唐 旺, 馬尚昌,陳 銳

(1.成都信息工程大學(xué) 電子工程學(xué)院(大氣探測學(xué)院), 成都 610225; 2.四川省甘孜藏族自治州氣象局, 四川 康定 626000)

0 引 言

川西北地區(qū)屬于青藏高原的一部分,僅阿壩州境內(nèi)就已形成多達(dá)200多萬畝(13.33多萬hm2)的干旱河谷地帶,兩岸山坡上幾乎寸草不生,在雨季暴雨頻發(fā),極易誘發(fā)泥石流,堵塞河道,沖毀公路,危及城鎮(zhèn)[1]。丹巴縣位于甘孜藏族州境內(nèi),該地區(qū)每逢雨季地質(zhì)災(zāi)害頻發(fā),泥石流是丹巴縣境內(nèi)主要的地質(zhì)災(zāi)害之一。泥石流的發(fā)生與水有著密切關(guān)系,按照水源類型可將泥石流分為暴雨型泥石流、潰決型泥石流、冰雪融水型泥石流、泉水型泥石流等4類。從調(diào)查的結(jié)果可知, 廣泛分布于丹巴縣境內(nèi)的254條泥石流全部屬于暴雨型泥石流,沒有潰決型、 冰雪融水型和泉水型泥石流。 每年汛期,受強降水天氣過程的影響, 并在匯流作用下,在溝谷會發(fā)生不同程度的泥石流。 尤其是2008年以來, 受 “5·12” 汶川和 “4·20” 雅安地震的影響, 溝谷內(nèi)有大量松散物源堆積,每年汛期內(nèi)均有數(shù)條溝谷爆發(fā)泥石流。汛期泥石流災(zāi)害的集中發(fā)生詮釋了泥石流與降雨量之間的不可分割的關(guān)系。

