王卓穎 南華

（河南理工大學(xué)能源科學(xué)與工程學(xué)院，河南焦作 454000）

0 引言

隨著全球氣候環(huán)境的不斷變化，極端降雨情況出現(xiàn)的頻率逐年遞增，山地、公路邊坡等區(qū)域易發(fā)生山體滑坡、泥石流等地質(zhì)災(zāi)害，具有影響范圍廣、破壞性強(qiáng)等特點(diǎn)，嚴(yán)重影響了區(qū)域生態(tài)環(huán)境和交通道路安全［1-3］。生態(tài)護(hù)坡技術(shù)是近些年邊坡防護(hù)技術(shù)中的主流方法，通過(guò)植物莖葉的水文效應(yīng)與根系的錨固作用，實(shí)現(xiàn)對(duì)土體的防護(hù)和加固，以減小自然災(zāi)害的發(fā)生概率［4］。喬木具有根系發(fā)達(dá)、固土效果較好、生命力頑強(qiáng)等優(yōu)點(diǎn)，是常見(jiàn)護(hù)坡植物之一［5］，而雨水入滲使土體發(fā)生非飽和-飽和滲流為引發(fā)喬木失穩(wěn)的主要原因之一，極易誘發(fā)山體滑坡、泥石流等災(zāi)害［6-7］。因此，對(duì)喬木穩(wěn)定性的預(yù)測(cè)可有效預(yù)防地質(zhì)災(zāi)害的發(fā)生，以保護(hù)城市基礎(chǔ)設(shè)施及交通道路的安全運(yùn)營(yíng)。

降雨對(duì)土體穩(wěn)定性的影響機(jī)理十分復(fù)雜，土壤性質(zhì)、降雨強(qiáng)度、瞬態(tài)水壓力、飽和水強(qiáng)度、孔隙水單位重量等因素均會(huì)影響土體的穩(wěn)定性［8-9］，而植物根系利用其錨固及黏結(jié)作用可與土壤形成一個(gè)更為復(fù)雜的結(jié)構(gòu)體［10］，故降雨對(duì)根-土復(fù)合結(jié)構(gòu)的影響屬于多因素影響的非線性回歸問(wèn)題。線性回歸、經(jīng)驗(yàn)方程及神經(jīng)網(wǎng)絡(luò)是目前常見(jiàn)的預(yù)測(cè)方法，其中，反饋式（Back Propagation）神經(jīng)網(wǎng)絡(luò)是近些年最成熟的神經(jīng)網(wǎng)絡(luò)模型之一，非常適合解決非線性回歸問(wèn)題［11-12］。BP神經(jīng)網(wǎng)絡(luò)目前已應(yīng)用于高邊坡土壤水分預(yù)測(cè)、結(jié)構(gòu)施工安全智能預(yù)測(cè)等方面，均取得了較好的效果［13-16］。但是BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型需要大量的樣本數(shù)據(jù)進(jìn)行訓(xùn)練［17］，而降雨對(duì)喬木穩(wěn)定性影響情況的相關(guān)數(shù)據(jù)較少，故限制了神經(jīng)網(wǎng)絡(luò)技術(shù)在暴雨致災(zāi)預(yù)測(cè)系統(tǒng)中的應(yīng)用。

本文將理論分析、數(shù)值模擬與神經(jīng)網(wǎng)絡(luò)相結(jié)合，以喬木根系固土機(jī)理和非飽和土體力學(xué)特征為基礎(chǔ)，分析失穩(wěn)原因并構(gòu)建幾何模型，利用數(shù)值模擬為BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型提供訓(xùn)練樣本，同時(shí)預(yù)測(cè)模型也解決了數(shù)值模擬計(jì)算時(shí)間長(zhǎng)的問(wèn)題。結(jié)果表明，本文所構(gòu)建的暴雨致災(zāi)預(yù)測(cè)模型不僅預(yù)測(cè)精度高，而且計(jì)算速度相比于數(shù)值模擬提高了數(shù)萬(wàn)倍，可及時(shí)預(yù)判坡體的穩(wěn)定性，為救災(zāi)措施（搬遷、疏散等）的制定及實(shí)施提供時(shí)間，以減小災(zāi)害所帶來(lái)的損失。

