江 南，蘇愛軍

(中國地質(zhì)大學(xué)(武漢) 教育部長江三峽庫區(qū)地質(zhì)災(zāi)害研究中心，湖北 武漢 430074)

近年來，隨著我國對(duì)地質(zhì)災(zāi)害監(jiān)測預(yù)警的不斷重視，滑坡位移預(yù)測工作正成為當(dāng)今的一個(gè)研究熱點(diǎn)[1]。目前較為常見的滑坡位移預(yù)測模型主要包括以下幾類：①各種優(yōu)化算法與非線性方法相結(jié)合，建立相應(yīng)的優(yōu)化非線性模型，主要包括GA遺傳算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型[2]、基于粒子群算法(PSO)結(jié)合徑向基(RBF)神經(jīng)網(wǎng)絡(luò)模型[3]、引入改進(jìn)的蟻群算法(ACO) 對(duì)支持向量機(jī)(SVM)模型參數(shù)進(jìn)行尋優(yōu)[4]等；②將滑坡變形位移分解為趨勢項(xiàng)和周期項(xiàng)，采用某幾種非線性方法分別擬合預(yù)測趨勢項(xiàng)位移和周期項(xiàng)位移，最后進(jìn)行疊加預(yù)測，主要包括采用多項(xiàng)式擬合方法與神經(jīng)網(wǎng)絡(luò)模型對(duì)趨勢項(xiàng)位移和周期項(xiàng)位移進(jìn)行疊加預(yù)測[5]、結(jié)合自回歸積分滑動(dòng)平均(ARIMA)模型和灰色模型、與多項(xiàng)式擬合對(duì)兩項(xiàng)位移進(jìn)行擬合預(yù)測[6]、利用BP神經(jīng)網(wǎng)絡(luò)對(duì)周期項(xiàng)位移進(jìn)行擬合預(yù)測[7]、采用多項(xiàng)式擬合與GM(1,1)灰色模型相結(jié)合對(duì)兩項(xiàng)位移分別進(jìn)行預(yù)測[8]等；③利用小波函數(shù)分層去噪，與非線性方法耦合建立位移預(yù)測模型，主要包括基于小波函數(shù)結(jié)合神經(jīng)網(wǎng)絡(luò)建立的滑坡位移預(yù)測模型[9]、基于小波函數(shù)耦合粗糙集算法和支持向量機(jī)建立的滑坡位移預(yù)測模型[10]、采用支持向量機(jī)與小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測模型[11]等；④其他數(shù)據(jù)挖掘技術(shù)與非線性方法的結(jié)合，主要包括基于Oracle數(shù)據(jù)挖掘(ODM)技術(shù)建立的支持向量機(jī)滑坡位移預(yù)測模型[12]、基于多結(jié)構(gòu)數(shù)據(jù)挖掘技術(shù)建立的滑坡位移預(yù)測模型[13]等。近年來，隨著滑坡變形各類預(yù)測方法的不斷發(fā)展，智能算法在滑坡位移預(yù)測中已發(fā)揮著越來越重要的作用。利用各種監(jiān)測數(shù)據(jù)，并結(jié)合滑坡誘發(fā)機(jī)理和變形特征，利用智能算法建立相應(yīng)的預(yù)測模型，這是滑坡位移預(yù)測的主要研究思路。

本文在對(duì)三峽庫區(qū)奉節(jié)縣藕塘滑坡的變形特征和誘發(fā)因素的響應(yīng)關(guān)系進(jìn)行分析的基礎(chǔ)上，選取影響因子，采用差分進(jìn)化算法對(duì)支持向量機(jī)模型中較為敏感的誤差懲罰因子C和核函數(shù)參數(shù)δ進(jìn)行全局優(yōu)化，并利用優(yōu)化后的差分進(jìn)化-支持向量機(jī)模型對(duì)藕塘滑坡位移監(jiān)測數(shù)據(jù)進(jìn)行訓(xùn)練，最終實(shí)現(xiàn)了對(duì)藕塘滑坡位移量的預(yù)測。

