重力沿斜坡向下的分力與依照庫倫準則獲得的抵抗力之間相互平衡（孔隙水壓力作為中間媒介）。安全系數S（Factor of Safe）定義為（Iverson, 2000）

3.2.3 水文模型

TRIGRS模型使用了基于簡單水量平衡的水文模塊來模擬地表徑流，這樣可以防止降雨所產生的地表徑流在運算域的網格中消失。模型中假設每一個運算時間域內質量守恒，凡是無法在目前時間域內入滲的降雨，將以地表徑流的方式流往運算域內下游網格，具體的計算方法參見式（4）和式（5）（Baum et al., 2008）。

當地表徑流流至新網格時，根據該網格當時的含水量，可以選擇下滲或是繼續向下游網格前進。模式中假設如果降雨量加上來自鄰近網格的地表徑流量之和超過該網格的入滲容量時，該網格隨即產生地表徑流，流向下游臨近網格。

3.2.4 TRIGRS模型的參數擾動

TRIGRS模型被廣泛地應用于降雨型滑坡預測。通常預報區域面積較小，一般為幾平方千米。在較小的預報區域內，可以通過開展大量的野外采樣工作和室內試驗獲得水土參數值。但是滑坡預測模型TRIGRS中的關鍵水土參數本身具有內在的空間分布非均勻性（Baecher and Christian, 2003; Chowdhury et al., 2010），即使是在同層土中不同位置的水土參數也具有變異性。如果模型采用單一的參數值，容易導致預報結果存在偏差。當預報區域范圍較大時，獲取準確的高精度水土參數幾乎是不可能的，使得滑坡事件的激發、預測存在很大的不確定性。因此必須解決在水土參數空間分布不均以及采樣樣品有限的條件下，如何利用有限的樣本獲取模型的輸入參數的問題。

水土參數中內摩擦角和凝聚力是邊坡穩定性模型不確定性的主要來源，本研究中只考慮了內摩擦角和凝聚力的空間分布不確定性。大多數學者的研究顯示凝聚力和內摩擦角呈正態分布，也有部分學者認為凝聚力和內摩擦角呈線性或者對數正態分布（Vanmarcke, 1977; Wang et al., 2010; Park et al., 2012）。將內摩擦角和凝聚力看作一個隨機變量，根據其具有的某種分布特征，就可以將獲取高精度水土參數空間分布的需求，轉化為獲取水土參數的概率密度分布曲線，從而解決獲取水土參數困難的問題（Park et al., 2013; Raia et al., 2014）。

蒙特卡洛方法（Monte-Carlo）是以概率統計理論為基礎，實現從已知概率分布抽樣，建立隨機變量的估計值，構造符合一定規則的隨機數。首先在野外采集土壤樣品，然后通過實驗室分析得到樣品的凝聚力和內摩擦角。根據凝聚力和內摩擦角的分布特征，利用Monte-Carlo方法進行隨機抽樣。將每一組凝聚力和內摩擦角參數值都輸入模型中計算安全系數，然后統計每個研究單元中安全系數小于1的次數，最后計算研究單元的失穩概率：

式中，s為滑坡發生的概率或者稱為失穩概率，為隨機抽樣的次數，為隨機試驗中安全系數S小于1的次數。

TRIGRS模型通過將入滲模型、水文模型和斜坡穩定性模型耦合在一起，計算邊坡的安全系數S，根據安全系數是否小于1來判斷滑坡是否發生以及發生的時間，但是沒有考慮巖土中客觀存在的參數不確定性問題。利用參數的分布特征，通過Monte-Carlo方法模擬參數的隨機分布，建立在概率論基礎上的可靠度被引入到邊坡的穩定性評價中，使得滑坡的預報方法由確定性預報，改進為概率預報，預報結果更為科學和精確。

