鐘山縣山洪地質災害風險評估與預警

賈茜淳, 張 豫, 叢沛桐

(1.華南農業大學 水利與土木工程學院, 廣州 510642; 2.嘉應學院 地理科學與旅游學院, 廣東 梅州 514015)

受特殊的自然地理環境、極端災害性天氣以及經濟社會活動多種因素的共同影響，中國山丘區洪水、泥石流、滑坡災害頻發，造成的人員傷亡、財產損失和基礎設施損毀、生態環境破壞十分嚴重，成為中國防洪減災工作中亟待解決的突出問題，加快山洪災害防治是關系我國經濟社會發展全局的一項重大緊迫任務[1]。中國山洪地質災害多發于山脈的迎風坡和暴雨中心地帶的亞熱帶地區(廣東、廣西、海南、福建、浙江等省份)，該區域面積約240萬km2，氣候暖熱，雨量充沛，暴雨量級大，湍流成災。據初步統計，亞熱帶地區發生的山洪地質災害占到我國總數的81%，是中國山洪地質災害重點防御區。

2010年11月，水利部會同財政部、國土資源部、中國氣象局啟動了山洪災害防治縣級非工程措施建設[2]。到目前為止，廣西壯族自治區初步建成了覆蓋全區山洪地質災害防治區的非工程監測體系，通過設點布網，將山洪地質災害易發區內的雨量、水位、視頻圖像等數字化信息，實時或定時傳送到監測中心，為山洪地質災害預警提供基礎數據與信息。這些系統接收的大量水文數據需要進行充分挖掘，為山洪地質災害評估提供支撐與服務。

國內外學者對山洪地質災害進行了適度研究，Wu等運用神經網絡技術研究了洪水每小時流量預測模型[3]。Yang等運用數字高程模型，以地形數據和累積降雨量等為影響因子，研究提出了非河流洪水的簡化模型[4]。Vincent Thierion等研究了柵格技術對暴洪預警的可靠性[5]。Hapuarachchi等指出洪災通常發生在小集水區(<300 km2)，往往很難測量，因此，遙感數據在集水區的水文模型中非常重要[6]。劉國忠等從氣象條件角度分析了廣西兩次嚴重山洪地質災害[7]。胡娟等探討了山洪地質災害與降水的關系，并提出運用于云南省的山洪地質災害氣象預報預警的方法[8]。陳殿強等在遼寧省山洪地質災害特點及其分布規律研究中提出山洪地質災害誘發因素主要是暴雨，但與地形、地貌以及巖性條件密切相關[9]。

為充分發揮我國山洪災害監測系統的實時海量水文數據的價值與功效，萃取非線性多場耦合孕災機制，將氣象降水數據與植被覆蓋程度、地形坡度、土壤巖石松散程度、山脊山谷類別等要素整合，引入到神經網絡模型中，模擬要素與災害等級間的高度非線性關系，建立具有亞熱帶地域特征的山洪地質災害預警技術體系，實現山洪地質災害的快速定位、準確評估、提早預警、科學決策。

廣西位于中國三大強降雨區之一的華南暴雨區，深受亞熱帶季風氣候影響，每年4—6月華南前汛期暴雨多發、雨勢猛[10]，極易產生山洪地質災害。鐘山縣位于廣西東北部，地處東經110°58′—111°31′、北緯24°17′—24°46′，轄區面積1 483 km2，暴雨頻發，為廣西河溪洪災的代表性縣區。該區域地質地貌復雜，人類活動強度大，山洪地質災害點多面廣。據調查，鐘山縣1994年、1998年和2002年均發生超百年洪水，死亡30人，直接經濟損失近18億元之巨。上述3次均為突降暴雨就地起洪所致，給當地人民群眾的生命財產造成了極大的損失。與此對應，鐘山縣現有山洪防治工程參差不齊，堤壩、水庫基本完成除險加固，防御能力尚好，但數量眾多的塘壩大部分是20世紀50，60年代建成，年久老化，難以抵御洪水的侵襲，一旦出現強降雨，多形成山洪地質災害。

