使用人工神经网络来确定和应用权重对滑坡进行敏感性填图

本文研究目的是在一个选定的研究区内，应用概率方法和人工神经网络方法来评价滑坡敏感性的可能性。GIS作为基本分析工具，用于进行空间数据管理和处理。滑坡位置和与滑坡相关的因素如斜坡、坡率、土壤结构、土壤秀水性和有效厚度、木材类型和木材直径用于分析滑坡敏感性。采用概率方法来分析计算每种因素对导致滑坡发生的相对重要性。为了计算每一种因素对导致滑坡发生的相对重要性的权重，发展了人工神经网络方法。使用这些方法，根据分级和加权，可以计算滑坡敏感性指数（LSI），根据这些指数可以编制滑坡敏感性图。考虑权重和不考虑权重进行的滑坡敏感性分析，其结果可以通过比较滑坡的位置数据得到证实。使用加权比不使用加权的结果要好。计算出的权重和分级可用于滑坡敏感性填图。一、概述滑坡在韩国经常发生，造成巨大的财产损失，偶尔也会造成人员伤亡。对财产和生命危害最大的是1991,1996,1998和1999年发生的滑坡。最常见的滑坡类型是由暴雨诱发，但很少尝试预测或是预防由滑坡导致的危害。为了弥补这一问题，有必要对滑坡敏感区进行科学评价，这样可以充分减少由于滑坡导致的危害。本项研究中，在进行滑坡敏感性分析时，发展和应用了两种不同的方法来确定权重和分级，分别为概率法和人工神经网络方法。GIS作为基本工具，用于空间数据管理和处理。关于用GIS进行滑坡灾害评价，已有很多学者进行过研究。特别是Lee和Min（2001）用概率方法结合GIS分析了同一研究区，即韩国的Yongin地区。本文研究目的是根据人工神经网络方法确定权重，并用GIS进行滑坡敏感性填图。本文与其它研究的不同在于应用人工神经网络确定权重值。权值在坡面、坡率和土壤结构等因素中相对要重要，分级在每一因素类型中相对重要。滑坡发生时，如果坡面比土壤结构重要，此时相对重要值就是权重；如果30°的斜坡比5°的斜坡危害更大，相对重要值就是分级。由于在滑坡相关因素中，没有权重和分级固定值或标准值，在进行滑坡敏感性分析时，确定权重和分级值就特别重要，而且权重和分级应当基于客观分析确定，而不是根据主观的专家经验。此外，客观、科学的权重和分级对将滑坡灾害图标准化非常重要。在本研究区Lee和Min（2001）已通过概率方法确定了分级，本文采用了这一分级。研究区在Yongin，自1991年大雨以来发生了多次滑坡灾害，很适合用来确定权重。滑坡主要是由泥石流和3～4小时高强度降雨发生的浅层土滑动组成。滑坡发生最大日降雨量大于114mm，最大时降雨量为40mm，所有最大时降雨量大于62mm的地区都受到了滑坡影响。二、研究方法研究流程图见图1。首先，用GIS软件包：ARC/INFO把与滑坡发生相关的图件建造一个矢量空间数据库，其中包括1/5000地形图，1/25000土壤图和1/25000森林图。根据地形数据库计算与滑坡分析相关的高程、坡面和坡率；根据土壤数据库获得土壤结构、材料、排水、有效厚度和地形类型；根据森林图获得森林类型、树龄、木材直径及森林密度；根据地质数据库获得岩性。根据这些与滑坡相关的因素，选定七个因子：斜坡、坡率、土壤结构、土壤排水、土壤有效厚度、木材直径、树龄来确定权重。因为滑坡和地形类型的联系非常明显，在Lee和Min的研究中没有考虑地形类型。大多数滑坡发生在地形类型分类中的山区而非平原区或河流洪水淹没区。关于土壤物质、岩性、森林类型和森林密度，很难区分分级的趋向和特征。但是在研究区选用的七种因子与滑坡之间具有明显的联系。第二，通过航空摄影图解译和野外调查确定Yongin区的滑坡发生范围。根据1/20000航空摄影图，使用GIS建造的空间数据库监测到最近的滑坡，并据此评价该区滑坡的空间分布。第三，为计算权重，将滑坡因子转换为栅格（ARC/INFO栅格型）后，再转换为ASCⅡ数据，以便人工神经网络程序使用。用GIS将分析结果转换为栅格数据，之后用监测到的滑坡发生位置通过人工神经网络来确定每一因素的权重。