陳悅麗 陳德輝 李澤椿 吳亞麗 黃俊寶

?

降雨型滑坡的集合預(yù)報模型及其初步應(yīng)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(xué)大氣科學(xué)學(xué)院，南京210044m,2中國氣象科學(xué)研究院災(zāi)害天氣國家重點實驗室，北京100081,3中國氣象局?jǐn)?shù)值預(yù)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(qū)域數(shù)值預(yù)報重點實驗室，廣州510080,6福建省地質(zhì)環(huán)境監(jiān)測中心，福州350002

滑坡的實時預(yù)警系統(tǒng)GRAPES-Landslide是將數(shù)值天氣預(yù)報模式GRAPES（Global/Regional Assimilation and PrEdiction System）與滑坡預(yù)測模型TRIGRS（Transient Rainfall Infiltration and Grid-based Regional Slope- stability）進(jìn)行單向耦合建立起來的動力數(shù)值預(yù)報預(yù)警系統(tǒng)。由于滑坡預(yù)測模型TRIGRS中的關(guān)鍵水土參數(shù)具有空間分布很不均的特性，很難獲取準(zhǔn)確的數(shù)據(jù)加以描述，使得滑坡事件的激發(fā)、預(yù)測存在很大的不確定性，同時數(shù)值天氣預(yù)報模式本身具有不確定性，因而用于誘發(fā)滑坡災(zāi)害的估測降水存在不確定性，進(jìn)而使得滑坡的預(yù)報存在偏差。本研究基于預(yù)測降水和水土參數(shù)分布不確定性的考慮，提出了GRAPES-Landslide滑坡集合預(yù)報模型。滑坡集合預(yù)報模型中有5個不同的預(yù)報降水成員，分別是（1）GRAPES_MESO業(yè)務(wù)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(jìn)行簡單平均、（5）對（1）～（3）的降水成員進(jìn)行概率匹配的集合。根據(jù)水土參數(shù)呈正態(tài)分布的特點，通過Monte-Carlo方法隨機生成100組擾動參數(shù)值。將5個預(yù)報降水與100組擾動水土參數(shù)結(jié)合，組成GRAPES-Landslide滑坡集合預(yù)報模型。選擇2013年7月18日00時到7月19日12時（協(xié)調(diào)世界時）福建省“西馬侖”臺風(fēng)降雨引發(fā)閩三角地區(qū)發(fā)生大量滑坡災(zāi)害為例，進(jìn)行實際預(yù)報試驗。初步研究結(jié)果表明本文建立的GRAPES-Landslide滑坡集合預(yù)報系統(tǒng)所預(yù)測的滑坡頻發(fā)區(qū)與觀測區(qū)域有很好的吻合度，與目前的滑坡業(yè)務(wù)預(yù)報結(jié)果相比有明顯改進(jìn)，落區(qū)更精細(xì)化。因此，GRAPES-Landslide滑坡集合預(yù)報系統(tǒng)綜合考慮了降水預(yù)報的不確定性和非均勻分布的水土參數(shù)的不確定性，為區(qū)域滑坡預(yù)測提供了一種新的可能方法。

降雨型滑坡 GRAPES-Landslide預(yù)報系統(tǒng) 集合預(yù)報

1 引言

滑坡災(zāi)害是全球泛生型突發(fā)性地質(zhì)災(zāi)害，廣泛分布于高山、中山和低山丘陵區(qū)。影響滑坡的主要因素可以分為內(nèi)因和外因兩類：內(nèi)因包括地質(zhì)條件、地貌類型和人類活動；外因包括降水、地震和火山爆發(fā)等（Varnes，1978）。根據(jù)我國縣市地質(zhì)災(zāi)害第一期調(diào)查的結(jié)果顯示，滑坡的主要誘發(fā)因素是暴雨，暴雨誘發(fā)的滑坡數(shù)量占總數(shù)的90%（李媛等，2004）。早期的研究也顯示滑坡的發(fā)生與降水的時空分布具有緊密的聯(lián)系。目前開展的滑坡預(yù)測研究主要基于經(jīng)驗?zāi)Ｐ?、統(tǒng)計模型或者動力模型。