1 試驗材料與方法

1.1 試驗材料與技術路線

實地調查收集研究區河流、氣象、水文條件、暴雨洪水特性，地形地貌、地質構造與地層巖性、土壤類型及水土流失等情況；采集鐘山縣27個全自動雨量站數據、8個自動水文站數據，布設5個土壤前期雨量監測點。分析降雨、植被層、土壤層、地形地貌等對山洪的阻滯與影響。解譯NDVI(Normalized Difference Vegetation Index歸一化植被覆蓋指數)建立植被覆蓋度指標；提取DEM(Digital Elevation Model數字高程模型)得到坡度指標，采用等高線圖進行山脊山谷分類；基于實地調研和多光譜數據劃分巖石土壤類型，得到土壤松散系數指標；基于歷史降雨數據提取降雨量指標。將NDVI、坡度、降雨量、土壤松散系數、山脊山谷類別、降雨量作為影響因子輸入，建立廣義回歸神經網絡預警模型，模型的輸出為山洪災害預警等級。經過神經網絡的大數據訓練學習，模型具有了較高的識別率和精度。以雨強作為預警指標，設計6 h降雨20 mm，40 mm，60 mm等方案，輸入到模型中，計算出不同程度危險地區、不同降雨量下的山洪地質災害風險等級，實現山洪地質災害提早預警。

1.2 數據處理

1.2.1 危險區調研整理 鐘山縣地形多樣復雜，有平原、丘陵、盆地、山地。縣境東、北、西及西南四面為山地地形，地勢高峻。加之人類工程活動對區內地質災害的影響，如削坡建房、不合理抽取地下水、采礦活動等，使山溪易漲易落，水旱災害頻繁，易造成崩塌、山體滑坡、泥石流、地面塌陷等山洪地質災害。發生的區域主要集中在山區，尤其是農村。

鐘山縣西北部的花山瑤族鄉和西南部的清塘鎮危險性最高，中部的燕塘鎮、公安鎮、回龍鎮和鐘山鎮危險性較高，其次是北部的兩安瑤族鄉、紅花鎮和南部的同古鎮，東南部的石龍鎮、鳳翔鎮和珊瑚鎮危險性較低(圖1)。結合2014—2016年地質災害易發區及隱患點，將災害點分為4個等級，其中25個高風險點，15個較高風險點，46個一般風險點，59個低風險點(圖2)。高風險等級或較高風險等級地區多處于山脈山谷下方的村落或河流匯流區(圖3)。

圖1全縣整體危險程度分布圖

1.2.2 植被覆蓋指數 植被具有截留降雨、減緩徑流、保土固土等功能，對水土流失起著決定性的作用，植被覆蓋程度直接影響著水土流失的強弱。運用RS(Remote Sensing遙感技術)在ENVI遙感圖像處理平臺上，對鐘山縣進行NDVI計算。采用2016年5月11日Landsat8遙感圖像，輻射定標、大氣校正預處理后解譯出NDVI地面分布柵格圖(附圖8A)。

圖2四個等級危險點分布圖

圖3高風險等級圖像實例

1.2.3 坡度數據 鐘山縣山地面積占全縣總面積的60%，山高、坡陡有利于強降雨后地表徑流迅速匯集，一遇到較強的地表徑流沖擊時，就形成山洪地質災害。山洪引起的滑坡通常分散發生在陡峻的山坡處，坡面泥石流多發生在大于20°坡面，形成區與堆積區相連，多為崩塌或快速滑塌轉化而成[9]。運用GIS(Geographic Information System地理信息系統技術)在ArcGIS軟件里計算出鐘山縣地理坡度。處理DEM，進行空間分析，繪制鐘山縣地面坡度分布柵格圖(附圖8B)。

1.2.4 土壤松散系數 鐘山縣地質主要有泥盆系(砂質頁巖互層及灰巖)、石炭系(燧石灰巖、白云質灰巖及頁巖)、侏羅系(灰白色、紫紅色塊狀角礫巖、厚層狀灰巖煤層及頁巖)、燕山期花崗體(中粒斑狀黑云母花崗巖、粒及細粒斑狀黑云母花崗巖)和新生界第四系(沖積、沖坡積、洪積的砂、卵石、黏土沉積物、含礫石砂土層及母巖風化的殘積物)。山洪地質災害易發區的土壤往往滲透強度不大，如紫色砂頁巖、泥質巖、紅砂巖、板頁巖發育而成的抗蝕性較弱的土壤，遇水易軟化、崩解，易形成山洪地質災害。