4 模型應用

4.1 試驗設計

GRAPES-Landslide滑坡集合預報模型中有5個不同的預報降水成員，主要包括：（1）GRAPES_ MESO業務預報模式；（2）“暖—潛熱加熱納近”方法；（3）基于九點平滑濾波的“暖—潛熱加熱納近”方法；（4）簡單集合平均；（5）概率匹配的降水集合。在進行降水預報時，GRAPES模式垂直方向選取非均勻的32層，水平分辨率約為3 km。模式微物理過程選用WSM6類方案（水汽、雨、雪、云水、云冰、霰），長波輻射過程選用RRTM方案，短波輻射選用Dudhia方案，近地面層選用Monin- Obukhov方案，陸面過程選用Noah方案，邊界層參數化方案為MRF方案，關閉積云參數化方案。“暖—潛熱加熱納近”方法中使用的加密自動站降水資料來自于國家氣象信息中心，該資料在由地方上傳到國家氣象信息中心之前，經過了各級資料部門的質量檢查。模式的背景場和側邊界均由NCEP GFS的預報場提供，其中背景場為GFS的6 h預報場，側邊界條件每6 h更新一次，進行12 h的短時預報。

TRIGRS模型是基于柵格的模型，每個柵格的大小與DEM的空間分辨率一致。本研究中選用了空間分辨率為30 m×30 m的DEM資料（圖1），也就是每個研究單元的空間分辨率為30 m×30 m。利用Monte-Carlo方法，根據閩三角地區的內摩擦角和凝聚力分布特征，隨機生成100組數值，也就是每個研究單元都對應100組不同的水土參數組合。每一個降水成員做出降雨預報后采用雙線性插值的方法進行降尺度后驅動TRIGRS模型。將5個預報降水與100組擾動水土參數結合，共進行5×100組試驗，生成5×100個安全系數圖層。每個研究單元都進行了5×100次試驗，統計每個研究單元安全系數S小于1的次數，最后計算這個研究單元發生滑坡的概率。

4.2 輸入參數

原始DEM矩陣中普遍存在洼地。為了使水流經過洼地時，有一個明確的水流方向，需要利用ArcGIS軟件對DEM的洼地進行填平，然后采用單流向D8算法計算水流方向（Fairfield and Leymarie, 1991）。閩三角地區的坡度也是利用DEM資料在ArcGIS中直接提取（圖2）。逐小時降水預報產品的空間分辨率約為3 km，使用雙線性插值的方法降尺度到30 m。在臺風“西馬侖”登陸前十天，閩三角地區累積降雨量較大，最高可達到221 mm，其余區域也在100 mm以上。我們假設此時土壤已經處于飽和或者近似飽和的狀態，水力擴散度0是水力傳導度s的100倍，而入滲速率Z是s的0.01倍的（陳則佑等，2011；Liu and Wu, 2008；Chen et al., 2005）。

根據閩三角地區的地質分類圖，該地區的主要地質類型為沉積巖與變質巖和巖漿巖（圖3）。沉積巖與變質巖可以分為元古界、古生界和中生界等不同地層。巖漿巖可以分為花崗巖、鎂鐵質巖類和上新世—全新世火山巖等。對不同地質類型的分布面積進行統計，結果顯示花崗巖占巖漿巖區域總面積的90%以上，沉積巖與變質巖的中生界地層也占沉積巖與變質巖區域總面積的90%以上。

德化縣位于閩三角地區的最北部，其主要的地質類型為沉積巖與變質巖的中生界地層。2006年到2009年福建省地質環境監測院在德化縣開展了水土參數調查工作，進行了大量的野外調查和室內試驗。試驗結果顯示，土壤容重的平均值為12.73 kN m?3，土壤飽和水力傳導度s為8.19×10?7 ms?1。根據此次調查工作獲取的樣本的凝聚力和內摩擦角數值，首先進行了正態分布擬合度測試，均通過了顯著性水平為0.05的正態分布檢驗。將土樣的實驗結果利用Matlab軟件進行正態分布擬合：凝聚力的平均值為12.21 kPa，方差為6.15；內摩擦角的平均值為21.06°，方差為6.18（圖6）。這樣的結果與其他學者的研究結論相符合，土壤參數具有正態分布的特征。從理論上說，Monte-Carlo方法需要大量的試驗，試驗次數越多，所得到的結果才越精確。考慮到模型運行的時間成本，本次試驗中利用Monte-Carlo方法隨機生成100組凝聚力和內摩擦角，作為閩三角地區沉積巖與變質巖區域的輸入參數。