經(jīng)驗?zāi)Ｐ椭饕治稣T發(fā)滑坡發(fā)生的降雨特征，特別是降雨強度、歷時和累積雨量，獲得誘發(fā)滑坡的降雨強度——歷時關(guān)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(fā)生的可能性。經(jīng)驗?zāi)Ｐ偷奶攸c是簡便，易于操作，但是只能適用于特定的區(qū)域。統(tǒng)計模型包括貝葉斯模型、回歸模型和神經(jīng)網(wǎng)絡(luò)模型等。統(tǒng)計模型減少了選擇降雨閾值的主觀性，考慮了靜態(tài)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(fā)的滑坡事件，并且無法對滑坡發(fā)生的內(nèi)部機理進(jìn)行解釋。動力模型從模擬滑坡發(fā)生的物理機制出發(fā)，一般以地理、地質(zhì)和水文特征作為輸入?yún)?shù)，降水作為驅(qū) 動因子。將水文模型與邊坡穩(wěn)定性模型進(jìn)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(tài)降水過程對邊坡穩(wěn)定性的影響，模擬結(jié)果更為準(zhǔn)確（Godt et al., 2008）。

TRIGRS模型基于瞬態(tài)降雨入滲原理，模擬邊坡安全系數(shù)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(fā)生在臺灣的一起由降雨誘發(fā)的滑坡事件。叢威青等（2008）將TRIGRS模型應(yīng)用于我國南方某典型地區(qū)，結(jié)果表明該模型可以動態(tài)的預(yù)測區(qū)域降雨型滑坡的發(fā)生發(fā)展過程。Liao et al.（2011）在卡羅萊納州北部梅肯縣藍(lán)嶺山量化評估了Matlab版本TRIGRS的時空預(yù)測能力，結(jié)果顯示在準(zhǔn)確的降雨預(yù)報和詳細(xì)的野外數(shù)據(jù)基礎(chǔ)上，此模型具有較高的滑坡預(yù)警潛力。Kim et al.（2010）利用分辨率為5 m×5 m的DEM（Digital Elevation Model）數(shù)字高程模型和土壤調(diào)查數(shù)據(jù)，使用TRIGRS模型計算安全系數(shù)，得到可能發(fā)生滑坡的區(qū)域，并且與分辨率為1 m×1 m的IKONOS2滑坡遙感圖像進(jìn)行對比分析，兩者的符合度為64.1%。Vieira et al.（2010）使用TRIGRS模型預(yù)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(yīng)用TRIGRS模型在華盛頓州的西雅圖北部進(jìn)行模擬，結(jié)果表明加入瞬態(tài)過程提高了模型的模擬精度。滑坡動力模型的預(yù)報效果已經(jīng)得到了國內(nèi)外學(xué)者的認(rèn)可，但是將滑坡動力模型應(yīng)用到實際的預(yù)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(yù)測降雨數(shù)據(jù)和水土參數(shù)。

目前滑坡預(yù)報研究中使用的降雨數(shù)據(jù)主要來自氣象觀測站。使用氣象觀測站的降雨資料進(jìn)行滑坡預(yù)報，存在以下三個問題：（1）觀測降水資料不是預(yù)測資料；（2）氣象站點數(shù)量有限且分布不均；（3）部分高山或者偏遠(yuǎn)地區(qū)，缺乏降雨觀測資料。部分學(xué)者提出利用數(shù)值天氣預(yù)報模式預(yù)報降水，從而驅(qū)動滑坡模型，預(yù)測滑坡發(fā)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(yù)報降水?dāng)?shù)據(jù)驅(qū)動滑坡預(yù)測模型SLIDE（Slope-Infiltration- Distributed Equilibrium），成功的預(yù)測了滑坡發(fā)生的時間。魏麗（2005）利用MM5中尺度數(shù)值預(yù)報系統(tǒng)（Fifth-generation Pennsylvania State University– National Center for Atmospheric Research Mesoscale Model）對誘發(fā)滑坡的連續(xù)降水進(jìn)行數(shù)值試驗，獲取定量定點降水預(yù)報產(chǎn)品，使用統(tǒng)計模型進(jìn)行滑坡預(yù)報。數(shù)值天氣預(yù)報模式可以預(yù)測未來降雨的時空分布特征，但是存在一定的誤差。數(shù)值天氣模式的誤差主要來自初始條件和模式本身。數(shù)值模式的初始條件只是真實大氣狀態(tài)的一個近似，初始場的一個細(xì)微差別可能導(dǎo)致結(jié)果產(chǎn)生很大差異。從單一確定的初始場得到的預(yù)報結(jié)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(yù)報為解決單一預(yù)報不確定性問題提供了一種可能的方法。