1 暴雨致災(zāi)理論分析

1.1 喬木根系固土機(jī)理

土體的強(qiáng)度主要由土顆粒間的相互作用力決定，一般物體埋入土中，其主要受力只有與土顆粒之間的摩擦力。和木樁、電線桿等無(wú)根系物體不同，喬木根系發(fā)達(dá)，可與土體形成一個(gè)復(fù)雜的力學(xué)體系。喬木根系多被看做柔性材料，具有較高的抗拉強(qiáng)度，能抗剪，但抗彎性能較差，故根系附近的土體可以看做是加筋土，即喬木根系能大大提高土體的抗剪強(qiáng)度。

喬木的根系主要由須根和主根兩部分組成，主根一般可達(dá)2 ～12 m，自表土層開(kāi)始向下部各方向延伸，部分主根可穿過(guò)土體表層的松散風(fēng)化層，錨固到深處穩(wěn)定的巖土層上。主根周?chē)罅康母晚毟嗷ダp繞黏結(jié)，對(duì)土顆粒有粘結(jié)作用，可以使土顆粒緊密附著在主根周?chē)棠靖档墓掏翙C(jī)理與全長(zhǎng)樹(shù)脂錨桿的錨固機(jī)理十分相似，如圖1 所示。若將主根看作錨桿，那根毛和須根便可看作是樹(shù)脂錨固劑，起到黏結(jié)錨桿桿體（主根）與孔壁巖石（土顆粒）的作用［18-19］。因此，后續(xù)的數(shù)值模擬中選用錨桿來(lái)模擬喬木根系。

圖1 喬木根系與錨桿作用機(jī)理對(duì)比

一般認(rèn)為，非飽和土的滲透系數(shù)kw與孔隙比e和含水量（飽和度S）有關(guān)，并且含水量（飽和度S）對(duì)滲透系數(shù)的影響十分明顯，故研究土體非飽和滲流的關(guān)鍵是建立非飽和滲透系數(shù)kw與含水量（飽和度S）之間的函數(shù)關(guān)系。在預(yù)測(cè)非飽和土滲透系數(shù)的模型中，認(rèn)可度最高的是Van Genuchten（VG）提出的模型，該模型結(jié)合了土-水特征曲線（SWCC）與滲透系數(shù)模型，其模型方程為：式中，S 為飽和度；Sr為殘余飽和度；Se為有效飽和度；為體積含水量；r為殘余體積含水量；s為飽和體積含水量；a、m、n 分別為VG 模型擬合參數(shù)；s 為基質(zhì)吸力。

根據(jù)式（1）可以得到體積含水量與基質(zhì)吸力的關(guān)系為：

1.2 試驗(yàn)土體的物理力學(xué)性質(zhì)

非飽和土的抗剪強(qiáng)度主要由真黏聚力、凈法向應(yīng)力所產(chǎn)生的摩擦力，以及吸力所產(chǎn)生的吸附強(qiáng)度或附加摩擦力3 部分組成，基質(zhì)吸力（ua-uw）和凈法向應(yīng)力（ -ua）是2 個(gè)表示應(yīng)力狀態(tài)的獨(dú)立變量。一般認(rèn)為，土體吸附強(qiáng)度和含水量之間呈線性相關(guān)，非飽和土抗剪強(qiáng)度公式為［20］：

式中，f為土體破壞時(shí)破壞面上的剪應(yīng)力；c'、'為有效強(qiáng)度參數(shù)，通過(guò)飽和土試驗(yàn)確定；為法向應(yīng)力；ua為孔隙氣壓力；uw為孔隙水壓力；s為飽和含水量。

