范宣梅 方成勇 戴嵐欣 王 欣 羅永紅 魏 濤 王運(yùn)生

(地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護(hù)國家重點(diǎn)實(shí)驗(yàn)室(成都理工大學(xué))， 成都 610059， 中國)

0 引 言

2022年6月1日17時(shí)00分，四川省雅安市蘆山縣(30.37°N， 102.94°E)發(fā)生6.1級(jí)地震，震源深度17km，發(fā)震斷層為龍門山中央斷裂帶的小關(guān)子斷裂，震源機(jī)制為逆沖型(中國地震臺(tái)網(wǎng))。此次地震與2013年4月20日蘆山地震(MS7.0)相距9km。據(jù)報(bào)道，截止2022年6月3日5時(shí)，地震已造成4人死亡(均在寶興縣)、42人受傷(寶興縣31人，蘆山縣11人)， 14427人受災(zāi)(寶興縣7505人、蘆山縣5470人、雨城區(qū)83人、滎經(jīng)縣40人、天全縣214人、名山區(qū)1115人)。

震后快速準(zhǔn)確獲取地震誘發(fā)滑坡的分布范圍和評(píng)估可能的災(zāi)害損失對地震災(zāi)害應(yīng)急救援和安置規(guī)劃至關(guān)重要(黃潤秋等， 2009)。通過基于遙感影像的目標(biāo)識(shí)別和地表覆蓋變化分析是大范圍滑坡分布獲取最有效方法(Guzzetti et al.，2012； Amatya et al.，2021； Wang et al.，2022)。然而，這種方法非常依賴影像獲取的天氣條件。目前距此次蘆山地震發(fā)生已有一周時(shí)間，但由于震后的陰雨天氣至今仍難以獲取清晰的衛(wèi)星遙感影像。震后72h為救援的黃金期，在無法獲取震后遙感影像的空窗期，就需要利用地震誘發(fā)滑坡空間分布預(yù)測模型，進(jìn)行同震滑坡的快速預(yù)測，從而為應(yīng)急救援提供支撐。目前，國內(nèi)外已有部分學(xué)者開展了同震滑坡易發(fā)性評(píng)價(jià)模型方面的研究，這些模型大多以歷史滑坡數(shù)據(jù)為訓(xùn)練樣本，采用空間統(tǒng)計(jì)方法如信息量法、邏輯回歸等進(jìn)行建模，然而簡單的空間統(tǒng)計(jì)模型難以快速有效地處理大量滑坡樣本數(shù)據(jù)集(Nowicki Jessee et al.，2018； Lombardo et al.，2020； 許沖， 2020)，因此深度學(xué)習(xí)算法越來越受到地球科學(xué)界的關(guān)注。

1 研究區(qū)概況

圖1 a. 2022年6月1日蘆山地震影響區(qū)域地質(zhì)構(gòu)造圖； b. 地震動(dòng)峰值加速度圖Fig. 1 a. Geological structure map of the area affected by the June 1st， 2022 Lushan Earthquake； b. Peak acceleration of ground motion

據(jù)中國地震臺(tái)網(wǎng)中心數(shù)據(jù)顯示，距離震中200km范圍內(nèi)歷史地震活動(dòng)強(qiáng)烈， 1900年以來內(nèi)共發(fā)生6級(jí)以上地震21次，震級(jí)最大的為2008年5月12日四川汶川8.0級(jí)地震(距離本次地震震中約83km)，空間距離最近的為2013年4月20日四川蘆山7.0級(jí)地震(距離本次地震震中約9km)。地震主要影響區(qū)域平均海拔2000m以上，最高海拔4115m，最低557m。

2 數(shù)據(jù)與方法

2.1 數(shù) 據(jù)

地震誘發(fā)滑坡(同震滑坡)數(shù)據(jù)是建立地震誘發(fā)滑坡空間分布概率預(yù)測模型(易發(fā)性模型)的基礎(chǔ)。筆者團(tuán)隊(duì)建立了全球42次地震誘發(fā)滑坡事件數(shù)據(jù)庫，共包括近30萬處全球地震滑坡數(shù)據(jù)，并對其進(jìn)行標(biāo)準(zhǔn)化處理。其中：近年來有5次地震發(fā)生在青藏高原及周緣，包括2008年汶川地震、2013年蘆山地震、2014年魯?shù)榈卣稹?017年九寨溝地震以及2017年米林地震，如圖2所示。這5次地震所在的區(qū)域地質(zhì)環(huán)境條件與本次蘆山地震較為接近，且地震信息豐富，呈現(xiàn)不同的震源機(jī)制： 2008年汶川地震和2013年蘆山地震的發(fā)震斷層為逆沖斷層， 2017年九寨溝地震的發(fā)震斷層為走滑斷層。因此，模型將這5次地震事件作為訓(xùn)練樣本，以建立適用于青藏高原及周緣區(qū)域的同震滑坡預(yù)測模型。模型主要采用地形、地質(zhì)環(huán)境和地震(劉艷輝等， 2021； 張衛(wèi)杰等， 2022)3類控制地震誘發(fā)滑坡災(zāi)害的關(guān)鍵因素，具體體現(xiàn)為10種特征因子(表1)。