1 差分進(jìn)化-支持向量機(jī)模型

1. 1 支持向量機(jī)模型

支持向量機(jī)[1](Support Vector Machine,SVM)是Corinna Cortes和Vapnik于1995年首先提出的一種主要用于模式分類及非線性回歸的算法。支持向量機(jī)的主要思路是建立一個(gè)分類超平面作為決策曲面，使得正例與反例之間的隔離邊緣最大化，這是一種結(jié)構(gòu)風(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn)。由于該算法具有較強(qiáng)的通用性和魯棒性，已有許多研究者選擇采用SVM模型對(duì)滑坡位移進(jìn)行擬合預(yù)測研究。

已有研究表明[14]，支持向量機(jī)核函數(shù)種類對(duì)于SVM模型擬合性能的影響較小，但是核函數(shù)參數(shù)δ及誤差懲罰因子C則對(duì)SVM模型擬合性能的影響較大。其中，懲罰因子C過高會(huì)導(dǎo)致出現(xiàn)過學(xué)習(xí)狀態(tài)，而其較低時(shí)又會(huì)發(fā)生欠擬合狀態(tài)；而核函數(shù)參數(shù)δ的大小，對(duì)于支持向量的個(gè)數(shù)有直接影響，進(jìn)而影響訓(xùn)練與測試的速度。因此，選擇合適的SVM模型的相關(guān)參數(shù)才能保證該算法在實(shí)際應(yīng)用中的準(zhǔn)確率。

1. 2 差分進(jìn)化算法

差分進(jìn)化[15](Differential Evolution,DE)是Rainer Storn和Kenneth Price于1995年提出的一種簡單而有效的隨機(jī)啟發(fā)式搜索算法。該算法采用實(shí)數(shù)編碼，調(diào)整參數(shù)較少，參數(shù)對(duì)于最終結(jié)果的影響不太明顯，具有較好的收斂性，且容易使用。但該算法的變異方法與傳統(tǒng)的差分進(jìn)化算法有較大的差異。DE算法利用種群內(nèi)個(gè)體向量之間的差異來求得差分向量，從而實(shí)現(xiàn)種群個(gè)體的變異，降低了遺傳與進(jìn)化的復(fù)雜性，同時(shí)具備動(dòng)態(tài)跟蹤當(dāng)前搜索情況的能力[16]，這種變異方式使得該算法的搜索能力更強(qiáng)。

對(duì)于一個(gè)優(yōu)化問題：

f(X1,X2,…,XD)min

(1)

DE算法的流程如下：

(2)

其中:Xi(0)表示種群中第0代的第i個(gè)個(gè)體向量；Xj,i(0)表示第0代的第i個(gè)個(gè)體向量的第j個(gè)分量；NP表示種群的大?。籸and(0,1)表示在(0,1)區(qū)間均勻分布的隨機(jī)數(shù)。

(2) 變異操作。DE算法通過差分實(shí)現(xiàn)個(gè)體的變異操作，基本方法是在種群中隨機(jī)選取兩個(gè)不同的個(gè)體向量，取其差向量再通過縮放因子縮放后，與另外一個(gè)個(gè)體進(jìn)行向量運(yùn)算，以實(shí)現(xiàn)其變異操作：

Vi(g+1)=Xr1(g)+F·[Xr2(g)-Xr3(g)]

(i≠r1≠r2≠r3)

(3)

式中:Vi(g+1)表示通過變異操作生成的第g+1代種群中第i個(gè)個(gè)體向量；F為縮放因子；Xi(g)表示第g代種群中第i個(gè)個(gè)體向量。

在進(jìn)化的過程中，為了確定解的有效性，必須判斷個(gè)體向量中各分量是否滿足邊界條件。如果不滿足邊界條件，則分量需采用隨機(jī)方法重新生成。

(3) 交叉操作。對(duì)第g代種群{Xi(g)}及其變異的中間體{Vi(g+1)}進(jìn)行個(gè)體間的交叉操作：

(4)