由于滑坡預(yù)測模型中的關(guān)鍵水土參數(shù)具有空間分布不均的特性，很難獲取準(zhǔn)確的數(shù)據(jù)加以描述，使得滑坡事件的激發(fā)、預(yù)測存在很大的不確定性。前人的研究顯示凝聚力和內(nèi)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(tài)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(shù)的需求，轉(zhuǎn)化為獲取水土參數(shù)的概率密度分布曲線。傳統(tǒng)的滑坡預(yù)報方法通常只能預(yù)報出百公里的地質(zhì)災(zāi)害易發(fā)區(qū)，而將集合數(shù)值天氣預(yù)報方法與動力學(xué)地質(zhì)災(zāi)害模型相結(jié)合，進(jìn)行滑坡的概率預(yù)報，可以提高滑坡的空間預(yù)報到公里級別與延長滑坡預(yù)報預(yù)見期?；碌膶崟r預(yù)警系統(tǒng)GRAPES- Landslide是將數(shù)值天氣預(yù)報模式GRAPES（Global/ Regional Assimilation and PrEdiction System）與滑坡預(yù)測模型TRIGRS進(jìn)行單向耦合建立起來的動力數(shù)值預(yù)報預(yù)警系統(tǒng)（Chen et al., 2016）。本文基于預(yù)測降水和水土參數(shù)分布不確定性的考慮，提出了GRAPES-Landslide滑坡集合預(yù)報模型。選擇2013年7月18日00時至7月19日12時（協(xié)調(diào)世界時，下同）“西馬侖”臺風(fēng)降雨過程誘發(fā)福建省閩三角地區(qū)發(fā)生的大量滑坡為例，進(jìn)行滑坡預(yù)報試驗。

2 研究區(qū)域和“西馬侖”臺風(fēng)簡介

福建省位于我國東南沿海，是典型的亞熱帶季風(fēng)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(qū)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(qū)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(zhì)類型主要有6種，包括沉積巖與變質(zhì)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(zhì)巖類和火山巖（圖3，數(shù)據(jù)來源于地球系統(tǒng)科學(xué)數(shù)據(jù)共享平臺——中國1:400萬全要素基礎(chǔ)數(shù)據(jù)）。其中以沉積巖與變質(zhì)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(qū)域的海拔高度分布（單位：m）

圖2 閩三角區(qū)域坡度分布

圖3 閩三角區(qū)域地質(zhì)類型。色標(biāo)1、2、3、4、5和6分別表示元古界（沉積巖與變質(zhì)巖）、古生界（沉積巖與變質(zhì)巖）、中生界（沉積巖與變質(zhì)巖）、花崗巖（巖漿巖）、鎂鐵質(zhì)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(fēng)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(fēng)“蘇力”的影響，“西馬侖”臺風(fēng)登陸前，福建省的10日累積降雨量高達(dá)到222 mm（圖5，數(shù)據(jù)來源于中國氣象科學(xué)數(shù)據(jù)共享網(wǎng)——中國地面降水日值0.5°×0.5°數(shù)據(jù)集V2.0），土壤已經(jīng)呈飽和或者近飽和狀態(tài)?！拔黢R侖”臺風(fēng)降雨過程在閩三角地區(qū)誘發(fā)了大量的滑坡災(zāi)害，有20.28萬人受災(zāi)，直接經(jīng)濟損失15.52億元。

圖4 “西馬侖”臺風(fēng)路徑以及閩三角地區(qū)（綠色：泉州市；紅色：廈門市；藍(lán)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(qū)域累積降雨量（單位：mm）

3 基于GRAPES-Landslide的區(qū)域集合預(yù)報模型

GRAPES模型是2001年中國氣象局聯(lián)合各個高校、研究所的專家建立的數(shù)值天氣預(yù)報系統(tǒng)，如今已經(jīng)實現(xiàn)了業(yè)務(wù)運行，表現(xiàn)出較好的預(yù)報技巧（Zhang and Shen, 2008）。TRIGRS模型是由美國地質(zhì)調(diào)查局開發(fā)的降雨誘發(fā)型滑坡的預(yù)報模型?；碌膶崟r預(yù)警系統(tǒng)GRAPES-Landslide是將GRAPES模型的逐小時降水預(yù)報結(jié)果經(jīng)過降尺度后驅(qū)動TRIGRS模型。目前該預(yù)警系統(tǒng)已經(jīng)在福建省德化縣進(jìn)行了初步的試驗，結(jié)果顯示該預(yù)警系統(tǒng)對降水誘發(fā)型滑坡具有較好的預(yù)報能力（Chen et al., 2016）。