圖2 中國境內(nèi)5次同震滑坡事件空間分布圖Fig. 2 Spatial distribution of five coseismic events in China

表1 同震滑坡特征因子及數(shù)據(jù)來源Table 1 Coseismic landslide characteristic factors and data sources

2.2 同震滑坡空間分布概率預(yù)測模型

圖3 同震滑坡模型構(gòu)建流程圖Fig. 3 Flow chart of coseismic landslide model construction

為了客觀評(píng)價(jià)模型的性能，本文構(gòu)建了一套綜合多種指標(biāo)的評(píng)價(jià)體系，除了常用的精度系數(shù)(ACC)和曲線下面積(AUC)指標(biāo)外，還額外選擇了Kappa系數(shù)(Kappa)、F1系數(shù)(F1＿score)、平均交互比(MIOU)來評(píng)價(jià)模型表現(xiàn)，幾種函數(shù)的表達(dá)式如下：

(1)

(2)

(3)

式中：pii是第i類像素被成功預(yù)測的概率；pij是第j類像素被識(shí)別為i類像素的概率；pji是第i類像素被識(shí)別為j類像素的概率；pjj是第j類像素被成功預(yù)測的概率；pi是i類像素的總和；pj是j類像素的總和。

留一法是統(tǒng)計(jì)學(xué)習(xí)中常用的一種交叉驗(yàn)證方法(Wong， 2015)，即在構(gòu)建模型的過程中，每次保留一個(gè)相對的獨(dú)立的測試數(shù)據(jù)集用于檢驗(yàn)?zāi)Ｐ托阅埽Ｏ碌娜孔鳛橛?xùn)練集，通過這種方法得出結(jié)果的泛化能力與整個(gè)數(shù)據(jù)集期望值最為接近。本文所選取的5次國內(nèi)地震事件留一法測試結(jié)果如表2所示。

表2 5次地震事件交叉驗(yàn)證的最佳結(jié)果Table 2 Best results of cross validation of five seismic events

由表2 可見，5種模型的交叉驗(yàn)證結(jié)果顯示，深度學(xué)習(xí)算法的整體精度指標(biāo)顯著高于傳統(tǒng)算法。進(jìn)一步對比CNN與DF算法，發(fā)現(xiàn)DF算法擁有更好的泛化性能。此外。結(jié)果還表明汶川和九寨溝兩次地震事件的交叉驗(yàn)證結(jié)果最好。從這5次地震事件的實(shí)際結(jié)果來看，由于汶川和九寨溝兩次事件擁有相似的地貌環(huán)境條件，因此模型在這兩次事件中展示出了較強(qiáng)的泛化能力。

采用留一法進(jìn)行交叉驗(yàn)證的目的是為最終同震滑坡模型構(gòu)建挑選最優(yōu)算法和參數(shù)。雖然米林、蘆山和魯?shù)榈木戎笜?biāo)反映出模型的泛化能力相對較弱，但這并不妨礙我們將這些事件納入滑坡樣本數(shù)據(jù)庫中進(jìn)行模型訓(xùn)練。圖4和圖5顯示了同震滑坡空間分布概率預(yù)測模型的精度。

圖4 同震滑坡空間分布概率預(yù)測模型ROC曲線及AUC值Fig. 4 ROC curve and AUC value of coseismic landslide spatial distribution probability prediction model

圖5 訓(xùn)練數(shù)據(jù)集和5次地震事件的測試數(shù)據(jù)集在模型中的精度評(píng)價(jià)結(jié)果Fig. 5 The accuracy assessment results of the training data set and test data set of five seismic events in the modela. 訓(xùn)練數(shù)據(jù)集； b. 米林事件； c. 汶川事件； d. 九寨溝事件； e. 蘆山事件； f. 魯?shù)槭录?/p>

