趙 文 祎，馬 娟，常 嘯 寅，龐 驍

(1.中國地質環(huán)境監(jiān)測院，北京 100081；2.中國地質大學(北京)信息工程學院，北京 100083；3.北京大學遙感與地理信息系統(tǒng)研究所，北京 100871)

0 引言

對滑坡進行監(jiān)測并及時發(fā)布預警信息是避免人員傷亡和減少經濟損失最直接有效的手段[1-3]。1999年以來，我國先后在長江三峽庫區(qū)、四川雅安、云南新平等地建立了地質災害專業(yè)監(jiān)測預警示范區(qū)，實現了對隱患坡體和區(qū)域動態(tài)環(huán)境要素的有效監(jiān)控[4-6]。2018年以來，自然資源部組織研發(fā)了聚焦降雨和變形等關鍵測項的系列實時監(jiān)測裝備和滑坡監(jiān)測預警云平臺，并在全國地質災害高、中易發(fā)區(qū)滑坡體上進行推廣示范，總體運行穩(wěn)定可靠[7-10]。在滑坡監(jiān)測技術快速發(fā)展的同時，滑坡預警技術和方法仍面臨較大挑戰(zhàn)。首先，不同類型滑坡變形閾值差異較大。大量滑坡監(jiān)測預警實驗表明，變形閾值與滑坡體的物質組成、規(guī)模、成因類型等多種因素有關，不同類型滑坡體的變形閾值和成災模式差異較大[11]。其次，臨界雨量預警時空精準性和可靠性存在明顯不足。調查發(fā)現，90%左右的滑坡發(fā)生在降雨期間或降雨后[12]，這種由降雨誘發(fā)的降雨型滑坡[13-15]主要采用臨界雨量進行預警[16]。然而，由于滑坡和對應降雨事件統(tǒng)計的完整性和時空精準性難以保證，致使二者的相關關系難以得到準確有效的分析和挖掘[17];此外，同一區(qū)域內降雨對不同滑坡體的形變作用機制和作用結果可能不同，因此，采用單一降雨閾值對同一區(qū)域內單體滑坡進行預警的時空精度較低、可靠性不足[18,19]。最后，目前降雨—變形綜合預警規(guī)則的設定多基于專家經驗，存在較大的主觀不確定性。多次成功預警預報案例證實，相比單一降雨閾值預警方法，基于降雨—變形的綜合預警方法在顧及滑坡時空變形規(guī)律和共性演化特征的同時，可以充分利用滑坡單體個性形變特征，為滑坡單體預警提供更多信息，從而大幅提高滑坡預警的時空精準性[11]。

近年來，隨著滑坡監(jiān)測預警工作的規(guī)?；_展，環(huán)境要素場和形變場監(jiān)測數據逐步積累，為有效應對降雨型滑坡精準預警的需求，開展多場綜合預警成為可能并日益受到關注[20]。此外，考慮到滑坡的發(fā)生是一個高度非線性的不確定事件[21]，是多種因素共同作用的結果[22]，可認為滑坡運動具有一定的模糊屬性。因此，基于近年來的滑坡監(jiān)測預警實驗，本研究提出一種集成模糊推理系統(tǒng)和智能尋優(yōu)算法的降雨—變形綜合預警智能決策方法，在規(guī)則智能尋優(yōu)的同時融入領域知識約束，增加模型的泛化能力和直觀解讀,通過自學習機制實現綜合預警規(guī)則的智能優(yōu)化；選擇甘肅省隴南市武都區(qū)瀉流坡滑坡為案例，基于降雨和地表位移時序監(jiān)測數據，開展降雨和地表位移的綜合預警規(guī)則優(yōu)化，以期得出合理的綜合預警規(guī)則。

1 研究方法

本文提出的集成模糊推理系統(tǒng)和智能尋優(yōu)算法的降雨型滑坡降雨—變形綜合預警智能決策方法實現流程(圖1)為：首先，基于降雨、變形和次日變形數據構建樣本數據，利用Mamdani 模糊推理系統(tǒng)(Fuzzy Inference System，FIS)和降雨變形綜合預警規(guī)則矩陣，計算降雨—變形綜合預警得分；然后，構建綜合預警規(guī)則適應度計算函數，定量評價綜合預警規(guī)則的優(yōu)劣程度，并采用遺傳算法對綜合預警規(guī)則庫進行智能優(yōu)化迭代；最后，篩選出最高適應度個體，得出最優(yōu)綜合預警規(guī)則策略。