雖然各種自然因素都有可能引發(fā)泥石流,但降水是泥石流形成的直接觸發(fā)因素[2]。 費曉燕等[3]基于降雨信息資料對四川省滑坡災(zāi)害的前期雨量進(jìn)行了統(tǒng)計分析, 并采用邏輯回歸分析建立模型,該模型的整體準(zhǔn)確率為78.36%; 滑坡災(zāi)害的當(dāng)日降雨量、前一日降雨量和前兩日降雨量對災(zāi)害的影響權(quán)重分別為0.587、0.220、0.189,氣象預(yù)警模型的地質(zhì)背景概率和綜合雨量概率的權(quán)重參數(shù)分別為0.349、0.606。江錦紅等[4]從河道安全泄洪流量出發(fā),提出了最小臨界值和臨界雨力的新概念和計算方法,并在此基礎(chǔ)上構(gòu)建了暴雨臨界曲線作為山洪災(zāi)害預(yù)警標(biāo)準(zhǔn)。高華喜等[5]利用深圳市降雨與滑坡歷史資料, 對區(qū)域性滑坡與降雨量進(jìn)行相關(guān)性分析并得出結(jié)論:一次性降雨量達(dá)到或超過某一數(shù)值時區(qū)域性滑坡就可能出現(xiàn),大暴雨或特大暴雨具有直接觸發(fā)滑坡的作用,另外暴雨后滑坡發(fā)生可能出現(xiàn)滯后,滯后時間一般不超過4日。付世軍等[6]基于南充市2011—2016年181條強降雨型滑坡記錄,與213個自動區(qū)域站的小時雨量數(shù)據(jù)進(jìn)行對比，分析了滑坡成因,確定了分縣域引發(fā)滑坡的平均降雨強度與時間窗口的關(guān)系閾值,并提出了南充市強降雨誘發(fā)滑坡地質(zhì)災(zāi)害風(fēng)險預(yù)警技術(shù)流程框架和關(guān)鍵性閾值參考值。Aleotti等[7]以意大利西北部Piedmont Region 為例, 通過研究降水事件與泥石流發(fā)生之間的統(tǒng)計關(guān)系, 確定了該區(qū)導(dǎo)致泥石流發(fā)生的降水閾值。 于國強等[8]詳細(xì)論述了舟曲“8·8”泥石流成災(zāi)特征和發(fā)展趨勢,采用水文學(xué)分析方法,計算不同降雨頻率下的洪水特征值與降雨特征值,劃分地質(zhì)災(zāi)害不同預(yù)警級別,提出預(yù)警判據(jù),計算不同預(yù)警級別下的降雨特征閾值,建立前期含水量在一般和干旱兩種條件下,不同預(yù)警級別的降雨歷時與降雨強函數(shù)關(guān)系曲線,并闡明觸發(fā)不同等級地質(zhì)災(zāi)害的臨界降雨特征。 溫智熊等[9]通過對大量滑坡、 崩塌發(fā)生時的日降雨量、 3 日累計降雨量統(tǒng)計分析, 發(fā)現(xiàn)廣西龍勝縣的滑坡及崩塌發(fā)生的總數(shù)與降雨量值的大小呈折線正相關(guān), 即降雨量值增加, 滑坡、 崩塌的數(shù)量呈臺階狀增加。 Tang等[10]利用線性回歸和BP神經(jīng)網(wǎng)絡(luò)對成都市地面溫度進(jìn)行預(yù)測, 發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率高于線性回歸。 疏杏勝等[11]利用ANN、 ELM以及SVM模型對桓仁水庫流域未來1～3 d降雨進(jìn)行多模式集成預(yù)報, 基于SVM和ELM的多模式集成預(yù)報模型預(yù)報效果均優(yōu)于單一模式, 基于ANN的集成預(yù)報模型在輸入因子選擇合適的情況下, 其預(yù)報效果也優(yōu)于單一模式, 3種模型中SVM模型對降雨預(yù)報精度改善最為明顯, 說明基于機器學(xué)習(xí)模型的多模式降雨集成預(yù)報方法可行且能夠提高短期預(yù)報降雨精度。 目前對于降雨閾值的研究主要分為兩類, 一類是根據(jù)歷史上誘發(fā)滑坡的降雨數(shù)據(jù)建立經(jīng)驗性降雨閾值, 另一類是通過試驗方法或數(shù)值方法研究降雨對邊坡穩(wěn)定性的影響規(guī)律[12]。

國內(nèi)外泥石流預(yù)報模型都是在長期野外監(jiān)測和數(shù)據(jù)分析的基礎(chǔ)上建立的, 所在的實驗區(qū)得到了較為理想的使用[13],包括泥石流、山體滑坡、洪澇災(zāi)害等;對于地質(zhì)災(zāi)害的預(yù)警預(yù)報大多使用統(tǒng)計的方式,即統(tǒng)計歷史上的發(fā)生泥石流的大小與當(dāng)日降雨量的數(shù)據(jù),經(jīng)過分類后給出閾值;而對于氣象數(shù)據(jù)預(yù)測的研究,采用了各種神經(jīng)網(wǎng)絡(luò)在各研究區(qū)域都取得了良好的結(jié)果。但利用閾值和天氣預(yù)報的協(xié)同預(yù)警,沒有考慮時間、成本和復(fù)雜度的因素,因為降雨型泥石流的發(fā)生與前一段時間的降雨量都存在一定關(guān)系,而天氣預(yù)報的復(fù)雜度極高且成本同樣高昂,在川西北地區(qū)高原大部分地區(qū)并未設(shè)置精密的天氣預(yù)報設(shè)備和裝置。針對降雨型泥石流的預(yù)警,除了地質(zhì)條件的影響,應(yīng)該重點關(guān)注降雨量的預(yù)測,將地質(zhì)災(zāi)害的預(yù)警和氣象預(yù)報相結(jié)合。因此,本研究結(jié)合統(tǒng)計方法與LSTM方法,采用四川省甘孜藏族州丹巴縣的氣象數(shù)據(jù),探尋一種針對川西北地區(qū)強降雨誘發(fā)泥石流預(yù)警的方法。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)來源

