The application of Adaline in recognition of mine water quality types
-
摘要: 正确识别矿井水质类型对于判断突水水源具有重要的意义。本文以华北某矿井为例,采用具有线性功能函数的神经元(AdaptiveLinearElement)方法对来自煤层顶、底板含水层的两种不同水质类型矿井水进行了有效的识别。实际输入的4个未知水样中,经识别两个为顶板水,两个为底板水。神经元学习训练时,其收敛性、收敛速度与步长参数α的选取密切相关。此外,神经元本身也具有一定的抗噪性,这使得神经元在较小噪声背景下仍能正常工作。Abstract: It has an important significance to correctly identify mine water quality types in order to judge water inrush sources.Taking a certain coal mine in North China for example in this paper,two different water quality types of mine inflows from coal seam roof and floor aquifers have been effectively identified by applying Adaline method.Two of four unknown mine water samples are indetified as roof aquifer water,two as floor aquifer water.The convergence and its speed have a close relationship with the choice of step parameter α in the process of neuron learning and training.Besides,with smaller noise background,neuron itself is still able to normally work due to its anti-noise property.
-
Keywords:
- neuron /
- water quality types /
- recognition /
- convergence /
- anti-noise property
-
滑坡作为山区常见、多发的地质灾害,严重威胁建筑物、交通设施和居民的安全,对地质生态环境产生重大影响[1]。利用滑坡敏感性模型对滑坡影响因子进行分析,得出一定范围内不同区域发生滑坡的敏感程度是分析滑坡灾害潜在分布的重要手段[2]。同时煤矿地下开采常引起地表沉陷、地裂隙、滑坡等地质灾害,严重破坏生态环境。开展采煤沉陷区滑坡敏感性评价可以为采煤沉陷区综合整治与生态修复、工程稳定性监测、潜在滑坡隐患识别与预警等领域提供科学参考[3-5]。影响滑坡敏感性评估性能优劣的因素主要有3方面:评价单元选择、评价因子选取、评价方法建立。
评价单元选择是滑坡敏感性评价结果是否合理的关键因素,特别是针对乡镇尺度的大比例尺精细化评价[6]。在当前研究中,常用的评价单元有栅格单元和斜坡单元。周超[7]采用栅格单元评价地质灾害易发性,因划分方法简单且易于操作的特点,在地质灾害敏感性评价中应用广泛。黄发明等[8]阐述了不同滑坡边界及其空间形状对滑坡易发性预测不确定性的影响规律。蒋文学等[9]利用斜坡单元对云南省怒江州开展滑坡易发性研究,发现斜坡单元可以更好地考虑到山区的地形起伏、地质构造等环境因素。
在对于采煤沉陷区的地质灾害研究中,Yang Dongdong等[10]基于多时相卫星图像解译和无人机倾斜摄影测量开展调查,得出滑坡空间格局与实际煤矿开采有关的结论。张明媚等[11]对地下采煤区地质灾害的发育空间特征进行分析,指出地下采煤扰动影响是研究区内地质灾害发育的主要成因。苏巧梅等[12]将采矿扰动范围区分为开采区、非开采区并纳入评价体系,通过径向基核函数支持向量机模型获得了研究区的滑坡敏感性指数值,为煤矿区地质环境治理提供了参考。薛永安等[13]引入地形因子和地质因子,运用支持向量机模型对太原西山地下采煤区沉陷灾害发育敏感性评价,验证了地下采煤区对于地表沉陷灾害的相关性,并在分析中指出定量化引入地下采矿相关指标参与沉陷灾害敏感性评价的可能性。