由于同震滑坡數(shù)據(jù)庫在標(biāo)記過程中的誤差和30m地貌數(shù)據(jù)自身客觀存在的數(shù)據(jù)噪聲，訓(xùn)練數(shù)據(jù)集的擬合精度大約為90%。從5次地震事件的測試數(shù)據(jù)精度來看，它們的Kappa系數(shù)大于0.55，F(xiàn)1系數(shù)大于0.7，MIOU系數(shù)大于0.6，表明該模型在不同的地震事件中都具有良好的預(yù)測能力，可以用于青藏高原東緣地震誘發(fā)滑坡空間分布概率快速預(yù)測。

3 蘆山地震誘發(fā)滑坡空間分布概率預(yù)測

圖6 a. 2022年6月1日蘆山地震誘發(fā)滑坡空間分布概率圖； b. 寶興東河流域位置圖Fig. 6 a. Spatial distribution probability of earthquake-induced landslides in Lushan on June 1st， 2022； b. Location of Baoxing Donghe Basin

從整個(gè)研究區(qū)的預(yù)測結(jié)果來看，同震滑坡高易發(fā)區(qū)主要分布于距震中和發(fā)震斷層15km的空間范圍內(nèi)，該區(qū)域地形高差顯著，屬高山峽谷地貌，平均海拔在2500m以上，平均坡度大于35°。此外，同震滑坡空間分布規(guī)律上，還呈現(xiàn)出明顯的上下盤效應(yīng)，與前期研究發(fā)現(xiàn)的大多數(shù)逆沖斷層的上下盤效應(yīng)一致(Huang et al.， 2013; Fan et al.，2019)。

4 寶興東河流域地震誘發(fā)滑坡災(zāi)害特征與預(yù)測模型復(fù)核

4.1 寶興東河流域地質(zhì)災(zāi)害特征

圖7 寶興東河流域蘆山地震誘發(fā)滑坡空間分布概率預(yù)測與現(xiàn)場滑坡調(diào)查結(jié)果比對分析Fig. 7 Comparison between the prediction of spatial distribution probability and on-site landslide investigation of “6.1” Lushan Earthquake-induced landslides in Baoxing Donghe Basin

圖8 寶興東河流域誘發(fā)滑坡野外照片F(xiàn)ig. 8 Field photos of landslide induced in Baoxing Donghe Basina. 東河流域溝口東河村附近淺表層滑坡群， b. 水塘上華能寶興電站運(yùn)營中心附近巖質(zhì)滑坡， c. 光明村附近淺表層崩塌-碎屑流， d. 新華村巖質(zhì)崩塌， e. 華能寶興水電站附近土質(zhì)滑動(dòng)， f. 華能寶興水電站庫區(qū)新華村壅塞體； 藍(lán)色箭頭指明河道流向

4.2 同震滑坡空間分布概率預(yù)測模型復(fù)核

通過東河流域地質(zhì)災(zāi)害應(yīng)急調(diào)查，確定了124處災(zāi)害位置，其中78.23%的災(zāi)害點(diǎn)位于滑坡預(yù)測結(jié)果的中到高易發(fā)區(qū)，僅有18處小型滑坡和9處崩塌災(zāi)害點(diǎn)位于低易發(fā)區(qū)，初步說明地震誘發(fā)滑坡空間分布概率模型預(yù)測結(jié)果與實(shí)際的滑坡分布較為吻合。特別值得指出的是，所有的相對較大規(guī)模的滑坡，均發(fā)生在預(yù)測的高易發(fā)區(qū)內(nèi)。例如，新華村滑坡-堰塞湖(圖8f，長約510m，寬約270m)和華能寶興水電站附近的土質(zhì)滑坡(圖8e，長約460m，寬約170m)均位于預(yù)測的高易發(fā)區(qū)?？梢?，模型對大規(guī)模滑坡的預(yù)測能力優(yōu)于小規(guī)?；?，而規(guī)模較大的滑坡往往對震區(qū)人民的生命財(cái)產(chǎn)安全和重大基礎(chǔ)設(shè)施造成更為嚴(yán)重的危害。因此，預(yù)測大規(guī)?；碌目臻g分布對地震地質(zhì)災(zāi)害風(fēng)險(xiǎn)防控具有更為重要的意義。