GRAPES-Landslide模型的滑坡預(yù)報準(zhǔn)確度主要取決于降水預(yù)報的準(zhǔn)確性、水土參數(shù)精度以及模式本身。利用數(shù)值天氣預(yù)報模型進(jìn)行降水預(yù)報具有不確定性，預(yù)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(jìn)行擾動，開展集合預(yù)報可以在一定程度上解決降水預(yù)報的不確定性問題。同時，由于缺乏高精度的水土參數(shù)的空間分布信息，極大地限制了模型的使用范圍。如果根據(jù)野外調(diào)查的數(shù)據(jù)，對水土參數(shù)進(jìn)行適當(dāng)?shù)臄_動，就可以將模型應(yīng)用于較大的區(qū)域?；诨碌膶崟r預(yù)警系統(tǒng)GRAPES- Landslide，考慮模型降水預(yù)報和水土參數(shù)的不確定性因素，提出了GRAPES-Landslide滑坡集合預(yù)報模型，將傳統(tǒng)的滑坡預(yù)報由確定性預(yù)報發(fā)展為概率預(yù)報。

3.1 GRAPES模式的初值不確定性擾動

滑坡預(yù)報模型需要降水?dāng)?shù)據(jù)作為驅(qū)動因子。本研究基于GRAPES_MESO模式，使用5個不同的降雨預(yù)報成員，進(jìn)行降雨預(yù)報：

（1）GRAPES_MESO業(yè)務(wù)預(yù)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(diào)整模式的加熱廓線，使模式降水向觀測降水逼近，進(jìn)而調(diào)整模式預(yù)報的初始場，達(dá)到改進(jìn)模式初值的目的，從而提高降水預(yù)報準(zhǔn)確度。進(jìn)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(jìn)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(chǔ)上，利用九點平滑濾波的方法對初始場進(jìn)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(yù)報結(jié)果進(jìn)行簡單的集合平均。

（5）將（1）～（3）的降水預(yù)報結(jié)果通過概率匹配的方法進(jìn)行集合。

第1個降水預(yù)報成員是基于GRAPES業(yè)務(wù)預(yù)報模式。第2個降水預(yù)報成員的特點是同化了加密自動站的降水資料，調(diào)整了模式的加熱廓線。第3個成員是在第2個成員的基礎(chǔ)上，對初始場進(jìn)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(yù)報結(jié)果進(jìn)行集合。

3.2 TRIGRS模型及其參數(shù)擾動

TRIGRS是基于柵格的降雨誘發(fā)型斜坡穩(wěn)定性計算模型，包括入滲模型、斜坡穩(wěn)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(wěn)定性分析模型及牛頓第二定律結(jié)合起來，預(yù)測滑坡發(fā)生的時間和地點。Baum et al.（2008）發(fā)展了Iverson（2000）模型，增加了復(fù)雜降雨過程的解決方案。

3.2.1 入滲模型

入滲模型應(yīng)用于飽和或者近飽和的試驗區(qū)域，包括穩(wěn)定入滲部分和瞬態(tài)入滲部分。穩(wěn)定入滲部分取決于地下水位的初始深度和穩(wěn)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(jìn)行田間試驗獲取較為準(zhǔn)確的初始條件。瞬態(tài)入滲部分假設(shè)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(wěn)定性模型

利用無限邊坡模型分析斜坡的穩(wěn)定性。無限邊坡是對土層深度遠(yuǎn)遠(yuǎn)小于斜坡的長或?qū)挼膹?fù)雜斜坡形態(tài)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(zhǔn)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(shù)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(chǎn)生的地表徑流在運算域的網(wǎng)格中消失。模型中假設(shè)每一個運算時間域內(nèi)質(zhì)量守恒，凡是無法在目前時間域內(nèi)入滲的降雨，將以地表徑流的方式流往運算域內(nèi)下游網(wǎng)格，具體的計算方法參見式（4）和式（5）（Baum et al., 2008）。

