鮮木斯艷·阿布迪克依木，何 書

(1. 江西理工大學(xué) 資源與環(huán)境工程學(xué)院, 江西 贛州 341000； 2.江西理工大學(xué) 江西省稀土資源高效利用重點實驗室，江西 贛州 341000)

近20 a來，研究人員針對滑坡易發(fā)性分析提出了包括統(tǒng)計分析模型、確定性模型和概率模型等多種定量評價方法[1]，其中統(tǒng)計分析模型在中、大尺度范圍內(nèi)的滑坡易發(fā)性分析中應(yīng)用較為廣泛[2]。人工神經(jīng)網(wǎng)絡(luò)模型作為統(tǒng)計分析模型中的重要方法，可以用來分析不同尺度下復(fù)雜及不連貫的數(shù)據(jù)，尤其在解決不確定性或非線性問題方面具有明顯優(yōu)勢，其中BP神經(jīng)網(wǎng)絡(luò)是應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)[3-5]。BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)，它通過建立3層感知器，能夠模擬計算輸入層的權(quán)重，而權(quán)重是滑坡易發(fā)性制圖的關(guān)鍵所在[6-7]。由于BP神經(jīng)網(wǎng)絡(luò)的固有缺陷，其隱層節(jié)點數(shù)的確定缺少必要的理論指導(dǎo)，同時推廣能力有限，造成模擬結(jié)果不確定，從而對滑坡易發(fā)性的預(yù)測能力造成影響[8]。Dombi等人提出了用MIV (Mean Impact Value)來反映神經(jīng)網(wǎng)絡(luò)中權(quán)重矩陣的變化情況[9]，MIV被認(rèn)為是神經(jīng)網(wǎng)絡(luò)中評價變量相關(guān)性最好的指標(biāo)之一，為解決此類問題開創(chuàng)了新的思路。MIV方法被廣泛應(yīng)用于解決非線性回歸的變量排序問題[10]，MIV值的大小體現(xiàn)了評價變量的重要性[11]。利用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)輸入層到隱藏層之間的連接矩陣可以確定輸入變量權(quán)重，與MIV值均代表輸入變量的相對重要程度。由于在BP網(wǎng)絡(luò)設(shè)計中，最優(yōu)隱層節(jié)點數(shù)主要依靠經(jīng)驗和試算來確定[12]，具有不同隱層節(jié)點數(shù)的網(wǎng)絡(luò)，獲取的連接矩陣權(quán)重及MIV值均有所不同。理論上，二者獲得輸入變量重要性排序趨于一致時，在滿足網(wǎng)絡(luò)收斂的前提下，將獲得相對較優(yōu)的隱層節(jié)點數(shù)。然而，此時利用連接矩陣和MIV值確定的滑坡評價指標(biāo)權(quán)重是否具有更高的預(yù)測能力，目前尚不清楚。

為此，本文利用BP神經(jīng)網(wǎng)絡(luò)連接權(quán)矩陣獲得的輸入變量權(quán)重與MIV值相結(jié)合，以獲取神經(jīng)網(wǎng)絡(luò)的最優(yōu)隱藏節(jié)點，進(jìn)而綜合二者求解輸入變量的最終權(quán)重。在此基礎(chǔ)上，結(jié)合GIS制圖技術(shù)，提出區(qū)域滑坡易發(fā)性評價方法，并將該方法應(yīng)用于江西省龍南縣滑坡易發(fā)性評價中，為區(qū)內(nèi)滑坡災(zāi)害空間預(yù)測提供理論及方法指導(dǎo)。

1 資料與方法

1.1 研究區(qū)介紹

龍南縣位于江西南部，面積約1 640.55 km2，地理坐標(biāo)為東經(jīng)110°41′15″～110°45′00″，北緯30°55′00″ ～30°57′30″，圖1為研究區(qū)地理位置示意圖。研究區(qū)滑坡發(fā)育受氣候、地形地貌、地層巖性等諸因素的影響。