受天氣影響，震區(qū)目前尚無清晰的衛(wèi)星遙感影像，后續(xù)獲取到高質(zhì)量遙感數(shù)據(jù)后，可建立整個(gè)震區(qū)的完整數(shù)據(jù)庫，對模型結(jié)果進(jìn)行進(jìn)一步復(fù)核與優(yōu)化。此外，本次地震的經(jīng)驗(yàn)還表明，地震誘發(fā)滑坡空間分布概率近實(shí)時(shí)預(yù)測模型，可以較好地填補(bǔ)遙感數(shù)據(jù)缺失的空窗期，為震后應(yīng)急救援和搶險(xiǎn)工作提供信息支撐與決策依據(jù)。

5 討 論

地震誘發(fā)滑坡預(yù)測是國際地球科學(xué)領(lǐng)域的前沿?zé)狳c(diǎn)問題。為此，美國地質(zhì)調(diào)查局USGS也研發(fā)了近實(shí)時(shí)地震誘發(fā)滑坡預(yù)測模型，并進(jìn)行了一段時(shí)間的線上試運(yùn)行(https：∥www.usgs.gov/programs/earthquake-hazards/science/earthquake-hazards-101-basics)，其主要采用傳統(tǒng)的統(tǒng)計(jì)模型(邏輯回歸模型)，地質(zhì)環(huán)境因子則采用全球數(shù)據(jù)(Allstadt et al.，2016，2018)。然而，模型在試運(yùn)行期間的幾次地震預(yù)測結(jié)果與實(shí)際偏差較大，因此目前USGS已經(jīng)停止了地震誘發(fā)滑坡預(yù)測結(jié)果的實(shí)時(shí)發(fā)布。對比美國地質(zhì)調(diào)查局模型，本文模型采用了最新人工智能算法，其準(zhǔn)確率較邏輯回歸模型有了大幅度提升。另外，模型考慮了不同的震源機(jī)制與區(qū)域地質(zhì)環(huán)境條件，使模型能夠在區(qū)域尺度具有更強(qiáng)的適應(yīng)性。

本文所研發(fā)的模型雖然較現(xiàn)有模型在計(jì)算精度和計(jì)算效率上有了大幅提升，但仍存在一些誤差，誤差產(chǎn)生的原因主要包括以下幾個(gè)方面：

(1)地震參數(shù)的不確定性：目前模型采用的地震參數(shù)，除了發(fā)震斷層、震源機(jī)制等因素外，主要為可以快速獲取的地面峰值加速度PGA參數(shù)，而其目前尚不能充分考慮地形、地質(zhì)條件等放大效應(yīng)影響。另外，地震誘發(fā)滑坡，特別是逆沖斷層，還具有顯著的上下盤效應(yīng)，需在未來模型改進(jìn)中給予更充分的考慮。

(2)局地地質(zhì)和地形條件的不確定性：坡體結(jié)構(gòu)是決定局部滑坡發(fā)生的重要因素，然而其具有明顯的局地特征，很難獲取大范圍實(shí)際測量數(shù)據(jù)，并概化為模型輸入?yún)?shù)?，F(xiàn)有所有區(qū)域尺度的易發(fā)性評(píng)價(jià)模型，均采用巖性表征地質(zhì)條件，而無法考慮巖體結(jié)構(gòu)與坡體結(jié)構(gòu)的不利組合，因此會(huì)產(chǎn)生一定誤差。此外，地形數(shù)據(jù)精度也在一定程度上影響模型預(yù)測結(jié)果。大范圍高精度的地形數(shù)據(jù)一方面難獲取，另一方面會(huì)影響計(jì)算效率。因此本模型兼顧這兩個(gè)因素，采用全球可獲取的免費(fèi)30m精度的DEM數(shù)據(jù)，提取相關(guān)地形因子。

(3)歷史地震影響及地震誘發(fā)滑坡數(shù)據(jù)不完整性：針對同一區(qū)域的高頻率地震，例如龍門山斷裂帶在過去十余年經(jīng)歷了多次中強(qiáng)地震，其對坡體可能產(chǎn)生的累積損傷、震裂山體及恢復(fù)機(jī)制，仍需要進(jìn)一步研究，以更好地預(yù)測下一次強(qiáng)震誘發(fā)滑坡的可能分布范圍。此外，隨著全球地震誘發(fā)滑坡災(zāi)害數(shù)據(jù)庫的不斷完善，本文模型具有自主學(xué)習(xí)能力，將隨著數(shù)據(jù)更新，不斷提升預(yù)測精度。值得指出的是，通過本次蘆山地震對比，證明了基于多次地震事件建立的預(yù)測模型準(zhǔn)確率高于僅基于2013年蘆山地震滑坡數(shù)據(jù)建立的模型。

6 結(jié) 論