當(dāng)?shù)乇韽搅髁髦列戮W(wǎng)格時，根據(jù)該網(wǎng)格當(dāng)時的含水量，可以選擇下滲或是繼續(xù)向下游網(wǎng)格前進(jìn)。模式中假設(shè)如果降雨量加上來自鄰近網(wǎng)格的地表徑流量之和超過該網(wǎng)格的入滲容量時，該網(wǎng)格隨即產(chǎn)生地表徑流，流向下游臨近網(wǎng)格。

3.2.4 TRIGRS模型的參數(shù)擾動

TRIGRS模型被廣泛地應(yīng)用于降雨型滑坡預(yù)測。通常預(yù)報區(qū)域面積較小，一般為幾平方千米。在較小的預(yù)報區(qū)域內(nèi)，可以通過開展大量的野外采樣工作和室內(nèi)試驗獲得水土參數(shù)值。但是滑坡預(yù)測模型TRIGRS中的關(guān)鍵水土參數(shù)本身具有內(nèi)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(shù)也具有變異性。如果模型采用單一的參數(shù)值，容易導(dǎo)致預(yù)報結(jié)果存在偏差。當(dāng)預(yù)報區(qū)域范圍較大時，獲取準(zhǔn)確的高精度水土參數(shù)幾乎是不可能的，使得滑坡事件的激發(fā)、預(yù)測存在很大的不確定性。因此必須解決在水土參數(shù)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?yún)?shù)的問題。

水土參數(shù)中內(nèi)摩擦角和凝聚力是邊坡穩(wěn)定性模型不確定性的主要來源，本研究中只考慮了內(nèi)摩擦角和凝聚力的空間分布不確定性。大多數(shù)學(xué)者的研究顯示凝聚力和內(nèi)摩擦角呈正態(tài)分布，也有部分學(xué)者認(rèn)為凝聚力和內(nèi)摩擦角呈線性或者對數(shù)正態(tài)分布（Vanmarcke, 1977; Wang et al., 2010; Park et al., 2012）。將內(nèi)摩擦角和凝聚力看作一個隨機變量，根據(jù)其具有的某種分布特征，就可以將獲取高精度水土參數(shù)空間分布的需求，轉(zhuǎn)化為獲取水土參數(shù)的概率密度分布曲線，從而解決獲取水土參數(shù)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(tǒng)計理論為基礎(chǔ)，實現(xiàn)從已知概率分布抽樣，建立隨機變量的估計值，構(gòu)造符合一定規(guī)則的隨機數(shù)。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(nèi)摩擦角。根據(jù)凝聚力和內(nèi)摩擦角的分布特征，利用Monte-Carlo方法進(jìn)行隨機抽樣。將每一組凝聚力和內(nèi)摩擦角參數(shù)值都輸入模型中計算安全系數(shù)，然后統(tǒng)計每個研究單元中安全系數(shù)小于1的次數(shù)，最后計算研究單元的失穩(wěn)概率：

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

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

4 模型應(yīng)用

4.1 試驗設(shè)計

GRAPES-Landslide滑坡集合預(yù)報模型中有5個不同的預(yù)報降水成員，主要包括：（1）GRAPES_ MESO業(yè)務(wù)預(yù)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(jìn)行降水預(yù)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(shù)化方案為MRF方案，關(guān)閉積云參數(shù)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(jīng)過了各級資料部門的質(zhì)量檢查。模式的背景場和側(cè)邊界均由NCEP GFS的預(yù)報場提供，其中背景場為GFS的6 h預(yù)報場，側(cè)邊界條件每6 h更新一次，進(jìn)行12 h的短時預(yù)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(jù)閩三角地區(qū)的內(nèi)摩擦角和凝聚力分布特征，隨機生成100組數(shù)值，也就是每個研究單元都對應(yīng)100組不同的水土參數(shù)組合。每一個降水成員做出降雨預(yù)報后采用雙線性插值的方法進(jìn)行降尺度后驅(qū)動TRIGRS模型。將5個預(yù)報降水與100組擾動水土參數(shù)結(jié)合，共進(jìn)行5×100組試驗，生成5×100個安全系數(shù)圖層。每個研究單元都進(jìn)行了5×100次試驗，統(tǒng)計每個研究單元安全系數(shù)S小于1的次數(shù)，最后計算這個研究單元發(fā)生滑坡的概率。