圖1 研究區(qū)地理位置及滑坡空間分布Fig.1 Location of the study area and landslide distribution

研究區(qū)位于亞熱-熱帶季風(fēng)區(qū)，氣候溫暖濕潤。冬夏季風(fēng)盛行、春夏降水集中，該區(qū)年平均降雨量達(dá)1 526.3 mm。該區(qū)域總體地勢南西高、北東低，周邊多山，海拔最高處約1 430 m，最低處約190 m。地貌類型以構(gòu)造侵蝕低山為主，占據(jù)全區(qū)面積的77.95%，其余包括構(gòu)造剝蝕低山丘陵、巖溶及剝蝕堆積等地貌?；聻?zāi)害主要分布在低山、丘陵(高丘陵)地貌區(qū)，據(jù)統(tǒng)計，分別占已發(fā)災(zāi)害總數(shù)的53.7%和40.9%[13]。該地區(qū)地層從老到新，分布有震旦系、泥盆系、石炭系、二疊系、三疊系、侏羅系、白堊系及第四系地層，巖土類型包括紅色碎屑巖、變質(zhì)巖、松散巖、一般碎屑巖、碳酸鹽巖和花崗巖等6類，其中一般碎屑巖分布最為廣泛，約占總面積的39.2%，碳酸鹽巖分布面積最下，約占0.5%。區(qū)內(nèi)基巖之上普遍發(fā)育5～25 m不等的強風(fēng)化層，大部分滑坡發(fā)育于強風(fēng)化層中。

1.2 評價方法

BP神經(jīng)網(wǎng)絡(luò)通過對滑坡樣本的訓(xùn)練，獲取易發(fā)性評價指標(biāo)權(quán)重，然后利用ArcGIS圖形疊加功能制作滑坡易發(fā)性圖，是區(qū)域滑坡評價中較為簡單而適用的方法[14-15]?；贏rcGIS和Matlab平臺，將BP神經(jīng)網(wǎng)絡(luò)與MIV方法結(jié)合，有效提高了滑坡空間預(yù)測的精度?；乱装l(fā)性分析步驟如下(見圖2)。

(1) 評價資料收集。資料包括滑坡樣本和研究區(qū)地形、地質(zhì)及地表的相關(guān)資料。其中滑坡樣本主要通過收集研究區(qū)的災(zāi)害調(diào)查報告和現(xiàn)場調(diào)查獲得。地形和地表相關(guān)數(shù)據(jù)通過地理空間數(shù)據(jù)云網(wǎng)站(http://www.gscloud.cn)獲取的GDEMV2 30 m 分辨率數(shù)字高程數(shù)據(jù)和Landsat 8 OLI_TIRS衛(wèi)星數(shù)字產(chǎn)品提取，收集的地質(zhì)圖包括1∶200 000區(qū)域調(diào)查地質(zhì)圖和部分1∶50 000地質(zhì)圖，研究區(qū)的水系、道路數(shù)據(jù)則來源于Google Earth Images和百度地圖的解析。然后根據(jù)ArcGIS和EVEI 5.1軟件平臺制作與滑坡相關(guān)的評價指標(biāo)圖，選取與滑坡易發(fā)性相關(guān)的指標(biāo)包括：巖土類型、土地利用分類、總曲率、剖面曲率、坡度、坡向、歸一化植被指數(shù)、高程、到水系距離、到道路距離、滑坡點密度等14個指標(biāo)。根據(jù)滑坡點在研究區(qū)的空間分布特征，計算相應(yīng)區(qū)域的滑坡頻率，并以此作為神經(jīng)網(wǎng)絡(luò)的輸入樣本和驗證樣本。

(2) 確定權(quán)重。利用Matlab13.0軟件，編制MIV -BP神經(jīng)網(wǎng)絡(luò)確定權(quán)重的程序，計算各評價指標(biāo)權(quán)重。

(3) 滑坡易發(fā)性制圖與比較。利用ArcGIS軟件平臺制作評價指標(biāo)專題圖，結(jié)合指標(biāo)權(quán)重，制作滑坡易發(fā)性分區(qū)圖。最后，利用ROC曲線對評價結(jié)果進(jìn)行對比分析，以驗證評價模型的可靠性。

1.3 滑坡影響因子分析

結(jié)合研究區(qū)的地質(zhì)災(zāi)害區(qū)域調(diào)查報告和現(xiàn)場調(diào)查，獲取了173個滑坡點數(shù)據(jù)。這些滑坡點均為平移型滑坡，滑坡規(guī)模普遍偏小，大部分滑坡平面投影面積小于30 m×30 m，在本次研究中均被視為一個點(見圖1)。根據(jù)區(qū)內(nèi)滑坡發(fā)育特征，選取巖土類型、土地利用類型、到水系的距離、到道路的距離、歸一化植被指數(shù)、坡向、坡度、剖面曲率、平面曲率、總曲率、高程、滑坡密度、道路密度、水系密度等14個指標(biāo)作為易發(fā)性評價指標(biāo)。基于前人文獻(xiàn)[16-17]和研究區(qū)滑坡頻率分析，構(gòu)建了指標(biāo)分級標(biāo)準(zhǔn)，詳見表1。以上評價指標(biāo)由ArcGIS10.2軟件制成大小為30 m×30 m的柵格圖, 鑒于篇幅有限，僅列出部分柵格圖(見圖3)。