为完成这些步骤，计算了每一因子类别概率方法的分级，并通过人工神经网络确定每一因素的权重。采用滑坡位置和每一因子类别之间的相关性计算分级。通过人工神经网络程序学习训练后，确定每一因子的权重，程序用MATLAB开发。采用人工神经网络确定权重时，要将滑坡的位置分配为学习训练区，进行人工神经网络学习训练。当将权重调整为一个适当的值时，就通过神经网络层之间的反向传播可以确定权重。最后，在研究区仅根据分级和将分级与权重相结合编制成滑坡敏感性图，并用滑坡位置验证了两种分析结果。为计算滑坡敏感性值，通过将每一种因子分级乘以其权重进行求和得到滑坡敏感性指数（LSI）。HYPERLINK"/uploadfile/200468155334227.gif"三、使用概率方法确定因素的分级采用以前研究（Lee和Min，2001）的概率方法计算分级。在研究区使用概率方法计算空间数据来表征滑坡位置和影响因子之间的相关性。概率逼近是在每一因子和滑坡分布之间的观测联系基础上进行的。使用概率方法推导出滑坡发生位置和每一滑坡相关因子之间的空间联系。采用的因子有坡面、坡率、土壤结构、土壤排水、树龄和木材直径。将这些因子转换为10×10m2的栅格，总单元数为658790个，滑坡发生的单元数为11735个。使用GIS软件，将研究区的每一地理要素叠加到一个有583行和1130列，间隔为10m的栅格上。之后，将每一因子类型的分级作为滑坡和每一因子类型之间的联系，如，未发生滑坡和发生滑坡的单元数比例。相关分析是滑坡发生区在整个研究区中所占的比例，所以值为1表示平均值，如果值大于1说明相关性好，如果值小于1，说明相关性差。关于坡面，斜坡越陡，滑坡发生的可能性就越大。低于5o，比值为0.1，说明滑坡发生的可能性极小；在5o～13o，比值低于1，也说明可能性小，但是倾角越大，发生的可能性就越大；超过24o，比值大于2，说明可能性相当大。这说明随倾角增大，滑坡发生的可能性也在增大，倾角大于15o就可能发生滑坡。在滑坡分析中倾角是一个重要因素，随倾角增大，土壤的剪应力或其它非固结物质也增加。缓坡滑坡发生概率小，这是因为总体上低剪应力与小坡度有关。然而，由出露地表基岩形成的陡天然斜坡不易发生滑坡。坡率代表了地面形态，正坡率说明地面是上凸的；负坡率说明地面是上凹的；零坡率说明地面是平坦的。关于坡率，平坦区比值较小，为0.55；对于负值，值越小，滑坡的可能性就越大。从结果来看，坡率与滑坡发生关系密切，原因是大雨过后，上凹斜坡聚集了更多的雨水而且滞留时间更长。但在上凹斜坡区，发生概率小于1，这说明在上凹区滑坡发生和坡率无关。因此关于凹坡不可能确定其相关性。关于土壤透水性，透水性越好，滑坡发生的概率就越大。但当下大雨时，控制水流的透水性越差，保留在土壤中的水就越多，发生滑坡的概率就越大。对于土壤结构，在砾壤土、多石砂壤土和石壤土中滑坡发生概率较高，在亚砂土和砂壤土中发生概率较低，这说明与土壤粒径有关。下大雨时，粒径越大，颗粒间的孔隙就越大，所以土壤可以保留更多的水。关于土壤有效厚度，随土壤厚度增加，滑坡发生的概率减小。下大雨时，土壤越厚就有更多的空间，这样土壤可以容纳更多水。关于木材直径，直径越小（小于6cm）滑坡发生概率越大；直径较小（6～16cm）滑坡发生概率值也较小，这是因为树直径越大，其根系就越发育，在下大雨时可以容纳更多的水量。关于树龄，树龄较小滑坡发生的概率较大，树龄较大滑坡发生概率较小，这也是由于树龄越大根系越发育。四、采用人工神经网络确定因素的权重（一）神经网络与其它统计方法相比，人工神经网络有许多优点。首先，人工神经网络方法独立于数据的统计分布情况，无需特别的统计变量。与统计方法相比，人工神经网络允许在定义目标分类时，更多考虑在每一数据源相应定义域中的分布情况，这样与遥感数据或GIS数据结合相当方便。