泥石流平均流速预测模型及敏感因子研究.docx

1、DOI；10.13544/ki.jeg.2014.03.001泥石流平均流速预测模型及敏感因子研究于国强张茂省王根龙(国土资源部黄土地质灾害重点实验室，中国地质调查局西安地质调查中心西安710054)摘要为了探求泥石流平均流速敏感因子及影响因素耦合关系，本文采用BP神经网络和支持向量机模型对蒋家沟泥石流数据进行预测，对两种泥石流平均流速预测模型的学习与泛化能力进行比较，并对平均流速各影响因素的敏感程度进行分析，建立了泥石流平均流速敏感因子预测模型。结果表明：支持向量机的泛化能力优于BP网络,更适合样本数量较少的泥石流动态预测。沟道比降和不稳定层厚度是泥石流平均流速的主要影响因子,各因子之间存在

2、复杂的耦合关系。基于不稳定层厚度和泥面比降的泥石流平均流速预测模型精度较高，能够定量描述泥石流动态与影响因子间的响应关系。研究成果可为泥石流防治提供依据。关键词泥石流蒋家沟平均流速预测模型敏感因子中图分类号:P642文献标识码:APREDICTIONMODELANDSENSITIVEFACTORSFORAVERAGESPEEDOFDEBRISFLOWSATJIANGJIAGULLYYUGuoqiangZHANGMaoshengWANGGenlong(KeyLaboratoryforGeo-hazardsinLoessAreatMLR,Xi'anCenterofGeologicalSur

3、vey,ChinaGeologicalSurvey,Xi'an710054)AbstractThispaperinvestigatesthesensitivefactorsoftheaveragespeedofdebrisflowsandcouplingrelationshipoftheinfluencefactorswiththedataofdebrisflowsinJiangjiagully.TheBPANNandSVMareproposedforbuildingpredictivemodelofaveragevelocityofdebrisflows.Predictionaccu

4、racyandscopeofapplicationofthetwomodelsarecompared.Analysisisdoneonvariousfactorsfortheirsensitivitiestoaveragespeedofdebrisflowswiththedefaultfactormethod.Apredictionmodelfordebrisflowsisestablishedandverified.TheresultsshowthatthepredictionaccuracyoftheSVMmodelisbetterthanthatoftheBPANNmodelinthev

5、alidationphase.Theextrapolatingabilityandpredictingcapabilityhavebeenvalidatedbyusingthesupportvectormachinepredictionmodel,andtheSVMmodelismoresuitableforitspredictionofdebrisflow.Channelslopeandthethicknessoftheunstablelayerarethemainsensitivefactorsaffectingaveragevelocityofdebrisflows.Theinterac

6、tionamongstvariousfactorsformedcouplingrelationshipunderthecomplicatedcondition.Therelationshipmodelofaveragespeedofdebrisflowsestablishedbaseuponchannelslope,andthethicknessoftheunstablelayercanwellexpressquantitativelytheresponserelationshipbetweendebrisflowsdynamicandvariousfactorswithsufficienth

7、ighaccuracy.Itisanaccuratescientificbasisforpreventionofdebrisflow.KeywordsDebrisflow,Jiangjiagully,Averagevelocity,Predictionmodel,Sensitivefactors收稿日期：2013-11-20；收到修改稿日期：2014-02-15.基金项目：国家自然科学基金项目(41302224),陕西省自然科学基础研究计划项目(2012JQ5001),陕西省科学技术研究发展计划项目(2014KJXX-20)，国土资源部科研专项(201111020)资助.第一作者简介:于国强.

8、男.博士.高级工程师，从事她质灾害及土壤侵蚀与水土保持等方面的研究.Email：yuguoqiang230引言泥石流是高山峡谷区常见的地质灾害,它往往暴发突然，来势凶猛，破坏力强，为山区主要自然灾害之一，严重威胁山区的经济建设和人民的生命财产安全匹妲。舟曲“88”特大泥石流的暴发更是敲响了我国地质灾害管理与防治的警钟。泥石流流速决定着泥石流强度，是其防治工程设计中的主要参数，因此，泥石流多发地带，平均流速的预测对其防治至关重要。关于泥石流预测模型研究已有百年历史，早期主要为经验法、物理模型法，目前应用较多的是动力分析模型（动态模型）法。动力分析模型中应用最为广泛的是质量集中模型和连续介质力学模