在試驗(yàn)場(chǎng)地（河南省洛陽(yáng)市嵩縣山金礦區(qū)）按深度取土進(jìn)行土壤含水率實(shí)驗(yàn)，其土質(zhì)為粉質(zhì)黏土，由實(shí)驗(yàn)測(cè)得土體參數(shù)見(jiàn)表1。所得數(shù)據(jù)結(jié)合式（2）擬合得到如圖2 所示的SWCC 曲線。因?yàn)闆](méi)有進(jìn)氣值和殘余值2 個(gè)關(guān)鍵數(shù)據(jù)點(diǎn)的實(shí)驗(yàn)數(shù)據(jù)，所以圖2 沒(méi)有構(gòu)成完整的SWCC 曲線。

表1 土體參數(shù)

圖2 擬合SWCC 曲線

將試驗(yàn)所得數(shù)據(jù)代入SWCC 模型表達(dá)式（1）得到基本參數(shù)：a=0.06，m=0.48，n=1.71。飽和體積含水量s=0.493 8，r=0.08，則式（2）可變?yōu)椋?/p>

2 降雨條件下喬木穩(wěn)定性數(shù)值模擬

2.1 喬木根系簡(jiǎn)化模型

喬木具有粗壯高大的主干，護(hù)坡多選用小喬木，通常高度為5 ～10 m，根深可達(dá)2 ～12 m，后續(xù)選取高8 m、根深5 m、胸徑0.6 m 的喬木進(jìn)行模擬。喬木根系發(fā)達(dá)，往往相互纏繞、盤(pán)根錯(cuò)節(jié)，分布十分復(fù)雜，這使得數(shù)值模擬時(shí)難以準(zhǔn)確模擬其形態(tài)，故本文旨在模擬其力學(xué)特征。以喬木根系固土機(jī)理為基礎(chǔ)，結(jié)合其分布形態(tài)，將喬木根系簡(jiǎn)化為如圖3 所示的模型。

圖3 喬木根系簡(jiǎn)化模型（單位：m）

礦業(yè)工程中常采用FLAC3D模擬軟件中的Cable 單元模擬錨桿。故本文先采用Rhino 軟件建立如圖3（b）所示的樹(shù)根簡(jiǎn)化模型，后采用FLAC3D 中的Cable單元模擬喬木根系，通過(guò)賦參使錨桿不具有抗彎性能以模擬喬木根系的力學(xué)特征，同時(shí)調(diào)整Cable單元參數(shù)模擬全長(zhǎng)注漿錨固以模擬根毛和須根的粘結(jié)作用，由實(shí)驗(yàn)測(cè)得根系參數(shù)見(jiàn)表2。

表2 喬木根系材料參數(shù)

2.2 建立幾何模型

FLAC3D提供了二相流模型，適合模擬非飽和土［21］，故利用FLAC3D 建立幾何模型如圖4 所示。土體模型尺寸為15 m×15 m×30 m，采用Mohr-Coulom 本構(gòu)模型，認(rèn)為土體為各向同性滲流模型，頂面為自由邊界條件同時(shí)設(shè)置滲流邊界條件，其余各面均設(shè)置固定邊界條件。喬木為不透水材料模型，與土體的接觸界面設(shè)置為不透水邊界。在得到穩(wěn)定狀態(tài)下的滲流場(chǎng)之后，添加降雨邊界條件，在此基礎(chǔ)上進(jìn)行瞬態(tài)計(jì)算。

圖4 數(shù)值模擬三維模型

2.3 降雨方案及滲流參數(shù)

為了使后續(xù)BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練出來(lái)的模型更符合實(shí)際情況，結(jié)合洛陽(yáng)市近10 年的降雨情況，根據(jù)降雨強(qiáng)度的不同，制定了如下6 類(lèi)契合實(shí)際的多雨型降雨方案，共計(jì)14 組不同降雨強(qiáng)度的模擬方案。擬利用數(shù)值模擬得到多種降雨條件下暴雨致災(zāi)樣本，模擬時(shí)在喬木頂端施加一個(gè)穩(wěn)定的上拔載荷，1—7h內(nèi)每隔10 min 監(jiān)測(cè)一次孔壓及上拔位移的變化情況，故可得588 組不同降雨強(qiáng)度下的孔壓及位移數(shù)據(jù)，相關(guān)的降雨參數(shù)見(jiàn)表3。