其次，因为进行的是像素计算，训练区数据集很少，但可以进行精确分析。与统计方法相比，神经网络进行精确计算所需的训练数据较少。神经网络的基本要素是处理节点。之后将这一总和通过一个激活函数产生节点输出值。一个增强处理是在每个处理节点总和中增加连续输入，相应的权重称为边缘权重，可以有效地控制激活函数的阀值。将处理节点组织成层，每一层与下一层相连，而在同一层中不相连。此外，有一输入层作为网络中数据的分布结构，在该层不进行数据处理，该层后有一个或更多的真正处理层，最后的处理层称为输出层，输入和输出层之间的层称为隐蔽层。因为是“多层”，多层结构可以将非线性数据分离，总的来说包括三层。第一层是输入层，节点是特征向量的要素；第二层是中间层或“隐蔽”层，其中不包括输出单元；第三层是输出层，代表了输出数据。网络中的每一节点与该层前一层或后一层的节点相连，见图2。在多源分类中采用神经网络包括两个阶段：训练阶段和分类阶段。典型情况是反向传播算法对网络进行训练，直到获得网络中设计值和输出目标值之间的误差最小。一旦训练完成，网络就可以用作正向输送结构来生成分类。本项研究中，我们只使用了训练阶段的内层权重。HYPERLINK"/uploadfile/200468155448669.gif"神经网络包括许多相连的节点。每一个节点是一个反映从其它节点接收的权重输入的简单处理要素。节点排列称为网络结构（见图2）。接收到的节点是上一层相连的所有节点的权重信号总和。单个节点j接收的输入可以根据等式（1）确定：其中，wij——节点i和节点j之间的权重Oi——节点i的输出，如等式（2）Oj＝f（netj）（2）隐蔽节点j产生的值Oi是激活函数f，用节点j，NETj的总数计算。NETj依次是输入层和隐蔽层之间的函数wij，输出和输入层节点的函数Oi。函数f通常是应用于处理下一层之前输入的权重总数的非线性反曲函数。反曲函数的优点是其导数可以用函数本身表达，见式（3）f′(netj)＝f(netj)(1-(netj))（3）输入层t的误差E是设计输出矢量d和真正输出矢量o的函数，见式（4）HYPERLINK"/uploadfile/200468155830823.gif"误差通过神经网络反向传播，改变层与层之间的权重将误差最小化。这样，权重可以用式（5）表示：wij(n+1)=η(δjoi)+αΔwij（5）其中η是学习速率参数，δj是误差变化率指数，α是动量参数。这一反馈正向信号和反向传播误差的处理过程进行重复迭代，直到作为一个整体，网络误差最小化或是达到可接受大小。（二）采用后向传播算法确定权重采用后向传播，可以识别每一因子的权重，而且可以用于确定滑坡敏感性。隐蔽层节点j的输出Oj对输出层节点k的输出Ok的影响，可以由Ok对Oj的偏导数表示，见式（6）：式（6）可以产生正向信号和反向信号的值。如果只对影响的大小感兴趣，节点j相对于隐蔽层另一节点j0的重要性可以根据下式计算：式（7）表示关于输出层的特定点k，隐蔽层节点j的相对重要性与输出层相连节点k的绝对权重成比例。如果在输出层不止有一个节点相连，不能用式（7）比较隐蔽层两节点的重要性。换句话说，必须将节点的相对重要性标准化，以使其可以与其它节点更好地比较，见（8）式：HYPERLINK"/uploadfile/20046816113756.gif"考虑节点k获得节点j的标准化重要性见（9）式：HYPERLINK"/uploadfile/20046816156149.gif"因此，考虑节点k，隐蔽层的每一节点都有一个值大于或小于1，这取决于其是否比平均值更重要。