由于花崗巖占巖漿巖分布總面積的90%以上，因此巖漿巖區域的水土參數取值參考花崗巖區域的參數值。林蓬琪和侯萍（1990）等和王清等（1990）分析了閩三角地區花崗巖區域的水土參數分布特征。土壤容重的平均值為17.837 kN m?3，凝聚力的平均值為32.18 kPa，內摩擦角的平均值為27.8°，凝聚力和內摩擦角的方差都取6.2，具體的參數取值見表1。利用Monte-Carlo方法隨機生成100組凝聚力和內摩擦角，作為閩三角地區巖漿巖區域的輸入參數。

表1 模型輸入參數

根據林蓬琪和侯萍（1990）的研究與實際勘測，當海拔高度小于400 m，假設土壤厚度為2 m；當海拔高度小于400 m，土壤厚度為2～10 m，假設土壤厚度與海拔高度呈線性關系= ?0.02＋10，其中為海拔高度，為土壤厚度。閩三角地區的土壤厚度分布圖見圖7。根據經驗判斷，假設地下水位深度為土壤厚度的80%。

圖7 閩三角地區土壤厚度分布（單位：m）

4.3 模擬結果

Chen et al.（2016）的研究結果表明：降水總量對預測滑坡可能發生的時間和地點具有顯著影響；即使總雨量恒定，不同的雨型，例如逐小時降雨強度隨時間遞增或者遞減，預測滑坡發生的時間差別很大。降水對滑坡具有明顯的誘發作用，這就對降水預報的準確性提出了更高的要求，不僅需要準確預報降雨總量，還需要準確的預報逐小時降雨量。由于降水是多種尺度大氣運動非線性相互作用的結果，大氣的非線性和不穩定性特征所導致的預報誤差增長意味著預報模式的初始條件的很小誤差，都將不可避免的導致降水預報技巧的喪失，使得降水預報具有不確定性，因此使用多種方法獲得不同的初始場可以減少降水預報的不確定性，提高降水預測的準確度。吳亞麗等（2015）的研究表明：“暖—潛熱加熱納近”方法可以有效地同化地面降水資料，改進GRAPES模式12 h的降水TS（Threat Score）和ETS評分；采用概率匹配的方法對降水預報進行集合平均，可以提高GRAPES模式短時降水的預報準確性。在本研究中采用了不同的降水成員，包括GRAPES_MESO業務預報模式、“暖—潛熱加熱納近”方法、基于九點平滑濾波的“暖—潛熱加熱納近”方法、對前三個降水成員進行簡單平均和概率匹配的集合。采用不同的成員進行降水預報，可以減小降水預報的不確定性。

模式的背景場和側邊界均由NCEP GFS的預報場提供，其中背景場為GFS的6 h預報場，側邊界條件每6 h更新一次，進行12 h的短時預報。圖8中a1、b1、c1為觀測的12 h累積降水量，由加密自動站點的小時降雨資料累加得到；a2、b2、c2為利用“暖—潛熱加熱納近”方法進行降水預報的結果；a3、b3、c3為GRAPES_MESO業務模式的降水預報結果；a4、b4、c4為利用基于九點平滑濾波的“暖—潛熱加熱納近”方法進行降水預報的累加12 h降水量；a5、b5、c5為對（a2、b2、c2）、（a3、b3、c3）和（a4、b4、c4）方法的逐小時預報結果進行了簡單平均后進行累加；（a6）是采用概率匹配的方法對逐小時預報結果進行集合，然后對12 h的降水結果進行累加。“西馬侖”臺風于2013年7月18日12時30分在福建登陸。圖8a顯示了“西馬侖”臺風登陸前12 h降水總量，數值預報的降水落區和總量較實況都偏大。圖8b顯示了臺風登陸后的降雨總量，與GRAPES業務預報模式相比，其余的四個降水成員都有效地改善了降水預報結果，預報雨帶的位置與實況接近，特別是采用概率匹配的集合降水預報結果與實況更為接近。TS評分可以度量預報有降水和觀測有降水事件被正確預報的比例。圖9給出了2013年7月18日00時到7月19日12時的3 h、6 h和12 h累積降水的TS檢驗結果。GRAPES_MESO業務模型的降水預報TS評分顯著低于其他四個降水成員，其他四個降水成員對小雨、中雨、大雨和暴雨的預報能力不同。不同成員預報的降水落區和強度存在一定差異。由于降水預報具有不確定性，利用多個成員的降水預報結果驅動滑坡預測模型，可以增大滑坡預報的準確性。