式中：CR為交叉概率；jrand為[1,2,…,D]的隨機(jī)整數(shù)。

(4) 選擇操作。DE算法采用貪婪策略，根據(jù)目標(biāo)函數(shù)的大小來選擇進(jìn)入新種群中的個(gè)體：

(5)

(5) 終止條件。當(dāng)進(jìn)化的迭代次數(shù)超過了Gm,或者目標(biāo)函數(shù)解的精度已經(jīng)達(dá)到精度要求時(shí)，將終止搜索。否則變異、交叉和選擇等操作將持續(xù)進(jìn)行，直到達(dá)到精度要求。

1.3 基于差分進(jìn)化-支持向量機(jī)(DE-SVM)模型的滑坡位移預(yù)測流程

本文采用差分進(jìn)化算法優(yōu)化支持向量機(jī)模型的懲罰因子C和核函數(shù)參數(shù)δ，選取其全局最優(yōu)參數(shù)，進(jìn)而以提高該算法的精確性和有效性?；贒E-SVM模型的滑坡位移預(yù)測的主要流程如下(見圖1)：

圖1 基于DE-SVM模型的滑坡位移預(yù)測的流程圖Fig.1 Flow chart of DE-SVM displacement prediction model for landslide displacement

(1) 首先提取滑坡位移監(jiān)測樣本數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行實(shí)數(shù)編碼及歸一化操作。

(2) 初始化DE-SVM模型參數(shù)，包括DE模型參數(shù)和SVM模型參數(shù)，如最大迭代次數(shù)Gm、交叉概率CR、縮放因子F、種群大小NP、適應(yīng)度函數(shù)，并且通過公式(2)產(chǎn)生初始種群。

(3) 計(jì)算初始種群的適應(yīng)度，取均方誤差MSE作為適應(yīng)度函數(shù)值。

(4) 利用公式(3)進(jìn)行變異操作。

(5) 利用公式(4)進(jìn)行交叉操作。

(6) 利用公式(5)進(jìn)行選擇操作。

(7) 將新得到的個(gè)體值代入SVM模型的初始懲罰因子C和核函數(shù)參數(shù)δ中，并計(jì)算其個(gè)體適應(yīng)度。

(8) 判斷是否達(dá)到迭代停止要求，即進(jìn)化的迭代次數(shù)超過Gm,或者目標(biāo)函數(shù)解的精度已經(jīng)達(dá)到精度要求時(shí)。否則繼續(xù)上述第(4)、(5)、(6)步等操作，直到達(dá)到要求。

(9) 將達(dá)到迭代停止要求后得到的最優(yōu)懲罰因子C和核函數(shù)參數(shù)δ，代入SVM模型進(jìn)行擬合預(yù)測。

(10) 利用訓(xùn)練樣本和檢驗(yàn)樣本訓(xùn)練DE-SVM模型，并檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性。

本文將樣本數(shù)據(jù)劃分為訓(xùn)練集和測試集，選取預(yù)測數(shù)據(jù)的均方誤差MSE作為優(yōu)化的適應(yīng)度函數(shù)值，通過對(duì)該目標(biāo)函數(shù)的尋優(yōu)計(jì)算獲取最優(yōu)解，并以重慶市奉節(jié)縣藕塘滑坡的位移監(jiān)測數(shù)據(jù)為例，分析利用DE-SVM模型預(yù)測滑坡位移的適用性和有效性。

2 工程實(shí)例應(yīng)用與分析

2. 1 藕塘滑坡概況

藕塘滑坡位于重慶市奉節(jié)縣安坪鎮(zhèn)，滑坡區(qū)屬于淺中切割單斜低山河谷地貌，巖層傾向與坡向近于一致，長江從藕塘滑坡北部坡腳由西向北東方向流動(dòng)，與巖層走向夾角為10°～15°。