通過實地觀測，結合精確到房屋的鐘山縣土壤松散程度分布圖(圖4)，將各村屯的土壤巖石進行分類。查土的工程分類表，確定各地土的松散系數。鐘山縣地表山脈幾乎無特堅石，又因軟石、次堅石、堅石最初可松性系數相同，所以分類中把它們統稱為石。

圖4鐘山縣土壤松散程度分布

1.2.5 山谷山脊分類數據 山洪地質災害通常發生在山體切割深度大、侵蝕溝谷發育的地區。暴雨天氣下，雨水向低處流動，在山谷里形成徑流，大量水流快速匯集到河谷中,導致河谷水位迅速上升，最容易引發山洪，夾雜泥石的就形成泥石流，如溝谷泥石流；而山脊處是山洪地質災害的較安全區。

山脊的等高線凸出部分指向低處，山谷的等高線凸出部分指向高處。在ArcGIS里處理DEM圖像，由等高線分析模塊繪制鐘山縣地面等高線形文件(附圖8C)，在間距50m等高線圖中判斷各點地形是山谷、山脊還是平地(圖5)。將山脊的影響系數定為1，平地為0.5，山谷為0。

圖550m等高線山谷山脊劃界示意圖

1.2.6 降雨量數據 暴雨洪水預警的最大不確定性來源是降雨場中的誤差[6]。根據鐘山縣氣象站的資料統計，鐘山縣歷年降水量1 091.2～2 371.4 mm，年平均降水量為1 556 mm，實測最大1 h降雨量為91.7 mm，最大6 h降雨量為147.7 mm，最大24 h降雨量為416.4 mm。雨季一般由4月上旬開始，9月下旬結束，降雨量約占年總量70%。其中，5月份降雨量最大，多在250 mm以上，其次為6月、4月、7月、8月、9月。各地降雨分布不平衡，紅花、兩安、燕塘、花山、鳳翔、珊瑚等鄉鎮降水量較多，年降水量1 600 mm以上，其中最多為燕塘鎮，達1 710.5 mm。同古、清塘等鄉鎮年降水量1 515.1～1 570 mm。回龍、公安等鄉鎮降雨量較少，年降水量1 416.7～1 496.9 mm。由于降雨時空分布不均，局部地區強降雨時有發生，一次強降雨過程常常誘發突發性和群發性的地質災害。鐘山縣山洪地質災害的高發期與強降雨發生時間相吻合，多發生在5—8月份。

全縣高危險區準備轉移預警指標即雨量站6 h平均臨界雨量為60 mm，設6 h內雨量20 mm，40 mm，60 mm為3個雨量梯度指標。

1.3 研究方法

1.3.1 影響因子整合 以高危險區的10個風險點為例，通過GPS(Global Positioning System全球定位系統)定位的經緯度坐標，在ArcGIS里做出災害點的形文件，用空間分析工具，提取出災害點處的坡度值、植被覆蓋指數，加上已確定的土壤松散系數、山脊山谷影響系數作為影響因子(表1)。在四個降雨量分區中劃分出風險很高、風險較高、風險一般、風險較低共四種災害風險等級，分別用4，3，2，1表示(表2)。

表1 高風險點影響因子數據

表2 不同降雨量下的風險等級

注：風險很高用4表示，風險較高用3表示，風險一般用2表示，風險較低用1表示。

1.3.2 模型建立 徑向基函數網絡是一種結構簡單、收斂速度快、能夠逼近任意非線性函數的網絡。廣義回歸神經網絡(General Regression Neural Network，GRNN)以徑向基網絡為基礎，具有良好的非線性逼近性能。與徑向基網絡相比，訓練更為方便，尤其適合解決曲線擬合的問題，在MATLAB中newgrnn函數可以方便地實現廣義回歸神經網絡。