圖2 MIV- BP 空間預(yù)測方法Fig.2 MIV- BP method for landslide spatial prediction

表1 滑坡評級指標(biāo)及分級Tab.1 Landslide affecting factors and their classes

圖3 滑坡易發(fā)性評價指標(biāo)Fig.3 Landslide Sensitivity Evaluation Index Map

1.4 MIV-BP神經(jīng)網(wǎng)絡(luò)確定權(quán)重

將訓(xùn)練樣本的評價指標(biāo)信息輸入BP神經(jīng)網(wǎng)絡(luò)模型中，通過輸入層到隱藏層之間的連接矩陣來確定指標(biāo)權(quán)重，計算公式如下[18]：

(1)

式中，vjl為連接矩陣元素，m表示輸入樣本指標(biāo)數(shù),k為隱藏節(jié)點數(shù)。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練好后，將訓(xùn)練樣本每一個變量值增加或減少10%，得到兩個新的樣本，將新樣本輸入到訓(xùn)練好的神將網(wǎng)絡(luò)中進(jìn)行仿真，求取模擬值差值的算術(shù)平均數(shù)，可得到MIV值。MIV值的絕對值表示指標(biāo)的相對重要性。MIV通常被用來進(jìn)行變量的排序和篩選，其絕對值的大小并不能完全對應(yīng)輸入變量的絕對重要程度，但進(jìn)行變量重要性排序效果非常好。

BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中容易陷入局部最小點，通常需要依靠不斷調(diào)整隱藏節(jié)點數(shù)來滿足訓(xùn)練要求。在實際應(yīng)用中，當(dāng)隱藏節(jié)點數(shù)不斷改變時，由公式(1)算出的指標(biāo)權(quán)重和對應(yīng)MIV排序常常不一致，但可以滿足模型的訓(xùn)練需求，顯然這存在矛盾。為此，將二者結(jié)合起來，通過不斷更改節(jié)點數(shù)，確保二者對評價指標(biāo)的排序一致時，取二者的組合權(quán)作為指標(biāo)最終權(quán)重，此時能夠解決以上不一致的矛盾，對應(yīng)的隱藏節(jié)點數(shù)也屬最優(yōu)。具體方法如下：

首先對MIV值取絕對值，然后進(jìn)行歸一化處理：

(2)

將式(1)和式(2)的結(jié)果進(jìn)行組合：

(3)

式中,wi為評價指標(biāo)的組合權(quán)重，μ1,μ2分別表示權(quán)重置信度，μ1+μ2=1。式中的置信度可由專家主觀確定或通過試算方法確定，權(quán)重置信度高低反映神經(jīng)網(wǎng)絡(luò)連接權(quán)重與MIV值在輸入變量權(quán)重確定中的重要性。試算時，以模擬參與滑坡易發(fā)性預(yù)測中準(zhǔn)確度最高時對應(yīng)的置信度為最佳。根據(jù)以上方法，計算滑坡易發(fā)性評價指標(biāo)權(quán)重，如圖4所示。

圖4 滑坡評價指標(biāo)權(quán)重Fig.4 Weights of landslide evaluation index

1.5 滑坡評價模型的構(gòu)建及易發(fā)性制圖

將滑坡易發(fā)性影響因子?xùn)鸥窕?，統(tǒng)一制成30 m×30 m的柵格，并進(jìn)行重分類，然后將柵格圖乘以指標(biāo)相應(yīng)權(quán)重，并對指標(biāo)圖層進(jìn)行疊加制圖。利用ArcGIS軟件對疊加圖進(jìn)行平滑處理，利用鄰域分析功能, 采用15 m×15 m的正方形進(jìn)行平均值計算, 以消除個別異常點[19]。分別采用BP模型和MIV-BP模型，制成滑坡易發(fā)性評價圖。如圖5所示，按照自然間距分類方法把滑坡易發(fā)性分為：極高易發(fā)區(qū)、高易發(fā)區(qū)、中易發(fā)區(qū)、低易發(fā)區(qū)與極低易發(fā)區(qū)5種等級[20]。