上述成果均说明了地下采煤扰动影响与滑坡灾害有密切的关系。然而现阶段针对采煤沉陷区的滑坡敏感性研究中,在评价因子选取上大都停留于地表层面,方法的选择也多为单一模型,将采煤扰动因子纳入评估体系和耦合模型的研究相对欠缺。
笔者在北京西部采煤沉陷区研究发现,统计学模型与机器学习模型耦合后对滑坡敏感性的预测表现优秀,且采煤扰动因子与滑坡发育具有强相关性。笔者选择北京市西部山区某采煤沉陷区域为研究区,采用斜坡单元作为基础评估单元参与模型搭建,使实验结果可以更好地体现区域内滑坡的发育状况;结合研究区地质背景和采煤背景,进一步将煤炭开采扰动影响列为敏感性评价指标,添加与岩性地层、与巷道距离、与断层距离和与井口距离4个特殊评估因子;并采用统计学模型与机器学习模型耦合,实现滑坡敏感性评估的二元分析。以北京市“23·7”强降雨事件为事件节点,综合多重遥感技术分析事件前后研究区的地质环境,对模型的评价结果进行对比验证,得出适用于本采煤沉陷区的滑坡敏感性评价方法,以期为滑坡灾害分析和安全防护提供空间参考。
1 研究区概况和数据源
1.1 研究区概况
研究区位于北京市房山区史家营乡金鸡台村东江沟流域,地处北京西部山区,隶属太行山脉,岩性地层较为发育,地质构造丰富,总面积约6.408 km2(图1)。研究区主体位于百花山向斜东南侧,断裂构造发育,大体为东北向,倾角为50°~80°,区内岩石类型以页岩、粉砂岩、煤层为主,岩质较软(图2)。研究区所在的北京西山侏罗纪煤田区主要分布于百花山、髫髻山、九龙山−香峪大梁、北岭等向斜区,区域范围内煤炭资源丰富,开采历史悠久,煤矿开采强度高,曾是首都及周边地区能源的重要供应地[14]。由于采煤沉陷事件和特殊地质构造导致的地质灾害频发,成为危害当地居民生命财产安全的隐患。
研究区地处大安山煤矿区西部,位于侏罗系窑坡组的核心开采区域。大安山煤矿煤系为下侏罗统窑坡组陆相含煤建造,上覆龙门组砾岩,下伏南大岭组玄武岩、凝灰岩、凝灰质粉砂岩、变质岩,地层以缓倾斜为主,倾向NE,主要由深灰色、黑灰色粉砂岩和灰色、浅灰色砂岩及煤组成[15]。其中窑坡组地层可分为上、下两段,上段以粉砂岩、粗砂岩为主,下段以细砂岩、粗砂岩、含砾砂岩为主,少量砂砾岩,碎屑粒度与上段相比较粗(表1)。一般含煤10余层,且多为可采煤层和局部可采煤层[16-17]。
表 1 北京中生界侏罗系划分Table 1. Mesozoic Jurassic strata in Beijing系 统 组 岩性 侏罗系 上统 土城子组J3tc 凝灰质砂页岩、砾岩 髫髻山组J3t 火山碎屑岩、安山岩 中统 九龙山组J2j 凝灰质砂岩、夹砾岩 龙门组J2l 砂岩夹砾岩、含煤层 下统 窑坡组J2y 砂页岩、含煤层 南大岭组J1n 玄武岩 大安山煤矿西部煤层赋存条件较好的区域为西方寺倒转向斜南北翼,其他区域煤层赋存相对较差。西方寺倒转向斜属紧闭倒转向斜,西江口煤矿在该区为主采区,+600 m水平以上基本被盗采完毕。西港背斜南、北翼小煤窑破坏较严重,如金鸡台矿最低高程+803.8 m,该区域+700 m水平以上推断为小煤窑采空区[17]。
该区域在大规模采煤活动结束后,由于地质构造、地层岩性及煤体物理性质、区域应力场作用等多种因素,煤矿采空区和采煤巷道悬顶不按正常采掘规律垮落,形成煤柱及顶板应力高度集中[18-19]。在外界环境改变或煤炭开采等因素扰动下,常发生瞬间失稳,导致本层大规模冒顶事故和矿震的发生并导致应力集中点转移,进而诱发浅部采空区塌陷并使垮落带向地表扩展,发展形成崩塌,滑坡,地面塌陷等多种地质灾害[14-19]。
1.2 数据源
本研究数据源主要包括:(1)研究区滑坡灾害样本(截至2023年1月);(2) 2020年5 m分辨率数字高程模型(Digital elevation model,DEM)数据;(3) 2023年8月倾斜摄影测量三维Mesh模型;(4) 2023年4月及8月北京3号卫星;(5) 2021—2023年80景RadardSat-2降轨图像;(6)研究区地质图;(7)研究区地下采煤巷道及采煤井口分布信息。所有数据源详细信息见表2。
表 2 研究区基础数据Table 2. Basic data on the Xishan coal mine area in Beijing名称 类别 精度 北京3号卫星A遥感影像 栅格 全色0.5 m RadarSat-2卫星数据 栅格 5 m 分辨率多视精细模式 倾斜摄影 Mesh 模型 OBJ 1∶500 DEM 栅格 5 m 清水幅1∶50 000地质图 DWG 1∶ 50000 行政区划图 矢量 — 2022年地质灾害隐患点台账 数据表 — 通过查阅研究区地形地质相关资料,结合现场踏勘和高分辨率遥感影像,统计东江沟区域地下采煤巷道和地表采煤井口分布,如图3所示。