圖8 （a1–a6）2013年7月18日00時至12時福建省累積降雨量；（b1–b6）2013年7月18日12時至19日00時福建省累積降雨量；（c1–c6）2013年7月19日00時至12時福建省累積降雨量。（a1、b1、c1）觀測降雨量；（a2、b2、c2）“暖—潛熱加熱納近”得到的降雨量；（a3、b3、c3）GRAPES_MESO模式得到的降雨量；（a4、b4、c4）基于九點平滑濾波的“暖—潛熱加熱納近”得到的降雨量；（a5、b5、c5）簡單集合平均得到的降雨量；（a6、b6、c6）概率匹配的降水集合。黑色矩形區域表示閩三角地區

圖8 （續）

圖9 2013年7月18日00時到19日12時（a）3小時、（b）6小時、（c）12小時累積降水TS評分。色標I、II、III、IV和V分別表示“暖—潛熱加熱納近”、GRAPES_MESO模式、基于九點平滑濾波的“暖—潛熱加熱納近”、簡單集合平均和概率匹配的降水集合

從2013年7月18日00時至7月19日12時，利用GRAPES-Landslide集合預報模型進行預報時長為12 h，連續36 h的滾動預報。每一個30 m空間分辨率的研究單元，都要進行5×100組試驗，得到500個預報的安全系數值。如果試驗結果中有300個以上的安全系數值小于1，即該研究單元發生滑坡的概率大于60%，我們就認為該研究單元為滑坡危險點。為了使滑坡預報結果更加直觀，我們進行了研究單元的聚合。將100×100個空間分辨率為30 m的研究單元聚合為一個空間分辨率為3000 m的小區域，統計這個小區域中滑坡危險點的數量。如果小區域內無危險點，則認為該小區域為安全區域；如果危險點在5個以下，則為滑坡少發區：如果危險點在5～50個之間，則該區域為多發區；如果危險點數大于50個，則為滑坡災害頻發區。

“西馬侖”臺風在閩三角地區誘發了大量的滑坡地質災害，主要集中在漳州市，廈門市也有部分區域發生滑坡災害，泉州市受到的影響較小。福建省地質環境監測中心收集的滑坡災害點主要集中在漳州市的華安縣、龍海市和云霄縣（圖10c中黑色框區域）。從圖10中可以看到，實況的分布與本模型的預測結果比較接近，收集到的發生大密度滑坡的區域都集中在預報的滑坡頻發區內。根據預報結果，在閩三角的東北部區域也有一些散落的滑坡頻發區。根據新聞報道，在閩三角地區的東北部確實也出現了部分滑坡災害。閩三角的中部有一個預報的滑坡頻發區域，但是實際并沒有大量的滑坡災害發生，造成這種差異的原因是該區域的降雨預報結果偏大。2013年7月18日發布的全國地質災害氣象預警預報結果與本模型的結果較為一致，但是本模型的結果更能反映出滑坡的區域易發性差異，具有較大的滑坡災害臨近預報價值。福建國土資源廳2013年7月18日發布的地質災害預警與實況和本文的預報結果都具有一定的偏差。在實際業務中，參考GRAPES-Landslide滑坡集合預報模型的預報結果，有助于提高預報的準確性。由于缺少精確的滑坡發生時間和地點的記錄資料，無法對模型結果進行更為詳細的驗證。下一步的研究需要收集更為詳盡的滑坡記錄資料，以便更精確的評估模型模擬效果。

圖10 （a）2013年7月18日00時至12時、（b）2013年7月18日12時至19日00時、（c）2013年7月19日00時至12時的閩三角地區滑坡災害預警圖。黑色框區域：觀測到大量滑坡發生的區域；黑色線條：臺風“西馬侖”路徑

5 結論與討論

滑坡的實時預警系統GRAPES-Landslide是將數值天氣預報模式GRAPES與滑坡預測模型TRIGRS進行單向耦合建立起來的動力數值預報預警系 統。由于滑坡預測模型TRIGRS中的關鍵水土參數具有空間分布很不均的特性，很難獲取準確的數據加以描述，使得滑坡事件的激發、預測存在很大的不確定性，同時數值天氣預報模式本身具有不確定性，因而用于誘發滑坡災害的估測降水存在不確定性，進而使得滑坡的預報存在偏差。本研究基于預測降水和水土參數分布不確定性的考慮，提出了GRAPES-Landslide滑坡集合預報模型，建立在概率論基礎上的可靠度被引入到邊坡的穩定性評價中，使得滑坡的預報方法由確定性預報，改進為概率預報，預報結果更為科學和精確。