4.2 輸入?yún)?shù)

原始DEM矩陣中普遍存在洼地。為了使水流經(jīng)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(jìn)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(qū)的坡度也是利用DEM資料在ArcGIS中直接提?。▓D2）。逐小時降水預(yù)報產(chǎn)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(fēng)“西馬侖”登陸前十天，閩三角地區(qū)累積降雨量較大，最高可達(dá)到221 mm，其余區(qū)域也在100 mm以上。我們假設(shè)此時土壤已經(jīng)處于飽和或者近似飽和的狀態(tài)，水力擴散度0是水力傳導(dǎo)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(jù)閩三角地區(qū)的地質(zhì)分類圖，該地區(qū)的主要地質(zhì)類型為沉積巖與變質(zhì)巖和巖漿巖（圖3）。沉積巖與變質(zhì)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(zhì)巖類和上新世—全新世火山巖等。對不同地質(zhì)類型的分布面積進(jìn)行統(tǒng)計，結(jié)果顯示花崗巖占巖漿巖區(qū)域總面積的90%以上，沉積巖與變質(zhì)巖的中生界地層也占沉積巖與變質(zhì)巖區(qū)域總面積的90%以上。

德化縣位于閩三角地區(qū)的最北部，其主要的地質(zhì)類型為沉積巖與變質(zhì)巖的中生界地層。2006年到2009年福建省地質(zhì)環(huán)境監(jiān)測院在德化縣開展了水土參數(shù)調(diào)查工作，進(jìn)行了大量的野外調(diào)查和室內(nèi)試驗。試驗結(jié)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(dǎo)度s為8.19×10?7 ms?1。根據(jù)此次調(diào)查工作獲取的樣本的凝聚力和內(nèi)摩擦角數(shù)值，首先進(jìn)行了正態(tài)分布擬合度測試，均通過了顯著性水平為0.05的正態(tài)分布檢驗。將土樣的實驗結(jié)果利用Matlab軟件進(jìn)行正態(tài)分布擬合：凝聚力的平均值為12.21 kPa，方差為6.15；內(nèi)摩擦角的平均值為21.06°，方差為6.18（圖6）。這樣的結(jié)果與其他學(xué)者的研究結(jié)論相符合，土壤參數(shù)具有正態(tài)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(shù)越多，所得到的結(jié)果才越精確?？紤]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(nèi)摩擦角，作為閩三角地區(qū)沉積巖與變質(zhì)巖區(qū)域的輸入?yún)?shù)。

由于花崗巖占巖漿巖分布總面積的90%以上，因此巖漿巖區(qū)域的水土參數(shù)取值參考花崗巖區(qū)域的參數(shù)值。林蓬琪和侯萍（1990）等和王清等（1990）分析了閩三角地區(qū)花崗巖區(qū)域的水土參數(shù)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(nèi)摩擦角的平均值為27.8°，凝聚力和內(nèi)摩擦角的方差都取6.2，具體的參數(shù)取值見表1。利用Monte-Carlo方法隨機生成100組凝聚力和內(nèi)摩擦角，作為閩三角地區(qū)巖漿巖區(qū)域的輸入?yún)?shù)。

表1 模型輸入?yún)?shù)

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

圖7 閩三角地區(qū)土壤厚度分布（單位：m）

4.3 模擬結(jié)果

Chen et al.（2016）的研究結(jié)果表明：降水總量對預(yù)測滑坡可能發(fā)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(yù)測滑坡發(fā)生的時間差別很大。降水對滑坡具有明顯的誘發(fā)作用，這就對降水預(yù)報的準(zhǔn)確性提出了更高的要求，不僅需要準(zhǔn)確預(yù)報降雨總量，還需要準(zhǔn)確的預(yù)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(jié)果，大氣的非線性和不穩(wěn)定性特征所導(dǎo)致的預(yù)報誤差增長意味著預(yù)報模式的初始條件的很小誤差，都將不可避免的導(dǎo)致降水預(yù)報技巧的喪失，使得降水預(yù)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(yù)報的不確定性，提高降水預(yù)測的準(zhǔn)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(jìn)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(yù)報進(jìn)行集合平均，可以提高GRAPES模式短時降水的預(yù)報準(zhǔn)確性。在本研究中采用了不同的降水成員，包括GRAPES_MESO業(yè)務(wù)預(yù)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(jìn)行簡單平均和概率匹配的集合。采用不同的成員進(jìn)行降水預(yù)報，可以減小降水預(yù)報的不確定性。