圖5 滑坡易發(fā)性評價結(jié)果Fig.5 Landslide susceptibility by maps usingdifferent landslide models

2 滑坡模型驗證與比較

利用神經(jīng)網(wǎng)絡(luò)方法進(jìn)行滑坡易發(fā)性評價在于獲得一個良好的網(wǎng)絡(luò)結(jié)構(gòu)，利用MIV理論對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，在一定程度上提高了網(wǎng)絡(luò)結(jié)構(gòu)的可靠性，在此基礎(chǔ)上確定的指標(biāo)權(quán)重也更為合理。本文分析表明，研究區(qū)剖面曲率在滑坡易發(fā)性評價中具有最高的權(quán)重，因為滑坡點主要分布在研究區(qū)山間盆地的邊緣，這里的斜坡坡度變化最大。相對而言，坡度的權(quán)重最小，對滑坡易發(fā)性評價的貢獻(xiàn)也最小，原因在于滑坡點大量發(fā)生在坡度分布相對較低的地區(qū)，這與該地區(qū)稀土原地浸礦或人工開挖造成在低緩斜坡發(fā)生滑坡有關(guān)，而在區(qū)域滑坡易發(fā)性評價指標(biāo)中難以體現(xiàn)這一因素。獲取本文中選取的14個因子之間的相對重要程度，對于滑坡易發(fā)性制圖至關(guān)重要。利用BP神經(jīng)網(wǎng)絡(luò)獲取評級指標(biāo)權(quán)重在以往研究中已獲得過類似成果，由于BP網(wǎng)絡(luò)在確定隱藏節(jié)點數(shù)中存在困難，使得權(quán)重隨著隱藏節(jié)點數(shù)的變化而變化，因而指標(biāo)權(quán)重的獲得存在相當(dāng)?shù)牟淮_定性。MIV方法能夠利用訓(xùn)練好的BP網(wǎng)絡(luò)進(jìn)行輸入項的相關(guān)性分析，將原有的權(quán)重確定方法與MIV值結(jié)合起來，確定新的權(quán)重，顯然能夠在一定程度上獲得較優(yōu)的神經(jīng)網(wǎng)絡(luò)隱藏節(jié)點數(shù)，以此獲得的指標(biāo)權(quán)重也更符合實際。

利用ROC曲線判斷BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測能力，其AUC=0.707 4，將MIV值納入考慮后，AUC=0.820 4，可見預(yù)測能力有了顯著的提高(見圖6，表2)。對于BP神經(jīng)網(wǎng)絡(luò)模型，滑坡點落在高和非常高的滑坡易發(fā)性區(qū)域的比率約87.26%，而MIV-BP模型的這一比率提高到了88.1%，雖然只提高了不到1%，但對于易發(fā)性制圖依然是有意義的。說明基于MIV理論的BP神經(jīng)網(wǎng)絡(luò)模型對于指標(biāo)權(quán)重確定的準(zhǔn)確性有所提高。

圖6 利用ROC曲線檢驗滑坡模型Fig.6 Performance of landslide models byusing ROC curve technique

序號滑坡概率等級BP模型滑坡概率滑坡比率MIV-BP模型滑坡概率滑坡比率1非常低00.000.0010.122低0.0313.700.0453.773中等0.0779.040.0958.014高0.16819.810.23019.485非常高0.57267.450.81068.62

3 結(jié) 論

(1) 利用MIV理論優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)模型的隱藏節(jié)點數(shù)，繼而通過神經(jīng)網(wǎng)絡(luò)的連接權(quán)矩陣和MIV值確定了滑坡易發(fā)性評價指標(biāo)的權(quán)重，提高了權(quán)重確定的有效性和精度。

(2) 利用MIV-BP神經(jīng)網(wǎng)絡(luò)模型對研究區(qū)滑坡易發(fā)性進(jìn)行評價，利用ROC曲線分析表明，其AUC值達(dá)到0.820 4，明顯高于普通BP神經(jīng)網(wǎng)絡(luò)的0.707 4，說明空間預(yù)測能力有了顯著提高。

(3) MIV理論與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，能夠有效增強神經(jīng)網(wǎng)絡(luò)的推廣能力，在區(qū)域滑坡易發(fā)性評價中具有更好的準(zhǔn)確性和較大的應(yīng)用潛力。