滑坡集合預報模型中有5個不同的預報降水成員，分別是（1）GRAPES_MESO業務模式、（2）“暖—潛熱加熱納近”方法、（3）基于九點平滑濾波的“暖—潛熱加熱納近”方法、（4）對（1）～（3）的降水成員進行簡單平均、（5）對（1）～（3）的降水成員進行概率匹配的集合。根據水土參數呈正態分布的特點，通過Monte-Carlo方法隨機生成100組擾動參數值。將5個預報降水與100組擾動水土參數結合，組成GRAPES-Landslide滑坡集合預報模型。本文選取了2013年7月臺風“西馬侖”降水在福建省誘發的系列滑坡案例進行模擬分析。降水預報結果表明，GRAPES業務預報模型的降水預報TS評分都顯著低于其他四個降水成員，其他四個降水成員對小雨、中雨、大雨和暴雨的預報能力不同。利用不同的降水成員預報降水過程，可以減小降水預報的不確定性。初步的滑坡預報結果表明本文建立的GRAPES-Landslide滑坡集合預報系統所預測的滑坡頻發區與觀測區域有很好的吻合度，與目前的滑坡業務預報結果相比有明顯改進，落區更精細化，對滑坡災害的預測具有一定的指導意義。

由于缺乏詳細的滑坡記錄，無法對滑坡預測結果進行更為精確的驗證。下一步要利用遙感圖像，并配合實地勘探，整理出一套完整詳盡的滑坡記錄資料，進一步檢驗GRAPES-Landslide滑坡集合預報系統的預報能力。同時將模型由串行計算改為并行運算，提高模型運算速率，減少計算時間，為實現滑坡預報的業務化運行奠定基礎。

（References）

Baecher G B, Christian J T. 2003. Reliability and Statistics in Geotechnical Engineering [M]. Hoboken: Wiley, 605pp.

Baum R L, Savage W Z, Godt J W. 2008. TRIGRS—A Fortran program for transient rainfall infiltration and grid-based regional slope-stability analysis, Version 2.0 [R]. USGS, Colorado, Open-File Report 2008–1159, 75pp.

Chen C Y, Chen T C, Yu F C, et al. 2005. Analysis of time-varying rainfall infiltration induced landslide [J]. Environ. Geology , 48 (4–5): 466–479.

Chen Yueli, Chen Dehui, Li Zechun, et al. 2016. Preliminary studies on the meticulous dynamic prediction method of rainfall-triggered landslide [J]. J. Mount. Sci., doi:10.1007/s11629-014-3110-5.

陳則佑, 馮正一, 莊育蓁. 2011. 應用TRIGRS程式于邊坡破壞機率分析——以奧萬大地區為例 [J]. 中華水土保持學報, 42 (3): 228–239. Chen T Y, Feng Z Y, Chuang Y C. 2011. An application of TRIGRS on slope failure probability analyses—A case study of Aowanda [J]. Journal of Chinese Soil and Water Conservation (in Chinese), 42 (3): 228–239.

Chowdhury R, Flentje P. 2003. Role of slope reliability analysis in landslide risk management [J]. Bull. Eng. Geology Environ., 62 (1): 41–46.

Chowdhury R, Flentje P, Bhattacharya G. 2010. Geotechnical Slope Analysis [M]. Boca Raton: The Chemical Rubber Company Press, 737pp.

叢威青, 李鐵鋒, 潘懋, 等. 2008. 基于非飽和滲流理論的區域降雨型地質災害動力學預警方法研究 [J]. 北京大學學報, 44 (2): 212–216. Cong Weiqing, Li Tiefeng, Pan Mao, et al. 2008. Research on dynamic predictive model of regional rainfall-triggered geologic hazard based on unsaturated flow theory [J]. Acta Sci. Nat. Univ. Pekin. (in Chinese), 44 (2): 212–216.