圖1 基于模糊推理和遺傳算法的降雨—變形綜合預警智能決策方法技術流程

1.1 Mamdani 模糊推理系統(tǒng)

基于模糊理論[23]，論域中的元素與某集合的隸屬關系是模糊不確定的，可以部分隸屬于某一集合[24,25]。模糊推理系統(tǒng)基于模糊理論，可支持復雜的非線性映射關系，首先將清晰的系統(tǒng)輸入模糊化，然后將模糊輸入通過模糊規(guī)則庫并行執(zhí)行，基于推理機制得到總的模糊輸出集，最后去模糊化，將模糊輸出集轉化為具體數字，得到模糊推理結果[26]。

(1)模糊化。使用隸屬度轉換函數將輸入系統(tǒng)的具體數值轉換成模糊集合，常用的隸屬度轉換函數有三角形函數、梯形函數、高斯函數等[27]。其中，高斯函數包括樣本的期望值和標準差兩個關鍵參數(分別表示曲線的中心點和寬度)，相比三角形和梯形函數，更符合地物現象的分布特點，能更好地表達數據的連續(xù)變化，因此，本文選用高斯函數為隸屬度轉換函數。由于隸屬度函數不一定為嚴格對稱形式，本文使用不同標準差的曲線進行組合表示，即以某個值為分割點，左右兩側的高斯曲線取不同的標準差，從而控制曲線形態(tài)(圖2)。

圖2 高斯隸屬度函數組合構建方法示意

(2)Mamdani模糊推理。Mamdani 模糊集合理論[28]在進行模糊關系與模糊集合運算時，常采用經典的極大—極小值合成方法[29]，使用方便，具體推理過程詳見文獻[30，31]。

(3)去模糊化。本文使用Center of Mass(CoM)法對Mamdani 模糊集合理論得出的模糊輸出集進行解模糊，該方法將被截區(qū)域的質心橫坐標作為模糊化后的值，具有更平滑的輸出推理控制[32]。

1.2 遺傳算法

遺傳算法是一種模擬自然界進化法則，優(yōu)化多參數、多組合的并行搜索算法[33-36]，在求解復雜的組合優(yōu)化問題時，比一些常規(guī)的優(yōu)化算法能更快、更好地獲得優(yōu)化結果，已被廣泛用于組合優(yōu)化、自適應控制等領域[37,38]。遺傳算法主要由編碼、適應度函數構建、遺傳操作和終止條件設定等部分組成，其中編碼是將待求解的實際問題進行遺傳空間中的染色體建模，構建適應度函數用以判斷個體在群體中的優(yōu)劣程度。具體實現流程為：1)初始化種群：設置最大進化代數，隨機生成遺傳空間中的初始群體；2)個體評價：計算群體中個體的適應度；3)遺傳操作：運行選擇、交叉、變異操作，通過適應度評估篩選優(yōu)質的個體遺傳到下一代；4)判斷是否終止：進化代數達到設置條件或適應度數值趨于收斂，則終止迭代，最優(yōu)解為最高適應度個體。

1.3 綜合預警規(guī)則適應度函數構建方法

綜合預警規(guī)則適應度函數構建是綜合預警規(guī)則智能優(yōu)化方法的關鍵環(huán)節(jié)。本研究使用組合矩陣綜合考慮降雨和變形兩個變量，評價綜合預警等級，這種表現方式能較直觀、清晰地展示規(guī)則，且得到的最優(yōu)預警規(guī)則具有較好的可解釋性。在給定一個綜合預警規(guī)則后，需對該規(guī)則的恰當程度進行定量評價。因此，將定性的綜合預警規(guī)則轉化為定量的綜合預警得分，進而構建綜合預警規(guī)則適應度函數，是采用遺傳算法進行綜合預警規(guī)則篩選的核心環(huán)節(jié)之一。

適應度函數(式(1)-式(3))構建的基本思想是通過次日形變量評價綜合預警規(guī)則的有效性(適應度)，即綜合預警等級與次日形變量應呈正相關。具體量化方法為：計算每個降雨—變形組合預警樣本的危險性得分，對危險性得分和次日形變量分別歸一化，最后計算危險性得分和次日形變量分別歸一化后的均方根誤差，作為組合規(guī)則適應度值。

(1)

(2)

(3)