考虑同样的节点k，隐蔽层中的所有节点有一总的重要性值，见式（10）：HYPERLINK"/uploadfile/2004681606958.gif"因此，考虑与隐蔽层相连输出层的所有节点时，节点j的总重要性值可以通过式（11）获得：HYPERLINK"/uploadfile/20046815593895.gif"HYPERLINK"/uploadfile/20046816349827.gif"与式（9）相似，考虑隐蔽层中的节点j时，将输入层中节点i的重要性标准化可以由式（12）确定：HYPERLINK"/uploadfile/20046816420836.gif"关于隐蔽层，节点i的总重要性值可以由式（13）获得：HYPERLINK"/uploadfile/20046816443685.gif"相应地，关于输出节点k的输入节点i的总重要性值由式（14）给出：HYPERLINK"/uploadfile/2004681652150.gif"（三）应用图3是确定权重的神经网络流程图。反向计算根据神经网络训练获得层与层之间的权重，并计算每一因子贡献的重要性，这样可以确定每一因素贡献或重要性的权重。为计算权重采用了Hines（1997）的程序，为解译权重开发了新的程序。HYPERLINK"/uploadfile/20046816732554.gif"将因子输入到基于MATLAB的应用程序。采用7×15×2（输入，隐蔽和输出层数）结构，和式（1）到式（14）训练权重。在Hines提供的结构基础上，在MATLAB中实施了三层正向输送网络。正向输送是指所有前一层向下一层传播之间的互连。对于特定分类问题，不易推断隐蔽层数量和隐蔽层的节点数。输入数据标准化范围为0.1～0.9，学习速率为0.01，初始权重任意选取，额定和中间级的数据转换为0.1～0.9之间的连续值。在用人工神经网络程序计算过程中没有考虑数量的内容，但是用数量进行区别每一因子类别。对于两种类型的任何一个（发生滑坡和未发生滑坡），随机选取200像素/类别作为训练像素，随机选择滑坡发生位置和滑坡未发生位置为训练点。随机选择了10个训练点，并对训练点处理10次来识别起始权重的变化。该算法后向传播权重，之后控制权重。训练次数设为1000，停止准则的均方根差（RMSE）设为0.1。大多数迭代满足RMSE设定值0.1。如果不满足设定值，在训练资料为1000时停止迭代。训练后可以确定权重。当起始权重设为任意值时，结果不同。因此，在本项研究中，重复计算10次，结果是一相似值。标准偏差范围为0～1.1，因此任意采样对于结果不会有太大影响。对于易于解译的情况，计算平均值，之后将这些值去除地形坡度最小的权重平均值。采用的最小地形坡度值是1.00，采用的最大地形坡度值是5.33。采用的土壤排水和土层有效厚度值为1.83，土壤结构为1.17。木材直径为2.67，树龄为2.00。计算结果用于滑坡敏感性分析，权重提高了分析的精确性。五、采用分级和权重进行滑坡敏感性计算为进行滑坡敏感性分析，采用概率和神经网络方法计算了分级和权重。为评价滑坡敏感性值，通过将每一因素分级乘以权重相加得到滑坡敏感指数（LSI）,如式（15）。LSI代表了滑坡发生的相对敏感性。因此，指数越高，越易发生滑坡。（15）其中：LSI＝滑坡敏感性指数；Fw＝每一因子的权重；Fr＝每一因子类别的分级。六、检验和比较通过现有滑坡资料，进行采用和不用加权之间的检验和比较。为进行比较，将滑坡数划分到滑坡敏感指数中。采用加权和不用加权的指数值范围是不同的，因此需要把指数值分为等间隔进行比较。如果不考虑加权，由于每一因素的权重为1，7个因素的总权重为7。若考虑加权，7个因素的总权重为15.83。为进行同样的比较，将15.83除以7，之后滑坡敏感指数除以计算值2.26（15.83/7）。检验结果表明敏感性图和现有的滑坡位置资料有良好的一致性。不使用权重，滑坡敏感性指数小于8.00，滑坡发生率非常低，仅为12.36%；但当指数大于8.00时，发生率非常高，为87.64%（如果不加权，平均值为8.11；如果加权，平均值为7.11）。使用权重，指数小于8.00，发生率非常低，仅为12.22%；但是指数大于8.