廣義回歸神經網絡由四層構成，除了輸入層和輸出層共有兩層(圖6)，第一層為徑向基層，用dist計算加權輸入，用netprod計算網絡輸入，傳輸函數為radbas。第二層為線性層，用normprod計算加權輸入，用netsum計算網絡輸入，傳輸函數為purelin。第一層閾值取0.8326/spread。輸入層的輸入是NDVI、坡度、土壤松散系數、山脊山谷類別、降雨量5個影響因子，輸出層的輸出是災害風險等級。將25個風險點，15個較高風險點，46個一般風險點，59個低風險點分別按降水量20 mm，40 mm，60 mm，列出435組數據。其中隨機選取350組數據作為神經網絡的學習訓練，85組數據用作網絡模型可靠性驗證。Newgrnn函數的語法格式為net=newgrnn(P,T,spread)。P為Q×R矩陣，包含Q個長度為R的輸入向量；T為Q×1矩陣，包含Q個目標向量；R為輸入向量元素的數目，本模型中R為5；Q為輸入輸出樣本的數目，本模型中Q為350；spread表示神經網絡的擴散速度， spread取值越大，曲線就越平滑，要想更精確地逼近訓練樣本點，則應選擇較小的spread值，要想使曲線更加平滑，則應增大spread[11-16]。

通過網絡對樣本輸入計算，比較網絡的實際輸出與期望輸出，逐步調整權值、閾值，直至誤差滿足要求。通過上述神經網絡的學習和訓練過程，在訓練好的權值、閾值和網絡結構基礎上可以實現對新樣本的模擬與預測[17-18]。按危險等級數據由高到低排列，用GRNN模擬曲線(圖7)，可見模擬后結果與目標結果走勢、大小基本一致，誤差最高不超過兩個危險等級，用rate函數算得準確率可達93.72%。

圖6廣義回歸神經網絡細部結構

圖7目標曲線和用GRNN模擬曲線

2 結果分與析

2.1 模型驗證

通過將歷史上10組不同風險等級的數據帶入模型進行檢驗計算，獲得計算結果(表3)。根據表3可知，降雨量為60 mm的結果中，編號為1，2，4，6，9的結果和實際風險等級完全一致；編號為3，5的結果與實際風險等級分別差0.023 7，0.014，誤差可忽略不計，可算作與實際一致；編號為7，8，10的結果與實際風險等級分別差0.3432，0.436 8，0.320 8，經四舍五入后，可得與實際一致的結果。降雨量為40 mm的結果中，編號為1，2，4，5，6，9的結果和實際風險等級完全一致；編號為3，7，8，10的結果與實際風險等級分別差0.023 7，0.007，0.003，0.104 8，誤差很小，可算作與實際一致。降雨量20 mm的結果中，編號為1，2，4，5，6，8，9，10的結果和實際風險等級完全一致；編號為3，7的結果與實際風險等級分別差0.023 7，0.003，誤差可忽略不計，可算作與實際一致。可見，降雨量越低，模型計算越準確；降雨量較高時，實際情況可能更加復雜，會有其他沒有考慮到的因素，有時會有誤差，但誤差都不超過0.5，經四舍五入可得與實際一致的結果。綜上所述，將歷史的數據帶入模型進行計算，得到的山洪地質災害風險等級結果與實際基本一致。

表3 歷史測得和模型計算的風險等級比較

圖8為歷史實測和模型計算的風險等級散點圖。由圖可知，風險較高的區域不同降雨量下的預警結果準確率極高；風險較低的區域在降雨量較大時，有一點誤差，但誤差都在等級區間范圍之內。高風險區預警結果的準確率為100%，較高風險區準確率為97.63%，一般風險區準確率為97.90%，低風險區準確率為90.39%。整體準確率為96.48%，準確率較高，與實際風險等級吻合度極高。

2.2 模型預測

隨機選取鐘山縣內10個點，獲取影響因子并輸入神經網絡預警模型，預測6 h內3種降雨量下的山洪地質災害風險等級，獲得的計算結果(表4)。其中編號為1，4，7，9的結果和實際風險等級完全一致；其余的編號為2，3，5，6，8，10的結果與實際風險等級誤差0.000 5～0.499 6，經四舍五入后，可得與實際一致的結果。可見，預測到的風險等級與其所在村的歷史災害等級基本符合，本模型可用于山洪地質災害預警。

圖8歷史實測和模型計算的風險等級擬合散點圖

表4 風險等級預測

2.3 應用實例

技術推廣，研發APP，為當地居民、游人提供準確、方便、快捷的山洪地質災害評價和預警。用戶端(如手機GPS)定位當前所在位置，或輸入位置名稱，獲得經緯度。將該點經緯度無線傳輸到后臺地理信息系統，將該點位置在危險性分區中找出相應的危險等級；通過DEM數據得到的坡度值、山谷山脊類別的數據庫中，提取該點的坡度值和山谷山脊類別；處理實時更新的遙感多光譜數據得到的植被覆蓋指數和土壤松散系數數據庫中，提取該點的植被覆蓋指數和土壤松散系數。通過氣象實時預報，輸入實時或若干小時后的降雨量。將這五種影響因子在大數據訓練后的山洪地質災害神經網絡模型中運算，得到該區域危險等級下的山洪地質災害風險等級。將得到的風險等級結果再傳送回用戶終端，最終到達實時預警的目的。