模式的背景場和側(cè)邊界均由NCEP GFS的預(yù)報場提供，其中背景場為GFS的6 h預(yù)報場，側(cè)邊界條件每6 h更新一次，進(jìn)行12 h的短時預(yù)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(jìn)行降水預(yù)報的結(jié)果；a3、b3、c3為GRAPES_MESO業(yè)務(wù)模式的降水預(yù)報結(jié)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(jìn)行降水預(yù)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(yù)報結(jié)果進(jìn)行了簡單平均后進(jìn)行累加；（a6）是采用概率匹配的方法對逐小時預(yù)報結(jié)果進(jìn)行集合，然后對12 h的降水結(jié)果進(jìn)行累加?！拔黢R侖”臺風(fēng)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(fēng)登陸前12 h降水總量，數(shù)值預(yù)報的降水落區(qū)和總量較實況都偏大。圖8b顯示了臺風(fēng)登陸后的降雨總量，與GRAPES業(yè)務(wù)預(yù)報模式相比，其余的四個降水成員都有效地改善了降水預(yù)報結(jié)果，預(yù)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(yù)報結(jié)果與實況更為接近。TS評分可以度量預(yù)報有降水和觀測有降水事件被正確預(yù)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(jié)果。GRAPES_MESO業(yè)務(wù)模型的降水預(yù)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(yù)報能力不同。不同成員預(yù)報的降水落區(qū)和強度存在一定差異。由于降水預(yù)報具有不確定性，利用多個成員的降水預(yù)報結(jié)果驅(qū)動滑坡預(yù)測模型，可以增大滑坡預(yù)報的準(zhǔn)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(qū)域表示閩三角地區(qū)

圖8 （續(xù)）

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(biāo)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(yù)報模型進(jìn)行預(yù)報時長為12 h，連續(xù)36 h的滾動預(yù)報。每一個30 m空間分辨率的研究單元，都要進(jìn)行5×100組試驗，得到500個預(yù)報的安全系數(shù)值。如果試驗結(jié)果中有300個以上的安全系數(shù)值小于1，即該研究單元發(fā)生滑坡的概率大于60%，我們就認(rèn)為該研究單元為滑坡危險點。為了使滑坡預(yù)報結(jié)果更加直觀，我們進(jìn)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(qū)域，統(tǒng)計這個小區(qū)域中滑坡危險點的數(shù)量。如果小區(qū)域內(nèi)無危險點，則認(rèn)為該小區(qū)域為安全區(qū)域；如果危險點在5個以下，則為滑坡少發(fā)區(qū)：如果危險點在5～50個之間，則該區(qū)域為多發(fā)區(qū)；如果危險點數(shù)大于50個，則為滑坡災(zāi)害頻發(fā)區(qū)。

“西馬侖”臺風(fēng)在閩三角地區(qū)誘發(fā)了大量的滑坡地質(zhì)災(zāi)害，主要集中在漳州市，廈門市也有部分區(qū)域發(fā)生滑坡災(zāi)害，泉州市受到的影響較小。福建省地質(zhì)環(huán)境監(jiān)測中心收集的滑坡災(zāi)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(qū)域）。從圖10中可以看到，實況的分布與本模型的預(yù)測結(jié)果比較接近，收集到的發(fā)生大密度滑坡的區(qū)域都集中在預(yù)報的滑坡頻發(fā)區(qū)內(nèi)。根據(jù)預(yù)報結(jié)果，在閩三角的東北部區(qū)域也有一些散落的滑坡頻發(fā)區(qū)。根據(jù)新聞報道，在閩三角地區(qū)的東北部確實也出現(xiàn)了部分滑坡災(zāi)害。閩三角的中部有一個預(yù)報的滑坡頻發(fā)區(qū)域，但是實際并沒有大量的滑坡災(zāi)害發(fā)生，造成這種差異的原因是該區(qū)域的降雨預(yù)報結(jié)果偏大。2013年7月18日發(fā)布的全國地質(zhì)災(zāi)害氣象預(yù)警預(yù)報結(jié)果與本模型的結(jié)果較為一致，但是本模型的結(jié)果更能反映出滑坡的區(qū)域易發(fā)性差異，具有較大的滑坡災(zāi)害臨近預(yù)報價值。福建國土資源廳2013年7月18日發(fā)布的地質(zhì)災(zāi)害預(yù)警與實況和本文的預(yù)報結(jié)果都具有一定的偏差。在實際業(yè)務(wù)中，參考GRAPES-Landslide滑坡集合預(yù)報模型的預(yù)報結(jié)果，有助于提高預(yù)報的準(zhǔn)確性。由于缺少精確的滑坡發(fā)生時間和地點的記錄資料，無法對模型結(jié)果進(jìn)行更為詳細(xì)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(qū)滑坡災(zāi)害預(yù)警圖。黑色框區(qū)域：觀測到大量滑坡發(fā)生的區(qū)域；黑色線條：臺風(fēng)“西馬侖”路徑