該滑坡為一古滑坡，由后緣順向斜坡區(qū)與前緣老藕塘滑坡區(qū)組成，主要分為三級(jí)滑動(dòng)區(qū)，自南向北、自上朝下依次為三級(jí)、二級(jí)、一級(jí)。藕塘滑坡平面形態(tài)呈斜歪倒立古鐘狀(見圖2)，滑坡前緣高程為90～102 m，后緣高程為705 m左右，南北縱長約為1 990 m，東西橫寬約為890 m，面積約為176.9×104m2，滑體厚度為2.8～128.0 m，體積約為8 950×104m3?；伦冃沃饕杏跂|側(cè)前緣和西側(cè)前緣一帶，即東、西側(cè)變形區(qū)。

圖2 藕塘滑坡工程地質(zhì)平面圖Fig.2 Scheme of engineering geology of Outang landslide1.第四系全新統(tǒng)沖積層；2.第四系全新統(tǒng)坡積層；3.第四系全新統(tǒng)崩坡積層；4.第四系全新統(tǒng)滑坡堆積層；5.侏羅系下統(tǒng)珍珠沖組；6.三疊系上統(tǒng)須家河組；7.滑坡邊界；8.滑坡滑動(dòng)方向；9.前期治理抗滑樁；10.175 m水位線；11.預(yù)測塌岸線；12.滑坡變形監(jiān)測點(diǎn)

為了實(shí)時(shí)、有效地開展滑坡災(zāi)害預(yù)警，自2010年開始對(duì)藕塘滑坡位移進(jìn)行了長期監(jiān)測，其中設(shè)置了水平位移監(jiān)測點(diǎn)共37處，包括西部變形區(qū)MJ01監(jiān)測點(diǎn)，中部集鎮(zhèn)區(qū)MJ02、MJ13、MJ10、MJ06監(jiān)測點(diǎn)，后緣斜坡西側(cè)變形區(qū)MJ03監(jiān)測點(diǎn)，東部變形區(qū)MJ09、MJ14監(jiān)測點(diǎn)等。

2. 2 滑坡變形的影響因子分析

如果將滑坡看作一個(gè)整體系統(tǒng)，那么影響這個(gè)系統(tǒng)穩(wěn)定的因素可分為主導(dǎo)因素和觸發(fā)因素[17]。其中，主導(dǎo)因素主要包括滑坡自身屬性的內(nèi)部因素，有滑坡巖土體結(jié)構(gòu)、地質(zhì)構(gòu)造、風(fēng)化作用和地下水活動(dòng)等；誘發(fā)因素主要包括來自外界環(huán)境的作用，即外部因素，有地表水、大氣降水、地震作用和人類活動(dòng)等。

而滑坡內(nèi)部系統(tǒng)是一個(gè)高度非線性的且多輸入的系統(tǒng)，從傳統(tǒng)線性回歸的角度將很難得到與實(shí)際相符合的滑坡系統(tǒng)模式。利用人工智能方法分析滑坡系統(tǒng)，將其視為一個(gè)黑箱系統(tǒng)[18]，將整個(gè)滑坡系統(tǒng)考慮為在外部觸發(fā)因素誘導(dǎo)下，系統(tǒng)內(nèi)部因素相互作用，最終以滑坡變形破壞的形式輸出，從而建立一個(gè)優(yōu)化的滑坡地質(zhì)模型，“打包分析”其在外部輸入作用下的輸出形式。滑坡系統(tǒng)模式概念圖見圖3。

圖3 滑坡系統(tǒng)模式概念圖Fig.3 Conceptual diagram of landslide system model

藕塘滑坡在2010年12月6日至2016年12月6日期間多個(gè)監(jiān)測點(diǎn)的累計(jì)位移量、庫水位和累計(jì)降雨量的變化曲線，見圖4。

圖4 藕塘滑坡累計(jì)位移量、庫水位和累計(jì)降雨量的變化曲線Fig.4 Variation curves of cumulative displacement, reservoir water level and cumulative rainfall of Outang landslide

