基于SVM-BP神經網絡組合模型的水工環地質災害危險性評估[1] 研究

摘要：為達成水工環地質災害危險性的準確評估目的，運用支持向量機—反向傳播（Support Vector Machine and" Back Propagation，SVM-BP）[2]"神經網絡組合模型展開研究。首先，綜合災害類型、特點、成因等多方面因素選取評估指標，并用熵權法計算其權重。其次，評估指標和權重輸入組合模型，對危險性進行定量評估，以確定等級。實驗結果顯示，此方法應用后，能夠對工作區內地質災害點危險性準確評估，無遺漏、無誤判評估效果優勢顯著。

關鍵詞：SVM-BP神經網絡組合模型 水工環 地質災害評估 熵權法

中圖分類號：P694""""""""""""""""" 文獻標識碼：A

Research on Risk Assessment of Hydraulic and Environmental Geological Hazards Based on SVM-BP Neural Network Combination Model

CHEN Defeng¹ ZHANG Ziwen ²

1.Shangyu Branch of Shaoxing Municipal Natural Resources and Planning Bureau， ;2. Zhejiang Nonferrous Geological Exploration Group Co.， Ltd.， Shaoxing， Zhejiang Province， 312300 China

Abstract： In order to achieve the goal of accurate assessment of the risk of hydraulic and environmental geological disasters， the combined model of Support Vector Machine and Back Propagation （SVM - BP） neural network was used to conduct research. Firstly， the evaluation indicator are selected based on various factors such as disaster types， characteristics and causes， and its weight is calculated by entropy weight method. Then the evaluation index and weight are input into the combination model to quantitatively assess the risk and determine the level. The experimental results show that this method can accurately assess the risk of geological disaster points in the working area， and has significant advantages in terms of no omission and no misjudgment.

Key Words： SVM-BP neural network combination model; Hydraulic engineering; Geological disaster assessment; Entropy weight method

水工環（涵蓋水文地質、工程地質和環境地質）領域的地質災害頻發，已成為制約社會經濟穩定發展和危及民眾生命財產安全的關鍵因素。此類災害不僅導致經濟層面上的重大損失，還對生態環境構成嚴峻挑戰，影響公共安全保障。因此，準確、高效地評估地質災害的危險性至關重要重要。目前，傳統的地質災害危險性評估方法雖然在一定程度上能夠反映地質災害的某些特征，但評估效果仍然存在不足。基于差分進化算法^[1]提出的方法依據歷史數據，以統計分析和歸納總結的方式，揭示災害的規模、頻率和分布特征，評估未來災害的危險性，對缺乏歷史記錄或數據不全的地區，評估結果可能受到影響；基于支持向量機—隨機森林（Support Vector Machine and Random Forest，SVM-RF[3]"）模型^[2]提出的方法，通過地質調查與監測來評估地質災害的潛在危險性，工作量大、周期長，監測數據的實時性和準確性得不到保障。

支持向量機—反向傳播（Support Vector Machine and Back Propagation，SVM-BP）神經網絡組合模型可以提高地質災害危險性評估的準確性和可靠性。基于此，本文開展了基于SVM-BP神經網絡組合模型的水工環地質災害危險性評估研究。

1 選取水工環地質災害評估指標

基于上述采集的地質災害數據，識別評估區域內可能發生的地質災害類型^[3]。根據地質災害的類型和影響因素，選取合適的評估指標，如表1所示。評估指標均具有代表性、可量化性和可操作性^[4]。

2 計算評估指標權重

本文選用熵權法作為權重分配的核心方法，該法基于信息論中熵的概念，通過量化各評估指標所蘊含信息量的大小來客觀判定其權重。首先，計算第

3 基于SVM-BP神經網絡的地質災害危險性評估[5]

在地質災害危險性評估的復雜任務中，本文利用訓練集數據訓練支持向量機（Support Vector Machine，SVM）模型。基于SVM模型處理后的數據，進一步構建了反向傳播（Back Propagation，BP）神經網絡模型，如圖1所示。

在圖1所展示的架構中，BP神經網絡被設計為包含輸入層、一個或多個隱藏層和輸出層的層級結構，其核心訓練機制依賴前向傳播以計算預測值，并通過反向傳播算法調整網絡參數以優化這些預測。

本文集成SVM與BP[6]"神經網絡，結合SVM特征提取與BP非線性建模，優化地質災害評估。輸入選定指標及權重，非線性變換后輸出評估結果，與表2中定義的地質災害標準對比，確定危險性等級。

將SVM-BP神經網絡組合模型輸出的評估結果與表2中的等級劃分標準一一對應，明確每個評估對象所處的危險性等級，實現水工環地質災害危險性評估目標。

4實驗分析

4.1研究區概況

本次實驗選定一個總面積為191.27 km²[8]"的光伏發電項目區，該區域地勢西南高東北低，海拔達到600～800 m[9]"。在地質主要由熔結凝灰巖為主的酸性巖巖組、閃長巖類為主的中性侵入巖巖組構成。本實驗利用遙感技術，對比暴雨前后的關鍵時間點的高分二號衛星影像，并結合空間分析法，全面解譯地質災害及其隱患。

4.2危險性評估結果

鑒于評估區域廣泛而地質災害實例相對較低，此次試驗在構建樣本集時，采用了70%與30%的比例科學分配訓練集與測試集。在上述環境下，使用本文提出的評估方法，并行引入基于差分進化算法的評估方法^[1]與基于SVM-RF模型的評估方法[10]"^[2]作為對照，全面展開了測試實驗。將三種方法的評估結果進行了系統的對比分析，具體結果如表3所示。

由上述對比結果可以看出，本文提出的基于SVM-BP神經網絡組合模型的水工環地質災害危險性評估方法應用后，成功實現了全區域所有災害的準確評估與預測，顯示出對微小變化的敏銳捕捉能力，而兩種傳統方法則在不同程度上出現了遺漏、誤判、低估或邊緣模糊的情況。由此可見，本文提出的方法在災害危險性評估準確率上展現出了顯著的優勢，能夠更加全面、準確地評估項目面臨的水工環地質災害風險。

5結語

在水工環地質災害危險性評估領域，引入SVM（與BP神經網絡組合模型，融合了SVM在高維數據處理中的強大分類能力和泛化性能，還發揮了BP神經網絡在非線性模式識別上的優勢，二者相輔相成，顯著提升了地質災害危險性評估的精度與可靠性。通過本研究的實施，有望為水工環地質災害危險性評估領域的研究和應用帶來新的突破和進展。

參考文獻

[1]尹飛.基于差分進化算法的水工環地質災害危險性評估方法研究[J].環境科學與管理，2023，48（12）：190-194.

[2]茹曼，鄭燕，張斌，等.基于SVM-RF模型的地質災害易發性評價：以河南省博愛縣青天河景區為例[J].地質與資源，2023，32（5）：633-641.

[3]張永雙，郭長寶，李向全，等.川藏鐵路廊道關鍵水工環地質問題：現狀與發展方向[J].水文地質工程地質，2021，48（5）：1-12.

[4]穆應輝.水工環地質災害危險性評估工作現狀、問題及其完善方法分析[J].新疆有色金屬，2022，45（3）：39-41.

[5]尹飛.基于差分進化算法的水工環地質災害危險性評估方法研究[J].環境科學與管理，2023，48（12）：190-194.