氣象數(shù)據(jù)來自于丹巴縣氣象監(jiān)測站,主要為2010—2019年24 h降雨量、平均氣溫、平均相對濕度、平均風(fēng)速數(shù)據(jù)，用于降雨量的預(yù)測。由于2008年汶川大地震對川西北的地質(zhì)地貌產(chǎn)生了重大的影響,在很多地區(qū)形成了泥石流易發(fā)的溝壑、斷裂等,在2010年之前同樣發(fā)生了多起重大泥石流災(zāi)害。為了使閾值的劃分更加科學(xué)準(zhǔn)確,擴大樣本總數(shù)以提升數(shù)據(jù)統(tǒng)計的可靠性,本研究統(tǒng)計了近20年發(fā)生的特大、大、中、小型泥石流數(shù)據(jù),共計254條,其中特大型泥石流為6次,大型泥石流為21次,中型泥石流為102次,小型泥石流為125次。

1.2 數(shù)據(jù)初步分析

根據(jù)近20年泥石流災(zāi)害的統(tǒng)計數(shù)據(jù)分析,災(zāi)害活動頻繁的月份在5—8月,其中6—8月占比達(dá)到91%,其原因在于每年6—8月正逢丹巴縣的主汛期(圖1),其中6、7月發(fā)生頻率最高,總占比達(dá)到82%。丹巴縣泥石流主要發(fā)生在兩個時間段,分別為下午至傍晚和夜晚至次日凌晨(圖2),且在凌晨發(fā)生的可能性更大。

由于數(shù)據(jù)量較大, 本文僅選取部分?jǐn)?shù)據(jù)分析展示(表1)。 對泥石流災(zāi)害發(fā)生前后時段的降水量分析可知, 當(dāng)降雨達(dá)到一定程度時, 將會引發(fā)泥石流災(zāi)害。 進(jìn)一步地, 丹巴縣泥石流的發(fā)生與1 h、 3 h、6 h、12 h、24 h、3 d、10 d的降水量有一定關(guān)系,其中與10 d的前期降雨量關(guān)系密切。小時降水量中,3 h降水所占權(quán)重較大。表2為1999年以來危害較嚴(yán)重的泥石流災(zāi)害發(fā)生時的前期降雨量和短時降雨量數(shù)據(jù)以及受災(zāi)情況(其中部分?jǐn)?shù)據(jù)無詳細(xì)發(fā)生時間, 可能與災(zāi)害統(tǒng)計人員的統(tǒng)計方式和習(xí)慣有關(guān))。 經(jīng)過分析, 當(dāng)前期累積降水量(前10 d)達(dá)到50 mm以上時, 發(fā)生泥石流災(zāi)害的概率為55%; 累積降水量(前10 d)達(dá)到30 mm時發(fā)生泥石流災(zāi)害的概率為36%; 累積降水量(持續(xù)10 d)達(dá)到20 mm以上時, 發(fā)生泥石流的概率僅為9%。 小時降水量的多少與泥石流的發(fā)生有一定關(guān)系, 但無必然關(guān)系, 災(zāi)害的形成必須配合前期降水量來分析。 當(dāng)12 h降水量達(dá)25～40 mm時, 泥石流發(fā)生的概率為45%； 24 h降水量達(dá)25～40 mm時, 泥石流發(fā)生的概率為9%。 經(jīng)過對泥石流發(fā)生時前一段時間的降雨量統(tǒng)計分析,可以劃分出預(yù)警的閾值,并通過不斷檢驗和修正,得到高準(zhǔn)確率的預(yù)警閾值。

圖1 丹巴縣泥石流發(fā)生的月份分布

圖2 丹巴縣泥石流發(fā)生的時段概率分布

1.3 方法

1.3.1 長短時記憶神經(jīng)網(wǎng)絡(luò)[14]長短時記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory, LSTM)相較于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)多了三道門，即“遺忘門”(forget gate)、“ 輸入門”(input gate)和“輸出門”(output gate), 可用以下流程和公式表示。