表3 各方案降雨參數(shù)

降雨入滲率是影響非飽和土體穩(wěn)定性的重要因素［22］。根據(jù)非飽和土體的滲透特征可知，當(dāng)降雨強(qiáng)度大于土體的滲透系數(shù)時(shí)，土體的入滲率即為土體滲透系數(shù)；當(dāng)降雨強(qiáng)度小于土體的滲透系數(shù)時(shí)，土體的入滲率即為降雨強(qiáng)度。通過(guò)計(jì)算可知，當(dāng)12 h 內(nèi)的降雨量超過(guò)112.752 mm 時(shí)，降雨強(qiáng)度等于滲透系數(shù)，即此后土體的入滲率即為土體的滲透系數(shù)。數(shù)值模擬中非飽和土體的相關(guān)滲流參數(shù)見(jiàn)表4。

表4 非飽和土滲流參數(shù)

2.4 數(shù)值模擬結(jié)果分析

在距土體表面1 m 的位置設(shè)置監(jiān)測(cè)點(diǎn)，對(duì)此處的孔隙水壓力進(jìn)行監(jiān)測(cè)，可得到14 種降雨強(qiáng)度下的孔壓及位移變化特征曲線，如圖5 所示。根據(jù)非飽和土的強(qiáng)度特征可知，基質(zhì)吸力等于孔隙氣壓力與孔隙水壓力之差（ua-uw），由于土體與大氣連通，故此處孔隙氣壓力默認(rèn)為0，因此基質(zhì)吸力即為負(fù)孔隙水壓力。從圖5（a）可以看出，土體經(jīng)歷了從非飽和到飽和的滲流過(guò)程，孔隙水壓力由負(fù)值逐步增至正值，故基質(zhì)吸力隨著雨水入滲逐漸減小。同時(shí)，隨著降雨強(qiáng)度的增大，孔壓的變化梯度越大，即土體達(dá)到飽和所需時(shí)間越少。

圖5 數(shù)值模擬監(jiān)測(cè)曲線

降雨會(huì)使土體含水率增高，則喬木根系與土體之間的黏結(jié)及錨固效果將會(huì)減弱，故喬木的抗拔性能將逐步減弱。在喬木頂端給一穩(wěn)定的上拔載荷（900 kPa），則可得到如圖5（b）所示的不同降雨強(qiáng)度下的上拔位移變化特征曲線。由圖5（b）可以看出，在降雨時(shí)間相同的情況下，隨著降雨強(qiáng)度的增大，喬木上拔位移逐步增大。這是因?yàn)殡S著降雨強(qiáng)度的增大，土體含水率變化梯度也會(huì)增大，則基質(zhì)吸力減小的速度隨之增大，故上拔位移逐漸增大。

降雨引起的基質(zhì)吸力變化是影響喬木穩(wěn)定性的直接因素，降雨條件下基質(zhì)吸力的衰減情況可由上木的滲埋比相同，則深徑比越大，上拔位移變化系數(shù)越小，即基質(zhì)吸力的衰減程度越不明顯，樹(shù)木的拔位移變化系數(shù)的函數(shù)關(guān)系式表述。定義無(wú)量綱自變量滲埋比和深徑比：

式中，ht為喬木的根長(zhǎng)；hd為雨水的入滲深度；Dt為喬木的根莖。

構(gòu)建喬木上拔位移變化系數(shù)的函數(shù)關(guān)系式：

式中，Sn0為無(wú)降雨時(shí)喬木的上拔位移；Sn為雨水入滲深度為hd時(shí)喬木的上拔位移。

通過(guò)origin 擬合可得到雙變量無(wú)量綱上拔位移變化系數(shù)擬合曲線如圖6 所示。本文中上拔位移變化系數(shù)的具體表達(dá)式為：

圖6 上拔位移變化系數(shù)擬合曲線

由式（8）可知，在某一確定的降雨條件下，若樹(shù)安全穩(wěn)定性越好，此表達(dá)式可為易受暴雨影響地區(qū)的道路設(shè)計(jì)及栽種樹(shù)木選取提供參考。