5 結(jié)論與討論

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

滑坡集合預(yù)報模型中有5個不同的預(yù)報降水成員，分別是（1）GRAPES_MESO業(yè)務(wù)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(jìn)行簡單平均、（5）對（1）～（3）的降水成員進(jìn)行概率匹配的集合。根據(jù)水土參數(shù)呈正態(tài)分布的特點，通過Monte-Carlo方法隨機生成100組擾動參數(shù)值。將5個預(yù)報降水與100組擾動水土參數(shù)結(jié)合，組成GRAPES-Landslide滑坡集合預(yù)報模型。本文選取了2013年7月臺風(fēng)“西馬侖”降水在福建省誘發(fā)的系列滑坡案例進(jìn)行模擬分析。降水預(yù)報結(jié)果表明，GRAPES業(yè)務(wù)預(yù)報模型的降水預(yù)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(yù)報能力不同。利用不同的降水成員預(yù)報降水過程，可以減小降水預(yù)報的不確定性。初步的滑坡預(yù)報結(jié)果表明本文建立的GRAPES-Landslide滑坡集合預(yù)報系統(tǒng)所預(yù)測的滑坡頻發(fā)區(qū)與觀測區(qū)域有很好的吻合度，與目前的滑坡業(yè)務(wù)預(yù)報結(jié)果相比有明顯改進(jìn)，落區(qū)更精細(xì)化，對滑坡災(zāi)害的預(yù)測具有一定的指導(dǎo)意義。

由于缺乏詳細(xì)的滑坡記錄，無法對滑坡預(yù)測結(jié)果進(jìn)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(jìn)一步檢驗GRAPES-Landslide滑坡集合預(yù)報系統(tǒng)的預(yù)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(xiàn)滑坡預(yù)報的業(yè)務(wù)化運行奠定基礎(chǔ)。

（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(yīng)用TRIGRS程式于邊坡破壞機率分析——以奧萬大地區(qū)為例 [J]. 中華水土保持學(xué)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(qū)域降雨型地質(zhì)災(zāi)害動力學(xué)預(yù)警方法研究 [J]. 北京大學(xué)學(xué)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(zhì)災(zāi)害類型及其特征——基于全國縣市地質(zhì)災(zāi)害調(diào)查成果分析 [J]. 中國地質(zhì)災(zāi)害與防治學(xué)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(qū)花崗巖風(fēng)化殘積土斜坡結(jié)構(gòu)特征及邊坡穩(wěn)定性分析 [J]. 福建地質(zhì), 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(qū)花崗巖殘積土及其工程地質(zhì)特性的研究 [J]. 福建地質(zhì), 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(zāi)害形成機理及預(yù)測方法研究 [D]. 南京信息工程大學(xué)博士學(xué)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(yīng)用 [J]. 應(yīng)用氣象學(xué)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(qū)域集合預(yù)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(wǎng)絡(luò)預(yù)出版日期 2015-03-27

陳悅麗，女，1985年出生，博士，主要從事災(zāi)害的預(yù)報預(yù)警技術(shù)研究。E-mail: chenyl@camscma.cn

陳德輝，E-mail: chendh@cma.gov.cn

國家重點基礎(chǔ)研究發(fā)展計劃（973計劃）項目2013CB430106，國家自然科學(xué)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(yù)報模型及其初步應(yīng)用的試驗研究 [J]. 大氣科學(xué), 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,