(1)遺忘門:t-1時刻的輸入ht-1和xt經(jīng)過一個線性變換+ReLU激活以后, 輸出ft, 再與ct-1進(jìn)行相乘得到一個中間結(jié)果。

ft=ReLU(Wf·[ht-1,xt]+bf)·ct-1。

(1)

lt=ReLU(Wi·[ht-1,xt]+bi);

(2)

(3)

(4)

(3)輸出門:t-1時刻的輸入ht-1和xt經(jīng)過另外一個線性變換+ReLU激活以后, 輸出ot;ot與ct相乘得到輸出ht。

ot=ReLU(Wo·[ht-1,xt]+bo);

(5)

ht=ot·ct。

(6)

1.3.2 數(shù)據(jù)歸一化 使用數(shù)據(jù)歸一化能夠?qū)?shù)據(jù)轉(zhuǎn)換為0～1的數(shù)字, 在梯度下降時它可以收斂得更快。在本研究中, 使用最小-最大歸一化方法來處理數(shù)據(jù)。歸一化函數(shù)可描述為

表1 丹巴縣部分地區(qū)泥石流發(fā)生與降水量的分布情況

表2 丹巴縣部分地區(qū)泥石流災(zāi)害與前期累計和短時降水量

資料來源: 四川省丹巴縣氣象監(jiān)測站。

(7)

其中:Xscale是歸一化后的數(shù)據(jù);X代表樣本值;Xmin為樣本中的最小值;Xmax為樣本中的最大值。

1.3.3 精度評價 本實驗采用均方誤差(MSE)和平均絕對誤差(MAE)作為模型預(yù)測的評價標(biāo)準(zhǔn)

(8)

(9)

2 結(jié)果分析

2.1 降雨型泥石流的閾值分析

根據(jù)近20年(1999—2019年)丹巴縣泥石流災(zāi)害發(fā)生情況的統(tǒng)計分析, 得出了大致的閾值范圍。 表3為泥石流預(yù)警等級與24 h降水量及前期累計降水量的閾值情況, 根據(jù)歷史數(shù)據(jù)大致劃分為5個等級, 隨降雨量的增加而增加。 表4為對于泥石流發(fā)生時間的預(yù)警情況, 夜間發(fā)生泥石流的可能性最大, 如果有大的降雨發(fā)生, 那么需要在夜間之前發(fā)布預(yù)警消息。

表3 丹巴縣泥石流發(fā)生的降水閾值

表4 丹巴縣泥石流發(fā)生的時間閾值

2.2 降雨型泥石流的閾值驗證

由于數(shù)據(jù)量過大,本文隨機抽取災(zāi)害樣本中的一些災(zāi)害數(shù)據(jù)進(jìn)行驗證,結(jié)果見表5。通過丹巴縣的部分泥石流數(shù)據(jù)作閾值檢驗,災(zāi)害發(fā)生的等級預(yù)報符合所作閾值范圍,閾值預(yù)警準(zhǔn)確率較高,整體準(zhǔn)確率超過90%。由于丹巴縣地理位置特殊,等級達(dá)到二級時就需要作相應(yīng)預(yù)報。但在實際生活生產(chǎn)中,若所有等級為二時都作預(yù)報,那么空報的可能性較高,漏報可能性較低。但隨著數(shù)據(jù)的不斷收集增加,閾值也將會在今后的泥石流災(zāi)害預(yù)報中進(jìn)行檢驗和訂正。