Fairfield J, Leymarie P. 1991. Drainage networks from grid digital elevation models [J]. Water Resource Res., 27 (5): 709–717.

Godt J W, Baum R L, Savage W Z, et al. 2008. Transient deterministic shallow landslide modeling: Requirements for susceptibility and hazard assessments in a GIS framework [J]. Engin. Geology, 102 (3–4): 214–226.

Griffiths D V, Huang J S, Fenton G A. 2011. Probabilistic infinite slope analysis [J]. Comp. Geotechn., 38 (4): 577–584.

Park H J, Lee J H, Woo I. 2013. Assessment of rainfall-induced shallow landslide susceptibility using a GIS-based probabilistic approach [J]. Engin. Geology, 161 (18): 1–15.

Iverson R M. 2000. Landslide triggering by rain infiltration [J]. Water Resources Res., 36 (7): 1897–1910.

Kim D, Im S, Lee S H, et al. 2010. Predicting the rainfall-triggered landslides in a forested mountain region using TRIGRS model [J]. J. Mount. Sci., 7 (1): 83–91.

李媛, 孟暉, 董穎, 等. 2004. 中國地質災害類型及其特征——基于全國縣市地質災害調查成果分析 [J]. 中國地質災害與防治學報, 15 (2): 29–34. Li Yuan, Meng Hui, Dong Ying, et al. 2004. Main types and characteristics of geo-hazards in China—Based on the results of geo-hazard survey in 290 counties [J]. The Chinese Journal of Geological Hazard and Control (in Chinese), 15 (2): 29–34.

Liao Zonghu, Hong Yang, Wang Jun, et al. 2010. Prototyping an experimental early warning system for rainfall-induced landslides in Indonesia using satellite remote sensing and geospatial datasets [J]. Landslide, 7 (3): 317–324.

Liao Zonghu, Hong Yang, Kirschbaum Dalia, et al. 2011. Evaluation of TRIGRS (transient rainfall infiltration and grid-based regional slope- stability analysis)’s predictive skill for hurricane—Triggered landslides: A case study in Macon County , North Carolina [J]. Nat. Hazards, 58 (1): 325–339.

林蓬琪, 侯萍. 1990. 閩南三角地區花崗巖風化殘積土斜坡結構特征及邊坡穩定性分析 [J]. 福建地質, 9 (2): 146–156. Lin Pengqi, Hou Ping. 1990. Slope structure and slope stability of granitic weathering residual soil in south Fujian [J]. Geology of Fujian (in Chinese), 9 (2): 146–156.

Liu C N, Wu C C. 2008. Mapping susceptibility of rainfall-triggered shallow landslides using a probabilistic approach [J]. Environ. Geology, 55 (4): 907–915.

Lumb P. 1966. The variability of natural soils [J]. Canad. Geotechn. J., 3 (2): 74–96.

Park H J, Um J -G, Woo I, et al. 2012. Application of fuzzy set theory to evaluate the probability of failure in rock slopes [J]. Engin. Geology, 125: 92–101.

Vanmarcke E H. 1977. Probabilistic modeling of soil profiles [J]. Journal of the Geotechnical Engineering Division, 103 (11): 1227–1246.

Raia S, Alvioli M, Rossi M, et al. 2014. Improving predictive power of physically based rainfall-induced shallow landslide models: A probabilistic approach [J]. Geosci. Model Dev., 7: 495–514.

Varnes D J. 1978. Slope movement, types and processes [C]// Schuster R L, Krizek R J. Special Report 176: Landslides, Analysis and Control. Washington D. C.: Transportation and Road Research Board, National Academy of Science, 11–13.

Vieira B C, Fernandes N F, Filho O A. 2010. Shallow landslide prediction in the Serra do Mar, S?o Paulo, Brazil [J]. Nat. Hazards Earth Syst. Sci., 10: 1829–1837.

王清, 蔣惠忠, 唐大雄. 1990. 閩南三角地區花崗巖殘積土及其工程地質特性的研究 [J]. 福建地質, 9 (2): 90–99. Wang Qing, Jiang Huizhong, Tang Daxiong. 1990. A study on engineering geological properties of granitic residual soil in south Fujian [J]. Geology of Fujian (in Chinese), 9 (2): 90–99.

