一种考虑地震位移场的震后区域性滑坡危险性评估方法与流程

本发明涉及地质灾害危险性评估技术领域，具体为一种考虑地震位移场的震后区域性滑坡危险性评估方法。

背景技术：

滑坡危险性评估是一种通过经验方法或物理力学模型确定个体或者区域性滑坡危险性的方法。经验模型具有较快的评估速度和较好的评估精度，因此对于区域性滑坡危险性评估，经常使用经验模型。经验模型通常不考虑单一滑坡的具体物理力学指标，而是通过收集区域中一定数量的滑坡样本，基于数学统计或机器学习的方法，建立滑坡影响因子与危险性之间的非线性关系，最终通过输入不同的影响因子信息来获得整个区域的滑坡危险性，其中人工神经网络、逻辑回归、支持向量机、随机森林、多元回归分析是目前研究成果比较成熟的几种方法。

对于震后地区的区域性滑坡危险性的评估，现在主要依赖于现场勘查、考证的手段，原因是区域地形信息在地表形态发生巨大变化后，需要大量的人力、物力投入才能获得一次更新。因此，受限于地形因素不能快速更新，传统的经验模型无法及时发现震后滑坡危险性改变的区域。

随着遥感卫星技术的迅猛发展，区域地表形态的更新速度逐步加快，其中差分雷达干涉测量技术（differentialinterferometricsyntheticapertureradar，dinsar）可以对同一地区的两副雷达影像（sar影像）进行干涉差分处理，从而获得厘米级或更微小的地表形变信息。dinsar技术的最大特点就是可以快速、高精度获得震后地区的地表形变信息，因此它可以弥补传统的区域地质灾害危险性评估方法的不足，如果将二者进行适当的结合，形成一种综合分析方法，那么在理论上可以提高震后区域地质灾害危险性评估的精确性和适用性，同时还可以节省一定的人力、物力。

技术实现要素：

针对上述问题，本发明的目的在于提供一种能够解决现有技术中地表形态更新速度慢、无法考虑震后损伤、不能及时发现震后滑坡危险性改变区域的问题的考虑地震位移场的震后区域性滑坡危险性评估方法。技术方案如下：

步骤1：使用bp神经网络，建立滑坡敏感性评估模型：

模型的几何拓扑结构包括输入层、隐含层、输出层；输入层包括m个节点，隐含层也包括q个节点，用来模拟输入层与输出层之间的非线性关系；输出层包括1个节点，代表滑坡敏感性评估值s；

步骤2：根据滑坡样本，对bp神经网络滑坡敏感性评估模型进行训练，当训练误差达到目标误差时停止训练，获得评估模型的最终形态；

步骤3：通过最终形态的评估模型，将待评估区域的影响因子集输入到模型，获得敏感性评估值集；

步骤4：根据待评估区域的震前、震后两张雷达卫星干涉影像对，进行差分干涉计算，获得待评估区域的震后位移场d；

步骤5：对滑坡敏感性评估值s和震后位移场d进行拟合，获得震后危险性评价值与s和d的最优拟合方程；

步骤6：根据所述最优拟合方程，对待评估区域进行全区域的震后滑坡危险性评估。

进一步的，所述输入层的6个节点包括高程x1、坡度x2、植被指数x3、年均降雨量x4、地表切割密度x5和上覆土类型x6，即待评估区域的影响因子。

更进一步的，所述隐含层第i个节点的输入值neti按式（1）计算：

（1）

其中，wij是隐含层第i个节点到输入层第j个节点的权值，m是输入层节点数量，xj是输入层第j个节点的输入值，是隐含层第i个节点的阈值；

隐含层第i个节点的输出值yi按式（2）计算：

（2）

其中，是隐含层的激励函数；

输出层第k个节点的输入值netk按式（3）计算：

（3）

其中，q是隐含层节点数量，wki是输出层第k个节点到隐含层第i个节点的权值，是输出层第k个节点的阈值；

输出层第k个节点的输出值按式（4）计算：

（4）

其中，是第k个节点的输出值，是输出层的激励函数。

更进一步的，所述训练误差e为：

（5）

其中，dm是第m个训练样本的真实值，om是第m个样本的预测值，l为训练样本的数量。

更进一步的，所述差分干涉计算的步骤包括：

1）计算震前、震后两张雷达卫星干涉影像之间的基线距离；

2）震前、震后雷达卫星干涉影像对进行主从影像配准；

3）按式（6）进行差分干涉；

（6）

其中，是地表型变量，是干涉相位，是地形因素带来的相位差，是雷达发射的信号波波长；

4）相位解缠，获得地表形变值。

更进一步的，所述对敏感性评估值s和震后位移场d进行拟合的二次多元非线性回归拟合方程为：

（7）

其中，r是震后滑坡危险性评估值，s是滑坡敏感性评估值，d是震后位移场，a,b,c,d,e,f为待定系数。

本发明的有益效果是：本发明解决了现有技术中地表形态更新速度慢、无法考虑震后损伤、不能及时发现震后滑坡危险性改变区域的问题；本发明的方案表形态更新速度快，考虑了震后损伤，能及时发现震后滑坡危险性改变区域。