2.3 降雨預(yù)測分析

本研究將主要針對5—8月的降雨進(jìn)行預(yù)測分析, 實驗數(shù)據(jù)分為兩個子集——訓(xùn)練集和測試集。 LSTM作為循環(huán)神經(jīng)網(wǎng)絡(luò)的一種,若訓(xùn)練數(shù)據(jù)時間周期太長, 也會遺忘先前學(xué)到的數(shù)據(jù)規(guī)律, 因此對于模型訓(xùn)練的數(shù)據(jù)集時間跨度不宜太長, 但數(shù)據(jù)太少模型也不能訓(xùn)練出好的結(jié)果, 因此, 本實驗決定采用近10年的數(shù)據(jù)進(jìn)行模型的訓(xùn)練。訓(xùn)練數(shù)據(jù)集為2010—2017年記錄的共4 700個數(shù)據(jù), 占總數(shù)據(jù)記錄的80%。測試數(shù)據(jù)集為2018—2019年的1 180條數(shù)據(jù)記錄, 占總數(shù)據(jù)的20%。表6為模型對丹巴縣5—8月的降雨量預(yù)測誤差結(jié)果, 分別是平均絕對誤差(MAE)和均方誤差(MSE), 誤差結(jié)果均低于1.5 mm, 說明了模型是切實可行的。圖3、表6為丹巴縣2019年5—8月日累計降雨量預(yù)測情況, 整體預(yù)測效果良好, 預(yù)測結(jié)果和實際數(shù)值非常接近, 但其中5月中下旬和8月上旬, 預(yù)測結(jié)果出現(xiàn)了較大的偏差, 可能的原因是高原氣候的多變導(dǎo)致降雨量出現(xiàn)波動, 致使模型沒有完全學(xué)習(xí)到數(shù)據(jù)的變化規(guī)律。

2.4 降雨型泥石流預(yù)警方法

確定了泥石流發(fā)生時的降雨閾值和時間閾值后, 再結(jié)合24 h累計降雨量的預(yù)測, 可對未來的泥石流發(fā)生情況進(jìn)行及時的預(yù)警預(yù)報, 提前發(fā)布預(yù)警信息。預(yù)警方法如下:

(1)將前3日的24 h累計降雨量數(shù)據(jù)輸入模型, 通過計算可以得到未來幾日的24 h累計降雨預(yù)測值。

(2)將降雨預(yù)測結(jié)果與閾值進(jìn)行比對, 并考慮降雨發(fā)生的時間, 可以得出預(yù)警等級的大小及泥石流發(fā)生可能性。

表5 丹巴縣部分泥石流數(shù)據(jù)的閾值檢驗

表6 丹巴縣5—8月降雨預(yù)測結(jié)果誤差

圖3 丹巴縣2019年5—8月降雨預(yù)測結(jié)果

3 結(jié) 論

采用LSTM方法預(yù)測短時降雨量,并統(tǒng)計了近10年泥石流數(shù)據(jù)，大致劃定了預(yù)警閾值區(qū)間,對四川省丹巴縣氣象站2010—2019年日累計降雨量進(jìn)行分析計算,結(jié)論如下:

(1)通過統(tǒng)計近10年所發(fā)生的泥石流災(zāi)害情況,采用統(tǒng)計分類的方法劃定了預(yù)警閾值,劃分為降雨閾值和時間閾值,并給出預(yù)警等級和發(fā)生可能性大小,閾值預(yù)警準(zhǔn)確率超過90%。

(2)整體模型降雨量預(yù)測誤差均低于1.5 mm,5—8月各月預(yù)測效果良好,但5月下旬和8月上旬的預(yù)測出現(xiàn)較大誤差,可能是在汛期的開始和結(jié)尾時期，高原氣候不穩(wěn)定而出現(xiàn)降雨波動,致使模型沒有完全學(xué)習(xí)到數(shù)據(jù)的變化規(guī)律。

(3)結(jié)合本研究的降雨閾值結(jié)果和降雨預(yù)測方法,降低了傳統(tǒng)氣象預(yù)警的復(fù)雜度,實現(xiàn)氣象預(yù)警一體化,即“預(yù)警=閾值+預(yù)測”,能對提前發(fā)布預(yù)警信息提供較強的指導(dǎo)意義。