Wang Y, Cao Z J, Au S K. 2010. Efficient Monte Carlo simulation of parameter sensitivity in probabilistic slope stability analysis [J]. Comput. Geotechn., 37 (7–8): 1015–1022.

魏麗. 2005. 暴雨型滑坡災害形成機理及預測方法研究 [D]. 南京信息工程大學博士學位論文. Wei Li. 2005. Study on mechanism and predicting method of landslide hazard triggered by extremely heavy rainfall [D]. Ph. D. dissertation (in Chinese), Nanjing University of Information Science & Technology.

吳亞麗, 陳德輝. 2015. 潛熱加熱納近方法在地面降水資料同化中的應用 [J]. 應用氣象學報, 26 (1): 32–44. WuYali, Chen Dehui. 2015. Application of latent heat nudging method to assimilating surface precipitation observation [J]. J. Appl. Meteor. Sci. (in Chinese), 26 (1): 32–44.

肖玉華, 何光碧, 陳靜, 等. 2011. 區域集合預報增長模繁殖擾動方法研究 [J]. 高原氣象, 30 (1): 94–102. Xiao Yuhua, He Guangbi, Chen Jing, et al. 2011. Study on perturbing method in regional BGM ensemble prediction system [J]. Plateau Meteor. (in Chinese), 30 (1): 94–102.

Zhang Renhe, Shen Xueshun. 2008. On the development of the GRAPES— A new generation of the national operational NWP system in China [J]. Chinese Sci. Bull., 53 (22): 3429–3432.

An Ensemble Prediction Model for Rainfall-Induced Landslides and Its Preliminary Application

CHEN Yueli1, 2, 3, CHEN Dehui3, LI Zechun4, WU Yali5, and HUANG Junbao6

1,,210044,2,,100081,3,,100081,4,100081,5,,,510080 ,6,350002

The rainfall-triggered landslide disaster early warning model GRAPES-Landslide is a physical deterministic model that couples the GRAPES model (Global/Regional Assimilation and PrEdiction System) and the TRIGRS model (Transient Rainfall Infiltration and Grid-based Regional Slope-stability). The input parameters, such as cohesion and friction angle, used in the TRIGRS model have been identified as a major source of uncertainty, because of their spatial variability. Such uncertainty of numerical weather prediction also has an impact on landslide forecasting. The authors propose an ensemble GRAPES-Landslide model for landslide prediction, taking into consideration the uncertainty of the input parameters and rainfall prediction. There are five rainfall predicting members in the ensemble model including the GRAPES model, the warm latent heat nudging method, the warm latent heat nudging method with a nine-point moving average filter, the simple averaging method of the first three members, and the averaging method of the probability matching of the first three members. Using the cumulative distribution for each random variable and a random number generator, 100 sets of parameter values were randomly generated. The ensemble model was applied to forecast the landslide occurrences in Min-San-Jiao, Fujian Province, during a typhoon rainfall process in 2013. Results showed that the observed landslide areas were located in the high risk areas. Compared with the operational landslide forecasting, the prediction result of the ensemble GRAPES-Landslide model was more accurate. The ensemble GRAPES-Landslide model provides a new probability prediction method for landslides.

Rainfall-induced landslides, GRAPES-Landslide model, Ensemble prediction

10.3878/j.issn.1006-9895.1503.15120.

1006-9895(2016)03-0515-13

P456

A

10.3878/j.issn.1006-9895.1503.15120

2015-01-29；網絡預出版日期 2015-03-27

陳悅麗，女，1985年出生，博士，主要從事災害的預報預警技術研究。E-mail: chenyl@camscma.cn

陳德輝，E-mail: chendh@cma.gov.cn

國家重點基礎研究發展計劃（973計劃）項目2013CB430106，國家自然科學基金項目41375108

Funded by National Basic Research Programs of China (973 Program) (Grant 2013CB430106), National Natural Science Foundation of China (Grant 41375108)

陳悅麗, 陳德輝, 李澤椿，等. 2016. 降雨型滑坡的集合預報模型及其初步應用的試驗研究 [J]. 大氣科學, 40 (3): 515–527. Chen Yueli, Chen Dehui, Li Zechun, et al. 2016. An ensemble prediction model for rainfall-induced landslides and its preliminary application [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 40 (3): 515–527,