3 基于BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

人工神經(jīng)網(wǎng)絡(luò)（ANNs）簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)，是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)模型，主要通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的［22］。反饋式神經(jīng)網(wǎng)絡(luò)模型，即BP 神經(jīng)網(wǎng)絡(luò)模型，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，非常適合解決非線性回歸問(wèn)題［23］。

降雨對(duì)喬木穩(wěn)定性的影響程度與降雨強(qiáng)度、降雨時(shí)間、喬木埋深、土體參數(shù)等多種因素相關(guān)，屬于多因素影響的非線性回歸問(wèn)題。本文選用Matlab 軟件建立基于BP神經(jīng)網(wǎng)絡(luò)的暴雨致災(zāi)預(yù)測(cè)系統(tǒng)，依靠數(shù)值模擬獲得的588 組不同降雨方案下的暴雨致災(zāi)樣本，其中任選14 組用作后續(xù)的模型驗(yàn)證，剩余樣本中的70%（402 組）用作訓(xùn)練樣本，15%（86 組）用作驗(yàn)證樣本，15%（86 組）用作測(cè)試樣本。

3.1 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖7 所示，主要包括輸入層、隱含層以及輸出層。本文的預(yù)測(cè)模型共有2×402個(gè)輸入值，1×402 個(gè)輸出值。由于訓(xùn)練樣本有限，為防止神經(jīng)網(wǎng)絡(luò)出現(xiàn)過(guò)擬合現(xiàn)象，在降低模型復(fù)雜度的基礎(chǔ)上，分別用Levenberg-Marquarbt、Bayesian Regularization、Scaled Conjugate Gradient 這3 個(gè)算法進(jìn)行訓(xùn)練，降低單個(gè)模型的過(guò)擬合風(fēng)險(xiǎn)，最終選擇訓(xùn)練效果最好的Levenberg-Marquarbt 算法。訓(xùn)練過(guò)程中，首先對(duì)輸入值進(jìn)行歸一化處理，然后輸入值向前傳輸，經(jīng)過(guò)各隱含層之間的權(quán)值以及閾值b，最終至輸出層輸出結(jié)果，同時(shí)模型自動(dòng)計(jì)算輸出值與實(shí)際輸出值之間的誤差△e。若△e 沒(méi)有達(dá)到設(shè)定的收斂值，則修改各層之間的、b，進(jìn)入逆向反饋過(guò)程，直至達(dá)到預(yù)先設(shè)定的收斂值，即可停止訓(xùn)練。

圖7 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可以根據(jù)相關(guān)系數(shù)R 的大小來(lái)判斷模型的預(yù)測(cè)效果，R 越接近1，表示預(yù)測(cè)數(shù)據(jù)與模擬數(shù)據(jù)的擬合程度越高。BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程曲線如圖8 所示。可以看出，訓(xùn)練集、驗(yàn)證集、測(cè)試集以及整體訓(xùn)練模型的相關(guān)系數(shù)R 均大于0.99，未出現(xiàn)過(guò)擬合現(xiàn)象。由此可見(jiàn)，此暴雨致災(zāi)預(yù)測(cè)模型的擬合誤差小、預(yù)測(cè)精度高。

圖8 暴雨致災(zāi)預(yù)測(cè)模型訓(xùn)練過(guò)程曲線

3.2 預(yù)測(cè)模型準(zhǔn)確性分析

為了進(jìn)一步分析預(yù)測(cè)模型的準(zhǔn)確性，選用無(wú)降雨時(shí)穩(wěn)定載荷下喬木的最大上拔位移量進(jìn)行基礎(chǔ)拉拔實(shí)驗(yàn)對(duì)比分析，結(jié)果如圖9 所示。由圖9（a）可以看出，數(shù)值模擬結(jié)果與現(xiàn)場(chǎng)實(shí)測(cè)值之間的誤差為1.34%，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與現(xiàn)場(chǎng)實(shí)測(cè)值之間的誤差為2.29%，誤差增加了0.95%，這是因?yàn)閿?shù)值模擬與神經(jīng)網(wǎng)絡(luò)相結(jié)合時(shí)，2 種模型會(huì)產(chǎn)生誤差疊加，但是誤差僅為1.62%。相信隨著神經(jīng)網(wǎng)絡(luò)算法的逐步完善和發(fā)展，其對(duì)訓(xùn)練樣本的數(shù)量及質(zhì)量要求也會(huì)逐漸降低，并且實(shí)測(cè)數(shù)據(jù)也在不斷地豐富和完善中。未來(lái)將可以實(shí)現(xiàn)以實(shí)測(cè)數(shù)據(jù)作為訓(xùn)練樣本，構(gòu)建更客觀精準(zhǔn)的暴雨致災(zāi)預(yù)測(cè)模型。