由圖4可見，該滑坡的累計(jì)位移量存在明顯的階梯狀變形特征，累計(jì)位移量爬升的陡坎主要分布于每年的汛期(每年10月至次年4月)，根據(jù)三峽庫區(qū)的水位調(diào)度特征，在此時(shí)間區(qū)間內(nèi)，庫水位將由較高水位175 m降至較低水位145 m左右；而汛期過后，滑坡累計(jì)位移量相對(duì)較平穩(wěn)。由此可見，藕塘滑坡的位移對(duì)于庫水位的起落較為敏感。此外，由圖4的降雨量變化曲線也可以看出，全年累計(jì)降雨量約70%集中于汛期，而藕塘滑坡前緣下部坡岸巖性主要為中—厚層細(xì)粒巖屑長石砂巖夾粉砂質(zhì)黏土巖及黏土巖，且在中下部夾有灰黑色炭質(zhì)頁巖，在雨水及地下水的浸泡作用下，極易使滑帶土力學(xué)強(qiáng)度降低，影響其抗滑力與下滑力之間的平衡[19]，將會(huì)使滑坡發(fā)生變形破壞。所以本研究將庫區(qū)水位與降雨因素作為滑坡變形的主要影響因子。

2. 3 基于DE-SVM模型的滑坡變形短期預(yù)測

本文選取2010年至2017年間藕塘滑坡位移的監(jiān)測數(shù)據(jù)，利用較小時(shí)間間隔的監(jiān)測數(shù)據(jù)對(duì)DE-SVM模型進(jìn)行訓(xùn)練及預(yù)測，檢驗(yàn)該模型的有效性和精確度,進(jìn)而利用較大時(shí)間間隔的監(jiān)測數(shù)據(jù)，從較長時(shí)間尺度上對(duì)藕塘滑坡變形的長期發(fā)展趨勢進(jìn)行預(yù)測，以檢驗(yàn)DE-SVM模型的穩(wěn)定性和實(shí)用性。

2.3.1 基于DE算法的SVM模型參數(shù)選擇

在本次擬合預(yù)測模型中，本文選取西部典型變形區(qū)監(jiān)測點(diǎn)MJ01藕塘滑坡位移的監(jiān)測數(shù)據(jù)作為樣本集，監(jiān)測時(shí)間間隔基本為10 d，其中降雨量為10 d累計(jì)降雨量。樣本數(shù)據(jù)共有167組，抽取前152組作為訓(xùn)練樣本，以此樣本完成對(duì)DE-SVM模型的訓(xùn)練，剩余15組作為檢驗(yàn)樣本，用來對(duì)外延預(yù)測結(jié)果進(jìn)行對(duì)照檢驗(yàn)。

在仿真過程中，采用Matlab實(shí)數(shù)編碼，為消除數(shù)據(jù)量綱的影響，將滑坡的位移數(shù)據(jù)和影響因子數(shù)據(jù)進(jìn)行歸一化處理。首先對(duì)DE算法參數(shù)初始化，設(shè)置最大迭代次數(shù)Gm為200、交叉概率CR為0.2，為保證有足夠的個(gè)體向量來獲取解的全局最優(yōu)，設(shè)定種群規(guī)模為30，縮放因子在[0.2,0.8]區(qū)間內(nèi)，由Matlab軟件的unifrnd()隨機(jī)函數(shù)產(chǎn)生。根據(jù)經(jīng)驗(yàn)和樣本特征，核函數(shù)參數(shù)δ的取值范圍為[0,100],懲罰因子C的取值范圍為[0，100]。適應(yīng)度函數(shù)值MSE隨迭代次數(shù)的變化曲線見圖5。

圖5 適應(yīng)度函數(shù)MSE值隨迭代次數(shù)的變化曲線Fig.5 Curve of MSE of the fitness function with the number of iterations