附图说明

图1是发明内容整体流程图；

图2是“九寨沟-川主寺”区域数字高程图；

图3是bp神经网络滑坡敏感性评估模型结构图；

图4是“九寨沟-川主寺”区域敏感性评估结果图；

图5是“九寨沟-川主寺”区域震前雷达卫星影像；

图6是“九寨沟-川主寺”区域震后雷达卫星影像；

图7是“九寨沟-川主寺”区域震后位移场图；

图8是“九寨沟-川主寺”区域震后滑坡危险性评估结果图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细说明。本发明考虑地震位移场的震后区域性滑坡危险性评估方法的流程图如图1所示，具体步骤如下：

1）使用bp神经网络，建立滑坡敏感性评估模型。该模型的几何拓扑结构主要包括输入层、隐含层、输出层。输入层包括6个节点，分别代表高程（x1）、坡度（x2）、植被指数（x3）、年均降雨量（x4）、地表切割密度（x5）、上覆土类型（x6）；隐含层包括6个节点，用来模拟输入层与输出层之间的非线性关系；输出层包括1个节点，代表滑坡敏感性评估值（s）。隐含层第i个节点的输入neti按式（1）计算：

（1）

其中，wij是隐含层第i个节点到输入层第j个节点的权值，m是输入层节点数量，xj是输入层第j个节点的输入值，是隐含层第i个节点的阈值。

隐含层第i个节点的输出yi按式（2）计算：

（2）

其中，是隐含层的激励函数。

输出层第k个节点的输入netk按式（3）计算：

（3）

其中，q是隐含层节点数量，wki是输出层第k个节点到隐含层第i个节点的权值，ak是输出层第k个节点的阈值。

输出层第k个节点的输出按式（4）计算：

（4）

其中，是第k个节点的输出值，是输出层的激励函数。

2）使用一定数量的滑坡样本，对bp神经网络模型进行训练，当训练误差达到目标误差时停止训练，获得评估模型的最终形态，其中误差按式（5）进行控制。

（5）

其中e是误差，dm是第m个训练样本的真实值，是第m个样本的预测值。

3）使用2）步骤中获得的最终形态的评估模型，将待评估区域的影响因子集（x1,x2,x3,x4,x5,x6）输入到模型，获得敏感性评估值集（s）。

4）使用待评估区域的震前、震后两张雷达卫星干涉影像对，进行差分干涉计算，获得待评估区域的震后位移场（d）。差分干涉的主要计算步骤为：①计算震前、震后两张雷达卫星干涉影像之间的基线距离；②震前、震后雷达卫星干涉影像对进行主从影像配准；③按式（6）进行差分干涉；④相位解缠，获得真厚位移场d。

（6）

其中，是地表型变量，是干涉相位，是地形因素带来的相位差，是雷达发射的信号波波长。

5）使用式（7）所示的二次多元非线性回归拟合方程，对敏感性评估值s和震后位移场d进行拟合，获得震后危险性评价值与s和d的最优拟合方程。

（7）

其中r是震后滑坡危险性评估值，s是滑坡敏感性评估值，d是震后位移值，a,b,c,d,e,f为待定系数。

6）利用5）步骤中获得的最优拟合方程，对待评估区域进行全区域的震后滑坡危险性评估。

结合具体实例对本发明的方案进行说明：以中国四川省“九寨沟-川主寺”区域的震后滑坡危险性评估为例，研究区域如图2所示，包括以下步骤：

步骤1：建立基于bp神经网络的滑坡敏感性评估模型，bp神经网络模型的结构如图3所示，利用一定数量的滑坡样本进行训练，获得最终形态的模型。

步骤2：使用步骤1中获得的模型，对“九寨沟-川主寺”区域进行滑坡敏感性评估，评估结果如图4所示。

步骤3：收集“九寨沟-川主寺”震前、震后两幅雷达卫星干涉影像，如图5所示，使用差分干涉技术，计算评估区域震后地表位移场，结果如图6所示。

步骤4：使用二次多元非线性回归方程建立震后滑坡危险性、滑坡敏感性、震后位移场之间的函数关系，对于“川主寺-九寨沟”区域，拟合结果震后滑坡危险性评估值为：

步骤5：使用步骤4中得到的公式，对“川主寺-九寨沟”全区域进行震后滑坡危险性评估，结果如图7所示。

本发明的方案表形态更新速度快，考虑了震后损伤，能及时发现震后滑坡危险性改变区域。