2 案例實驗與分析

2.1 案例區(qū)概況

瀉流坡滑坡位于甘肅省隴南市武都區(qū)江南街道辦趙壩村(104°55′42″E，33°22′15″N)，在白龍江武都城區(qū)段右岸第一斜坡帶中下部(圖3)，由5處次級滑體和2處不穩(wěn)定斜坡組成(圖4)，其中H1滑體一旦失穩(wěn)，可形成高速遠程滑坡，滑入白龍江并產生涌浪，形成次生災害(1)高幼龍, 王高峰, 葉振南，等. 隴南西漢水流域災害地質調查項目地質災害監(jiān)測預警普適型儀器設備示范試用工作方案. 2020.，已納入重點監(jiān)測。瀉流坡滑坡的形成條件有：1)有利滑坡發(fā)育的地形條件。滑坡坡面傾向白龍江河床，滑坡剖面整體呈直線型，后緣有陡坎，前緣有臌脹，臨空坡面地形條件利于滑坡發(fā)育。2)復雜的地質構造作用?；掳l(fā)育主要受武都沿白龍江南岸的逆沖大斷裂影響，使瀉流坡老滑坡后緣石炭系灰?guī)r逆沖至志留系千枚巖之上，二者之間地層破碎強烈，形成斷層破碎帶，促使滑坡形成。3)易滑易崩地層。出露地層主要以石炭系、志留系和第四系地層為主，其中志留系地層屬軟巖，為主要組成物質，裂隙、錯位、斷層發(fā)育，表層大部分巖石為劇風化及強風化層，破碎嚴重，屬易滑易崩地層。4)地下水的匯集。地下水受季節(jié)性影響較大，雨季大量地下水沿基巖頂面匯集，降低了土體強度，易形成滑坡。5)強降雨。武都區(qū)多年平均降雨量494.8 mm，其中6-9月降雨量超過全年的65%，且多為暴雨，雨水對溝道的沖刷、側蝕、入滲增加了坡體重量，易誘發(fā)滑坡。2020年8月11-17日，隴南市經歷了長時降雨過程，降雨量189.4～221.2 mm，最大日降雨量77 mm，導致瀉流坡滑坡出現明顯變形。

圖3 瀉流坡滑坡空間位置

圖4 瀉流坡滑坡全貌

2.2 監(jiān)測數據預處理

監(jiān)測數據包括瀉流坡滑坡H1滑體上布設的雨量計數據(編號10-YL01)和北斗地表位移數據(編號09-GP01)，其中地表位移計算三維方向合位移。監(jiān)測時段為2020年6月18日至2021年8月31日。由于野外觀測環(huán)境、儀器自身穩(wěn)定性和數據通訊等因素影響，原始監(jiān)測數據存在毛刺和噪聲，需開展數據清洗，包括異常監(jiān)測數據的識別與剔除、缺失數據的填補等。參考統(tǒng)計學中異常值識別規(guī)則及滑坡形變監(jiān)測數據特征，將符合式(4)的數據判斷為潛在異常值。

(4)

式中：A為分段數據中某時刻的數據；Q(i)(i∈[0,1])為分段數據中段內占比為i的數據的上閾值。

滑坡監(jiān)測異常值往往存在短時、突發(fā)的特點，對潛在異常值還需結合前后鄰近時間序列數據進一步確認，如果與前后鄰近時間序列的數據差異同向，即同時大于或同時小于前序和后序時刻數據[39]，則確認為異常數據，予以剔除。針對由于設備供電不足、通訊中斷或設備離線等原因造成的短時、少量數據缺失，采用線性插值方法進行補充。清洗后地表日累計位移量和日降雨量數據如圖5和圖6所示。

圖5 09-GP01清洗后日累計位移量監(jiān)測數據

圖6 日降雨量數據

2.3 隸屬度函數和Mamdani模糊推理系統(tǒng)構建

實驗涉及3日累計雨量、日位移量和二者組合后的危險性(簡稱“組合危險性”)3個變量，首先需構建相應隸屬度函數，然后按照組合規(guī)則矩陣進行Mamdani模糊推理及組合后的去模糊化，得到綜合預警得分和帶有置信度的綜合預警等級。其中，3個變量隸屬度函數均采用不同標準差的高斯隸屬度函數曲線組合表示，并劃分為極低、低、中、高、極高5個等級(表1)，每條曲線表征某劃分等級的隸屬度變化，通過3個分段點進行組合控制。其中，3日累計雨量分段點的設置主要基于歷史災險情事件和對應降雨數據的歷史經驗綜合得出，日位移量對應分段點的設置主要依據監(jiān)測數據的分布特征，組合危險性分段點的設置具有均分屬性。

表1 預警等級劃分及高斯函數分段點

2.4 綜合預警規(guī)則進化與分析

采用降雨和地表位移綜合預警時，由于降雨和地表位移均被劃分成5個等級，組合時可產生包含125種規(guī)則的規(guī)則庫。為便于預警計算，對預警等級進行編碼，極低、低、中、高、極高依次對應編碼0、1、2、3、4。實驗中首先對純數據驅動的組合預警規(guī)則進行進化，定義初始種群大小為50，進化代數為500，變異概率為0.001，通過選擇、交叉、變異等計算后，得到進化后的最優(yōu)規(guī)則矩陣(表2)。最優(yōu)矩陣對應的適應度值為0.008，根據適應度函數設計的含義，最優(yōu)組合預警規(guī)則預警準確度約為91%，效果較好。但預警規(guī)則矩陣中出現多處降雨預警等級升高或地表位移預警等級升高時綜合預警等級反而降低的結果，這有悖于對滑坡形變的已有認知，因此，純數據和模型驅動的綜合預警決策結果不盡合理。