由圖5可見，在迭代次數(shù)為35次之前，目標(biāo)函數(shù)MSE迅速降低，此時(shí)差分算法正在較大的范圍內(nèi)尋找全局最優(yōu)解；在迭代次數(shù)約為35次之后，此時(shí)差分算法在全局最優(yōu)區(qū)域中尋找最優(yōu)解，其收斂速度較快，適應(yīng)度函數(shù)MSE值最終趨于穩(wěn)定。因此，最終通過優(yōu)化得到SVM模型的參數(shù)為C=13.046 8，δ=0.261 1。

2.3.2 DE-SVM模型的擬合預(yù)測

將DE算法優(yōu)化后的最優(yōu)種群個(gè)體映射到SVM模型參數(shù)的懲罰因子C和核函數(shù)參數(shù)δ中，建立滑坡變形影響因子與滑坡位移響應(yīng)的SVM模型。首先利用DE-SVM模型對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練學(xué)習(xí)，再通過訓(xùn)練完成的DE-SVM模型對(duì)檢驗(yàn)樣本進(jìn)行預(yù)測,最后將模型的預(yù)測值與檢驗(yàn)樣本的實(shí)測值進(jìn)行對(duì)比分析，得到DE-SVM模型預(yù)測的相對(duì)誤差，見圖6。

圖6 DE-SVM模型預(yù)測的相對(duì)誤差Fig.6 Plots of relative errors of DE-SVM prediction model

由圖6可見：DE-SVM模型預(yù)測的絕對(duì)誤差最大值為2.36 mm，相對(duì)誤差最大值為0.34%。

在較小時(shí)間尺度下，利用DE-SVM模型預(yù)測得到藕塘累計(jì)位移量的預(yù)測值與實(shí)測值的對(duì)比曲線，見圖7。

圖7 較小時(shí)間尺度下基于DE-SVM模型的藕塘滑坡累計(jì)位移量預(yù)測值與實(shí)測值的對(duì)比曲線Fig.7 Comparison of DE-SVM model predicted values and the measured values of the cumulative displacement on a shorter time scale

由圖7可見，利用DE-SVM模型預(yù)測得到的藕塘滑坡累計(jì)位移量預(yù)測值與實(shí)測值的變化趨勢基本一致，表明該模型的預(yù)測效果較好。此外，通過計(jì)算，得到DE-SVM模型預(yù)測的均方根誤差RMSE為0.70 mm，平均相對(duì)誤差絕對(duì)值MAPE為0.055 4%，表明該模型的預(yù)測精度較高。

2. 4 基于DE-SVM模型的滑坡變形長期預(yù)測

當(dāng)預(yù)測樣本的時(shí)間間隔調(diào)整為較大尺度時(shí)，利用DE-SVM模型可從長期發(fā)展的角度來預(yù)測藕塘滑坡的變形的長期發(fā)展情況，并可應(yīng)用不同組監(jiān)測數(shù)據(jù)來檢驗(yàn)該模型的穩(wěn)定性。本文進(jìn)一步選取時(shí)間間隔基本為30 d的樣本數(shù)據(jù)，對(duì)2016—2017年一年間藕塘滑坡的變形情況進(jìn)行宏觀預(yù)測。

將DE-SVM模型的參數(shù)保持不變，同樣選取西部監(jiān)測點(diǎn)MJ01藕塘滑坡的位移監(jiān)測數(shù)據(jù)作為樣本集，樣本數(shù)據(jù)共有75組，時(shí)間跨度為2010年至2017年，以前62組數(shù)據(jù)作為訓(xùn)練樣本，剩余13組數(shù)據(jù)作為檢驗(yàn)樣本，利用DE-SVM模型預(yù)測得到藕塘滑坡的累計(jì)位移量，見圖8。

圖8 較大時(shí)間尺度下基于DE-SVM模型的藕塘滑坡累計(jì)位移量預(yù)測值與實(shí)測值的對(duì)比曲線Fig.8 DE-SVM model predicted values and the measured values of the cumulative displacement on a longer time scale