圖9 模型準(zhǔn)確性分析

利用未進(jìn)行訓(xùn)練的14 組數(shù)據(jù)，在訓(xùn)練好的暴雨致災(zāi)預(yù)測(cè)模型中進(jìn)行降雨模擬，記錄隨著降雨強(qiáng)度的改變樹(shù)木在一穩(wěn)定拉拔力下的位移變化情況，并與數(shù)值模擬數(shù)據(jù)進(jìn)行對(duì)比分析。由圖9（b）可以看出，數(shù)值模擬結(jié)果曲線與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果曲線吻合度較高，降雨模擬平均誤差僅為0.91%。由圖9 可以看出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和數(shù)值模擬結(jié)果接近，平均誤差僅為1.265%，能反映不同降雨強(qiáng)度下喬木穩(wěn)定性的變化情況。

此外，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型計(jì)算一個(gè)7 h 的強(qiáng)降雨方案僅需0.1 s，而利用數(shù)值模擬軟件則需耗費(fèi)數(shù)小時(shí)，計(jì)算速度提高了數(shù)萬(wàn)倍。綜上所述，本文所建立的基于BP 神經(jīng)網(wǎng)絡(luò)的暴雨致災(zāi)預(yù)測(cè)模型在節(jié)約計(jì)算時(shí)間的基礎(chǔ)上，也滿足了預(yù)測(cè)精度的要求，可在發(fā)生強(qiáng)降雨等突發(fā)暴雨災(zāi)害時(shí)及時(shí)做出反饋，以降低山體滑坡、泥石流等災(zāi)害所帶來(lái)的損失，可為災(zāi)害預(yù)防工作提供參考。

3.3 分類(lèi)預(yù)警評(píng)判指標(biāo)

結(jié)合理論分析及預(yù)測(cè)結(jié)果制定分類(lèi)預(yù)警評(píng)判指標(biāo)及防治措施如表5 所示，可為臺(tái)階邊坡及公路的災(zāi)害防治工作提供參考。

表5 分類(lèi)預(yù)警評(píng)判指標(biāo)

4 結(jié)論

1）基于非飽和土體力學(xué)特征和喬木根系固土機(jī)理，對(duì)數(shù)值模擬監(jiān)測(cè)結(jié)果進(jìn)行處理分析，得到雙變量無(wú)量綱上拔位移變化系數(shù)的擬合曲線及其表達(dá)式，此表達(dá)式可為易受暴雨影響地區(qū)的道路設(shè)計(jì)及栽種樹(shù)木選取提供參考。

2）將數(shù)值模擬與BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出新的暴雨致災(zāi)預(yù)測(cè)模型，此模型相比于數(shù)值模擬計(jì)算速度提高了數(shù)萬(wàn)倍，與數(shù)值模擬的誤差也僅為1.265%，可為救災(zāi)措施的制定及實(shí)施提供更多時(shí)間。

3）根據(jù)理論分析及預(yù)測(cè)結(jié)果，制定與預(yù)測(cè)模型相對(duì)應(yīng)的分類(lèi)預(yù)警評(píng)判指標(biāo)，共分為藍(lán)、黃、紅3 個(gè)等級(jí)，通過(guò)降雨對(duì)喬木穩(wěn)定性的影響情況分析其護(hù)坡?tīng)顩r，并制定相應(yīng)的防護(hù)措施，可為災(zāi)害防治工作提供參考。