9、型”9）。这些流变模型大多选择膨胀流体模型、宾汉流体模型、黏塑性流体模型.Voellmy模型和摩擦模型，主要预测泥石流平均流速均有成功案例。然而由于泥石流系统复杂,各因素间相互耦合，具有不确定性和随机性“°小】，很难建立准确的物理机制模型。在此情况下,将泥流学科与机器智能学习语言结合，为预测模型提供新的分析思路。目前应用较广是支持向量机和BP神经网络两种预测模型。BP神经网络和支持向量机都可进行预测，其理论基础和预测机理基本相同（16'2，o目前涉及泥石流流速智能预测模型主要针对单一方法研究，结合两种方法的比较与应用35）和泥石流敏感因子的研究则很少本研究结合支持向量机和BP

10、神经网络模型对蒋家沟1974年泥石流数据进行模拟，对两种泥石流平均流速预测模型的学习与泛化能力进行比较，并对平均流速各影响因素的敏感程度进行分析，建立泥石流平均流速敏感因子预测模型,为泥石流防治提供了一定的科学依据。1材料与方法1.1研究区基本情况东川蒋家沟泥石流沟属高山峡谷地貌，地势东高西低，相对高差为2200m,流域面积为48.5km2o沟内山高坡陡，西窄东宽,每年向小江输送泥沙达（200-300）xl04m3,最大量超过600x104m3（图1）。图1蒋家沟泥石流地貌和泥石流沟分布Fig.1Geomorphologicmapandoffsethitchdistributionofdebr

11、isflowinJiangjiagully流域内出露的地层主要为浅变质岩，约占整个流域的80%）。分水岭出露有震旦系白云岩和二叠系灰岩；分水岭内侧为一条状紫色板岩；流域中心部分由板岩组成。流域内地层节理发育，褶皱强烈，岩层破碎，极易风化崩解为碎屑物，为泥石流形成提供了丰富的物源1.2支持向机与BP神经网络基本理论支持向量机（SVM）基于结构风险最小化原则，采用凸二次优化算法，所得解为全局最优解虬；非常适用高维数、小样本、非线性等实际问题。其中核函数和SVM参数:，和惩罚系数c的选取对SVM的模拟精度额泛化能力至关重要，具体算法以及参数作用可参考文献U6'，8JoBP神经网络（BPANN

12、）具有较强的非线性映射。其BP网络实质就是完成从输入到输出的映射功能,事实证明它具备复杂的非线性映射功能。BP基于经验风险最小化原则，算法采用应用最广的增加了冲域（动量）项的改进BP算法狈。其中BP网络拓扑结构和学习效率小动量因子*的选取十分关键,具体算法以及参数作用可参考文献35】。2结果与讨论2.1影响因素确定以及样本选取诸多因素综合影响泥石流平均流速，根据蒋家沟泥石流特点和文献中1974年50组实测数据为研究样本,对机器预测模型进行模拟。对物理成因的相关分析，确定泥石流流速主要影响因子为xl泥位（cm）、q比降（%）、招密度（tmT）、x4粒径(cm)和姑不稳定层厚度(m),输出因子y平

13、均流速(表1)。其中不稳定层为泥石流龙头通过时在床面产生的冲刷层，泥位、密度为固定地点的监测数据，比降为泥石流泥面比降，粒径取平均值。由于各因素数值差异很大,量纲不同，需要采取数学方法进行前处理，这对提高模型预测能力十分重要。首先采用标准归一法将实际数据处理到(0.1,0.9)区间内，并留有一定预报空间*狈。合理选取样本是保证模型预测精度的重要条件。本研究共有50组数据样本参与模型的学习和预测。为使模型更具泛化能力，同时也避免过学习情况的发生,分别在各大小的速度区间内,选取样本40组，作为预测模型学习样本，其余10组作为检验样本，测试模型的泛化能力。2.2泥石流平均流速两种预测模型建立本研究所

14、采用SVM程序在MATLAB中进行编制优化，确定学习样本、影响因子后，需要选择合适的惩罚系数c与核函数，这关系到模型的预测精度和泛化能力。本研究采用40组训练样本，对核函数进行测试，以学习样本的预测值和真实值的误差作为评判标准,确定核函数为径向基函数。图2y与。参数对误差的影响Fig.2ImpactofyandConthepredictionerror表11974年蒋家沟泥石流平均流速及各影响因子观测值No.xlx2x3z4x5yNo.xx2x3x4x5y11756.32.080.80.88.9262505.52.220.91.066.921506.32.21.10.728.8272265.5