表2 最優(yōu)組合預警規(guī)則矩陣

對此，本文在進化綜合預警規(guī)則時，考慮融入領域知識約束，即在遺傳算法迭代過程中將專家經驗以約束形式添加至搜索系統(tǒng)中，領域知識約束符合預警工作實際情況，在提升迭代計算效率的同時，還可增加綜合預警結果的合理性。具體約束規(guī)則為：當降雨量或位移量增加時，預警等級不得降低，進而得到最優(yōu)規(guī)則矩陣(表3)，可以看出：1)當地表位移等級較低時，雖然降雨等級在持續(xù)增加，但綜合預警等級并未增加，可能由于滑坡體在變形初期對降雨響應不敏感；2)當地表位移預警等級較高時，隨著降雨等級的持續(xù)增加，綜合預警等級快速增加，原因可能是滑坡體在較快變形階段對降雨響應更敏感；3)當降雨等級極低時，隨著地表位移等級持續(xù)升高，綜合預警等級緩慢增加，原因可能是一定的降雨量才能觸發(fā)滑坡的快速變形，極少降雨或無雨與滑坡快速變形的關聯(lián)性較弱。

表3 融合領域知識約束的最優(yōu)組合預警規(guī)則矩陣

融合領域知識的最優(yōu)綜合預警規(guī)則矩陣對應的適應度函數值為0.023，根據適應度函數的定義，最優(yōu)綜合預警規(guī)則預警準確度約為85%，略低于純數據驅動下的綜合預警結果，原因可能是純數據驅動條件下數據樣本有限，模型容易過擬合。

基于進化后的最優(yōu)規(guī)則，針對地表位移和降雨監(jiān)測數據，可以自動獲得對應的綜合預警等級、預警得分和置信度。如2020年8月20日地表位移日變化量為77 mm，3日累計雨量為99.84 mm，二者組合后的危險性預警得分為92.77，危險預警屬于極高等級的置信度為62.4%，屬于高等級的置信度為11.9%(圖7)。2020年8月21日和22日地表位移日變化量分別為66 mm和100 mm，說明8月20日發(fā)出綜合預警等級為極高等級是合理的。實踐中，隨著監(jiān)測數據持續(xù)增加，模型可獲得更多進化樣本，最優(yōu)綜合預警規(guī)則可通過自學習機制實現持續(xù)優(yōu)化。

圖7 地表位移和降雨綜合預警示例

3 結論與討論

本研究針對滑坡災害復雜性和不確定性[40]，提出一種集成模糊推理系統(tǒng)和尋優(yōu)算法的降雨—變形綜合預警智能決策方法。該方法利用滑坡的運動過程及邊界條件的模糊屬性，在一定程度上模擬人的模糊推理和決策過程，同時在智能尋優(yōu)過程中融入領域知識約束，通過自學習機制實現綜合預警規(guī)則的智能優(yōu)化；相比單純基于雨量的預警方法，該方法在顧及滑坡時空變形規(guī)律和共性演化特征的同時，充分利用滑坡單體個性形變特征，可為滑坡單體預警建模提供更多的信息輸入，從而提升相關滑坡單體預警決策的針對性和有效性。

基于甘肅武都瀉流坡滑坡的實驗結果表明，相比純數據驅動下的綜合預警結果，融合領域知識約束的綜合預警規(guī)則更合理。當地表位移預警等級較低時，綜合預警等級受降雨等級增加的影響較小；當地表位移預警等級較高時，綜合預警等級受降雨等級增加的影響較大。因為只有當滑坡體處于較快變形階段時，變形才對降雨響應更敏感；當降雨等級極低或降雨量極少時，隨著地表位移等級持續(xù)升高，綜合預警等級增加緩慢，可能是由于降雨型滑坡變形對極小雨量不敏感。本研究提出的綜合預警規(guī)則生成方法輸出的綜合預警得分、預警等級和置信度，可為降雨型滑坡預警提供決策支撐，還可以隨著監(jiān)測數據的不斷積累實現自動演進優(yōu)化。

本研究僅基于單一坡體開展建模和驗證工作，研究中涉及的相關技術方法和結論尚需選擇更多坡體進行長時間的實證，才能進一步評判其合理性和普適性。