3 結 論

以鐘山縣為亞熱帶山洪地質災害研究對象，利用遙感、地理信息系統和神經網絡技術，通過資料收集、實地調查、數據處理和山洪地質災害預警模型建立和模型驗證，得出以下結論：

(1) 通過建立廣義回歸神經網絡系統，實時輸入降雨量大小，可預測出不同降雨量下，不同程度危險地區的山洪地質災害風險等級。與實際災害風險等級具有較高的吻合度，將植被場、地形場、土壤類型、水文場耦合可有效評估山洪地質災害等級，拓寬了山洪地質災害預警的途徑和方法，可運用于亞熱帶山洪地質災害預警。

(2) 鐘山縣山洪地質災害劃分為4個危險等級。西北、西南危險性最高，中部危險性較高，其次是北部和南部，東南部危險性較低，預測成果可用于指導規劃及預案編制。

(3) 將該技術應用推廣，可研發山洪地質災害預警APP，為當地居民、游人提供手機報警，指示轉移路線及安全區。

參考文獻：

[1] 張凱,韋鳳年,尚全民,等.提高山洪災害防御能力撐起人民群眾“生命的保護傘”[J].中國水利,2012(3):46-48.

[2] 邱瑞田.山洪災害防治縣級非工程措施項目建設進展及成效[J].中國水利,2012(23):7-9.

[3] Wu M C, Lin G F. An Hourly Streamflow Forecasting Model Coupled with an Enforced Learning Strategy[J]. Water, 2015,7(11):5876-5895.

[4] Yang T H, Chen Y C, Chang Y C, et al. Comparison of different grid cell ordering approaches in a simplified inundation model[J]. Water, 2015,7(2):438-454.

[5] Thierion V, Ayral P A, Jacob G, et al. Grid technology reliability for flash flood forecasting: end-user assessment[J]. Journal of Grid Computing, 2011,9(3):405-422.

[6] Hapuarachchi H A P, Wang Q J, Pagano T C. A review of advances in flash flood forecasting[J]. Hydrological Processes, 2011,25(18):2771-2784.

[7] 劉國忠,黃嘉宏,曾小團,等.引發廣西兩次嚴重山洪地質災害的暴雨過程分析[J].氣象,2013,39(11):1402-1412.

[8] 胡娟,閔穎,李華宏,等.云南省山洪地質災害氣象預報預警方法研究[J].災害學,2014,29(1):62-66.

[9] 陳殿強,王來貴,郝哲.遼寧省山洪地質災害特點及其分布規律研究[J].渤海大學學報:自然科學版,2008,29(2):105-112.

[10] 吳興國.廣西前汛期暴雨天氣過程的特征分析[J].廣西氣象,2000,21(2):7-8.

[11] 陳明.MATLAB神經網絡原理與實例精解[M].北京:清華大學出版社,2013.

[12] 朱凱,王正林.精通MATLAB神經網絡[M].北京:電子工業出版社,2010.

[13] Cigizoglu H K. Generalized regression neural network in monthly flow forecasting[J]. Civil Engineering and Environmental Systems, 2005,22(2):71-81.

[14] Cigizoglu H K, Alp M. Generalized regression neural network in modelling river sediment yield[J]. Advances in Engineering Software, 2006,37(2):63-68.

[16] Panda B N, Bahubalendruni M V A R, Biswal B B. A general regression neural network approach for the evaluation of compressive strength of FDM prototypes[J]. Neural Computing and Applications, 2015,26(5):1129-1136.

[17] 叢沛桐,祖元剛,于景華,等.根據植物莖葉圖像模擬根系圖像的人工神經網絡算法[J].生態學報,2002,22(2):163-168.

[18] 聶江力,叢沛桐,祖元剛,等.用人工智能計算技術估測東北地區北五味子果實資源量[J].植物研究,2003,23(2):245-251.