15、2.131.10.926.632006.32.211.70.977.4281205.52.20.80.51642006.32.251.40.997.9291455.52.251.10.627.45956.32.160.60.451030655.52.241.10.2856556.32.250.90.277.4311225.52.2110.526.97116.32.070.70.57.6321685.52.281.60.737.581006.32.190.90.487.6333726.62.211.21.889.29906.32.2110.447.3341075.52.291.20.475.81

16、0706.32.191.20.346.635525.81.70.10.183.6112756.62.211.61.49.6361035.52.210.80.445.8121706.62.191.10.857.537,705.51.920.30.265.6132106.62.20.81.068.438705.81.80.20.254.1141606.62.221.20.828.139505.81.760.20.183.5151306.62.20.70.668.240585.81.690.20.23.6162206.62.291.51.169.641935.81.920.30.364.817210

17、6.62.211.21.079.442605.51.990.60.234.9182106.32.2911.059.343605.51.970.50.234.7192006.32.31.51.018.5441615.52.2510.697.720406.32.040.30.184451775.52.241.10.767.7211406.31.950.60.67.846605.51.830.10.213.922406.32.020.10.183.747555.82.070.80.233.923406.31.850.10.163.8481095.52.251.10.476.4242106.32.21

18、1.11.029.349555.81.80.10.23.7252025.52.271.70.886.9501256.32.10.60.577.6Table1ValuesofdebrisflowaveragevelocityandimpactfactorsinJiangjiaravine:1974确定模型参数时，需要测试大量参数，最终确定'本模型参数。图2表示了在平均流速预测模型中,不同的y和C下最大相对误差三维曲面情况。从图中可以看出，在惩罚系数C=0.5和）=0.2时，三维曲面出现两条极小值凹面，两条凹面汇合处（圆圈指示处）出现相对误差最小情况；而在其他区域内，最大相对误差均较大。所

19、以确定y=0.2,C=0.5,根据模型建立公式，解得”，最终得到SVM泥石流流速预测模型。BP神经网络模型的建立过程与SVM相类似。由于在实际预测过程中，3层BP网络能够满足需要，6*173，本研究选取3层BP神经网络，依然采用上述40组训练样本，建立BP预测模型。/（x）=（l+e”）"作为传递函数连接各层,同样以学习样本的实测值和预测值误差作为评判标准，经过调整隐含层结点数、模型参数，并通过误差比较，最终确定BP神经网络模型网格的结构为5:9：1,学习效率7j为0.10,动量因子g为0.6,最终得到BP泥石流流速预测模型。2.3预测模型结果比较按照上述方法，采用两种模型分别对40

20、组样本进行训练，所建立的模型对余下样本进行预测。从模型学习、模拟结果（图3）看出，样本训练阶段，两模型皆具备很好的学习能力，BP学习误差之合仅仅为3.5ms-i、SVM为21.3m-s_,BP优于SVM,两者相关系数均达到95%以上，学习能力很强。模型预测阶段,SVM模拟值在真实值附近小幅波动，预测精度较高；相反BP网络的真实值和预测值相差较大，预测精度较差。对样本真实值与模拟值进行误差比较可知，预测阶段，BP模型和SVM模型的平均误差分别为1.29ms-i、0.37m-s'1,SVM模型预测结果明显好于BP神经网络。并且SVM预测值在真实值之间上下浮动，没有出现一直偏大或一直偏小的情

21、况，说明SVM预测模型结果比较合理。总的来说,模型学习效果较好并不能说明具有较高的预测结果。BP网络的训练能力和预测水平并不一致。通常情况下，智能机器语言的训练程度越高，预测精度会越大，反之亦然。但这样的情况存在一个临界现象，当超过临界点时，训练程度越高,预测精度反而会降低，出现了上述的过学习现象。说明BP神经模型会过分依赖于训练样本，过分强调样本细节，导致忽视了内在的本质规律。相反SVM模型可以寻找多维空间的超平面，使其具有很强的推广性。因此在使用智能模型进行研究过程_,.&、»«武H-样本序号图3两种预测模型的平均流速学习、预测结果Fig.3Studyandpr

22、edictionresultsoftheaveragevelocitywithSVMandBPa.样本学习；b.样本预测中，要不断对样本和参数进行调试、比较。本研究根据学习和预测结果的比较可知,SVM模型的预测结果要优于BP神经网络模型，预测模型精度可信，可其实再现泥石流流速动态变化规律。因此在泥石流模型研究中，采用SVM模型可以取得更好的预测效果。2.4泥石流平均流速敏感性因子分析为了进一步研究各因子对泥石流的敏感程度,本研究将已建立的SVM流速预测模型中5输入因子逐一进行减少，建立相应的5个4因子平均流速预测模型。为了各模型具有可比性，其模型结构、参数以及样本选取均和初始模型一致。根据各模