由圖8可見：2016年至2017年區(qū)間內(nèi)，藕塘滑坡的累計(jì)位移量在5月至8月期間出現(xiàn)陡增，此時(shí)正處于三峽庫區(qū)汛期，庫水位將由較高水位降至較低水位，而且全年的降水量也主要集中在此區(qū)間內(nèi)，而在汛期過后該滑坡的變形趨于平緩，此時(shí)庫水位保持高水位并相對(duì)穩(wěn)定，這與實(shí)際監(jiān)測數(shù)據(jù)顯示的該滑坡變形特征基本保持一致；5月至8月藕塘滑坡累計(jì)位移量變化曲線斜率較大，累計(jì)位移量上升速率較大，表明該滑坡的變形發(fā)展與庫水位的下降以及汛期的集中降雨有著較為密切的關(guān)系。

結(jié)合三峽庫區(qū)滑坡常見的階躍式變形特征，在滑坡系統(tǒng)現(xiàn)有內(nèi)部因素不變的情況下，藕塘滑坡在周期性庫水位變動(dòng)的影響下，該處監(jiān)測點(diǎn)所在的西部前緣滑段將會(huì)隨著庫水位的變動(dòng)持續(xù)變形。而目前的勘察結(jié)果同樣顯示，該處滑段位移正在持續(xù)發(fā)展，未見收斂或趨緩跡象。由于該處滑段位于阻滑段，其變形將不利于藕塘滑坡的整體穩(wěn)定，從而影響滑坡上集鎮(zhèn)的穩(wěn)定與發(fā)展。因此，建議結(jié)合坡體排水工程以減弱庫水位變動(dòng)引起的動(dòng)水壓力變化所帶來的不利影響。

3 結(jié)論與建議

(1) 本文分析了滑坡影響因子與滑坡位移之間的關(guān)系，將滑坡考慮為由外界誘發(fā)因素影響下，系統(tǒng)內(nèi)部因素相互作用，最終以發(fā)生位移的形式輸出的黑箱系統(tǒng)，這是本文采用智能算法擬合預(yù)測滑坡變形的基本思路。

(2) 本文采用差分進(jìn)化(DE)算法優(yōu)化支持向量機(jī)(SVM)模型參數(shù)，克服了SVM模型參數(shù)選取的人為隨機(jī)性，并綜合了兩者的優(yōu)點(diǎn)，可得到較穩(wěn)定的預(yù)測結(jié)果，且DE-SVM模型預(yù)測精度較高，預(yù)測效果較好。

(3) 基于DE-SVM模型對(duì)藕塘滑坡2016—2017年的位移變形情況進(jìn)行了短期和長期預(yù)測，結(jié)果顯示藕塘滑坡的宏觀變形特征與實(shí)際監(jiān)測結(jié)果基本一致。由預(yù)測結(jié)果分析認(rèn)為，藕塘滑坡的變形發(fā)展與庫區(qū)庫水位的變動(dòng)以及汛期集中降雨等誘發(fā)因素有著較為密切的關(guān)系。建議該滑坡后期治理應(yīng)結(jié)合坡面排水工程以弱化庫水位變動(dòng)引起的動(dòng)水壓力變化帶來的不利影響。

(4) DE-SVM滑坡位移預(yù)測模型可持續(xù)不斷地輸入新的位移監(jiān)測數(shù)據(jù)，進(jìn)一步深入學(xué)習(xí)并優(yōu)化模型。如果監(jiān)測數(shù)據(jù)密度更大，監(jiān)測周期更為均勻，且監(jiān)測持續(xù)的時(shí)間跨度更長，該模型的預(yù)測精度將會(huì)進(jìn)一步提高，且外延預(yù)測的長度亦能提高，將能對(duì)滑坡的宏觀變形做出更為長遠(yuǎn)和準(zhǔn)確的預(yù)測，這對(duì)保障三峽庫區(qū)沿岸居民的生命及財(cái)產(chǎn)安全有著重要的意義。