23、型的误差比较确定各因子敏感程度，如式（1）:R,=RMSE/RMSE（1）式中，叫为敏感指数；RMSE,为缺省i因子的误差;RMSE为初始模型误差。若R,>Rj,表示i因子比/因子对泥石流流速更加敏感。其比较结果（表2）。通过4因子模型计算比较次均大于1,说明各因子均会在不同程度上影响泥石流流速；比降和不稳定层厚度对平均流速的敏感指数最大，其R值分别为1.44和1.43,说明沟道比降和不稳定层厚度对泥石流平均流速的敏感性最强,影响程度最大，而其他因素对泥石流流速敏感性较弱，影响程度较小。综合分析可知，在泥石流暴发过程中，地形因素（比降）和物源因素（不稳定层厚度）是泥石流主要敏感因子小勺，

24、对泥石流暴发的强度与规模有很大程度的影响，在泥石流实际研究与预测过程中，应主要针对沟道比降、不稳定层厚度进行重点研究,为泥石流灾害预防与风险管理提供技术参考。2.5泥石流平均流速预测模型为了进一步阐明蒋家沟流域泥石流平均流速动态规律，本研究在敏感因子分析的基础上，结合沟道比降、不稳定层厚度敏感因子,建立泥石流平均流速多元回归方程，其模型为：v=1.79157°8505/i°3261（2）式中3为泥石流平均流速；I为沟道比降；h为不稳定层厚度。方差分析F值378.3669,p=0.0001,表明达到极显著水平。预测的拟合程度砂=0.8693,最大误差为3.39mst,平均误差

25、0.75ms",因此拟合效果很好（图4）。可以看出，构建的泥石流平均流速预测模型精度较高、效果较好。由于受监测数据限制，忽略了主要诱发因子降雨要素的影响，其预测精度是可以接受的。说明建立基于地形因素（比降）和物源因素（不稳定层厚度）的泥石流平均流速预测模型可行可靠。3结论（1）本研究采用BP神经网络和支持向量机模型对蒋家沟泥石流数据进行预测，对两种泥石流平图4泥石流平均流速实测值与模拟值比较Fig.4Comparisonsbetweensimulatedandmeasuredvaluesoftheaveragevelocityofdebrisflow均流速预测模型的学习与泛化能力进行

26、比较，并对平均流速各影响因素的敏感程度进行分析，建立了泥石流平均流速敏感因子预测模型；（2）样本的学习拟合效果较好并不能说明具有较高的预测结果，由于BP网络对学习样本的过分依赖，过分强调样本细节，会出现局部优化,导致忽视了数据内在的本质规律。相反SVM模型可以寻找多雄空间的超平面，使其具有很强的推广性；（3）SVM预测模型精度可信，可以真实再现泥石流流速动态变化规律，具有很强的非线性数据适应能力，更加适合复杂的泥石流动态变化规律研究;（4）在泥石流暴发过程中，地形因素（比降）和物源因素（不稳定层厚度）是泥石流主要敏感因子,对泥石流暴发规模、程度有较大影响，因子之间相互作用，形成了复杂条件下的耦

27、合关系,在实际泥石流预测中，应主要针对沟道比降、不稳定层厚度进行重点研究；研究对象5因子泥位比降密度粒径不稳定层厚度平均误差/msT0.5370.7220.7750.6820.6950.770泥石流最大误差1.3403.2463.7172.3971.7963.312平均流速R1.351.441.271.291.43敏感因子排序31542表2泥石流平均流速预测SVM模型缺省因子检验结果Table2DefaultfactortestresultsofSVMmodelfortheaveragevelocityofdebrisflow（5）基于沟道比降和不稳定层厚度的泥石流平均流速耦合关系模型具有较高

28、的预测精度，可以很好地定量反映泥石流动态过程以及与各影响因子间的动态响应关系。参考文献1CuiP,ChenXQ.ZhuYY,etal.TheWenchuanearthquake(May12,2008)Sichuanprovince,China,andresultinggcohazardsJ.NaturalHazards,2011,56：19*36.2 TangC,ZhuJ,LiWL,ctal.Rainfall-triggereddebrisflowsfollowingtheWenchuanearthquakeJ.BulletinofEngineeringGeologyandtheEnviron

29、ment,2009,68(2)：187-194.3jCuiP,ZhuYY,HanYS,etal.The12MayWenchuanearthquake-inducedlandslidelakes：DistributionandpreliminaryriskevaluationJ.Landslides,2009,6(3):209-223.4 游勇.泥石流排导槽水力最佳断面J).山地学报，1999,17(3) ：255-258.YouYong.Optimalhydraulicconditionofdebrisflowdrainagecanal.JournalofMountainScience,199

30、9,17(3):255258.5 徐永年.崩塌土流动化机理及泥石流冲淤特性的实验研究D.北京冲国水利水电科学研究院，2001.XuYongnian.StudyonFlowMechanismforAvalancheSoilsandScourandSiltingCharacteristicsofDebrisFlows.Beijing：ChinaInstituteofWaterResourcesandHydropowerResearch,2001.6 ChenH,LeeCF.GeohazardsofslopemassmovementanditspreventioninHongKong.Enginee

31、ringGeology,2004,76(12):3-25.7 BathurstJC,BurtonA,WardTJ.Debrisflowrun-outandlandslidesedimentdeliverymodeltests.JournalofHydraulicEngineering,1997,123(5):410-419.8 BendaLE,CundyTW.PredictingdepositionofdebrisflowsinmountainchannelsJ.CanadianGeotechnicalJournal,1990,27(4) ：409-417.9 ChenH,LeeCF.Runo

32、utanalysisofslurryflowswithBinghammodclJ.ASCEJournalofGeotechnicalandGeoenvironmentalEngineering,2002,128(12)：1032-1042.10 赵洪波，冯夏庭.支持向敏机函数拟合在边坡稳定性估计中的应用J.岩石力学与工程学报，2003.22(2)：241-245.ZhaoHongbo,FengXiating.Applicationofsupportvectormachinesfunctionfittinginslopestabilityevaluation.ChineseJournalofRo

33、ckMechanicsandEngineering,2003.22(2)：241-245.U原立峰.基于SVM的泥石流危险度评价研究J.地理科学，2008,28(2)：296-300.YuanLifeng.DebrisflowhazardassessmentbasedonSVM.ScientiaGeographiesSinica,2008,28(2):296-300.12 张晨，王清，张文，等.基于神经网络对泥石流危险范阁的研究】.哈尔滨工业大学学报，2010,42(10)：1642-1645.ZhangChen,WangQing,ZhangWen,etal.Predictiononliaza

34、rdousareasofdebrisflowbasedonneuralnetwork.JournalofHarbinInstituteofTechnology,2010,42(10):16421645.13 YuanLF,ZhangYS.DebrisflowhazardassessmentbasedonsupportvectormachineJ.WuhanUniversityJournalofNaturalSciences,2006,11(4)：896-900.14 胡亚东，傅荣华，夏克勤.黄河积石峡水电站库区泥石流危险度评价J.灾害学,2004,19(2)：3641.HuYadong,FuR

35、onghua,XiaKeqin.DebrisflowhazardanscssmentinreservoirzoneofJishivalleyhydropowerstation,Yellowriver.JournalofCatastrophology,2004,19(2):3641.15 刘希林，唐川.泥石流危险性评价M.北京：科学出版社，1995.LiuXilin,TangChuan.RiskAssessmentofDebrisFlows.Beijing：SciencePress,1995.16 ToyFEH.CaoLJ.Modifiedsupportvectormachinesinfinan

36、cialtimeseriesforecastingJ.NeuroComputing,2002,48(1):847861.17 FlakeGW,IwrenceS.EfficientSVMregressiontrainingwithSMOJ.MachineLearning,2002,46(13)：271-290.18 于国强，张茂省，王根龙，等.支持向量机和BP神经网络在泥石流平均流速预测模牧中的比较与应用JJ.水利学报，2012,43(增2)：105-110.YuGuoqiang,ZhangMaosheng,WangGenlong,etal.Applicationandcomparisonofpredictionmodelsofsupportvectormachinesandback-propagationartificialneuralnetworkfordebrisflowaveragevelocity.JournalofHydraulicEngineering,2012,43(S2)：105-110.19 张成，李占斌，张振文，等.两种预测模型在地下水动态中的比较与应用JL生态学报，2012,32(21)：6788-6794.ZhangXia,LiZhanbin,ZhangZhenwen,etal.Applicationandcomparisonoftwopre