2 信息量−机器学习模型耦合理论
数学统计预测模型通常比较简单,是基于直观概念和统计原理进行数学计算层面的预测。然而其预测模型通常需要符合一定统计假设,如线性关系、独立性等。而机器学习(Machine learning,ML)模型通常具有自动特征选择功能,可以帮助去除无关特征,提高模型性能[20-21]。为了改善单一数学统计模型解释性差且对数据要求较高的情况,引入机器学习模型对信息量模型进行耦合,如图4所示。
2.1 信息量模型
信息量模型是通过统计学的方法,计算出各评价因子中不同子类的信息量值,并以此来表示其对灾害发育的贡献程度。在滑坡敏感性评价中,信息量模型以各评价因子所贡献的信息量值大小与综合水平为标准,进行区域滑坡敏感性分区,其中计算各评价因子对滑坡灾害信息量贡献值(I)是该模型的核心。I值越大,则表明对滑坡灾害的影响能力越大,公式如下:
$$ I=\sum_{i=1}^n \ln \frac{N_i / N}{S_i / S} $$ (1) 2.2 随机森林模型
随机森林(Random forest,RF)模型是一种通过集成学习的思想,将多棵决策树进行集成的算法。各决策树对数据及特征的选取随机化,极大程度地减少了模型的过拟合[22]。在利用随机森林算法实施滑坡敏感性评估时,首先在距离滑坡灾害区一定距离的范围外,随机生成等量的非灾区域作为随机森林应用的负样本[22]。将滑坡点与非滑坡点随机按照7∶3的比例划分为训练集和测试集,未参与训练的测试集也被称作袋外数据(Out of bag,OOB )。利用OBB数据进一步得出分类树的错误分类率,被称作OBB误差,该误差是一种无偏估计,对此误差取平均值即为模型的泛化误差。公式如下:
$$ P^{*} \leqslant \frac{\bar{\rho}\left(1-s^{2}\right)}{s^{2}} $$ (2) 2.3 多层感知机模型
多层感知机(Muliti-layer perceptron,MLP)模型能够适应连续变量与离散变量,具有突出的非线性映射能力。应用于滑坡敏感性评估方向,可以实现评价因子间的准确分类,规避评价模型中人为主观因素的影响,具有较高的建模效率和预测性能[23]。模型通过输入层、隐藏层、输出层3个网络层组成,其中隐藏层可以有多层。其网络框架如图5所示。
2.4 I–ML建模流程
本文所提出的I–ML模型预测滑坡敏感性的耦合观点是基于信息量模型,将计算出的各评价因子分级状态下的信息量值,作为各评价因子子集的属性数值。并将其作为后续搭建多层感知机模型的输入层训练集和随机森林模型的原始数据集。
以信息量耦合随机森林模型为例,具体步骤为:(1)基于GIS平台将研究区斜坡单元化;(2)对评价因子进行相关性分析,筛选合适的滑坡评价指标因子;(3)对评价因子分层结果进行信息量计算;(4)统一量纲,计算归一化信息量值;(5)将信息量值赋值到每个基础评价单元,以此作为总样本信息;(6)从研究区滑坡评价单元中以7∶3的比例随机选择训练集和测试集,利用训练集生成决策树模型;(7)将测试集代入各决策树模型中,每棵决策树的训练样本及节点分裂属性均为随机选取,通过组合策略决定最终的预测结果,如图6所示。
3 基于斜坡单元的评价指标建立
3.1 斜坡单元划分
斜坡单元能够相对准确地反映出不同斜坡地段的地形地貌特征,在体现地质灾害的发生控制因素时,斜坡单元能够较好地适用于滑坡灾害预测及评价,在大比例尺的精细化滑坡灾害易发性、危险性或风险评价中应用广泛[24]。本研究以5 m分辨率DEM数据为基础进行斜坡单元划分。
本文基于水文分析法得到斜坡单元,斜坡单元是将目标区域划分成由山谷线和山脊线共同分制的图元,能有效避免斜坡被栅格单元整体切割的不足,首先对正、反DEM数据进行洼地填充;进行水流方向的提取,并计算河流流量生成累计流量图,生成河网;之后提取正反向集水区,进行重叠[25-26];最后再结合遥感影像和现场踏勘进行人工过滤,将不合理的单元进行修改、合并,最终将研究区划分为405处斜坡单元,如图7所示。
3.2 评价因子选取
滑坡灾害的发生受基础地质条件与外在环境因素共同影响[22]。根据研究区概况,结合影响滑坡发生的内在因子和诱发因素,初步选取坡度、坡向、曲率、地形湿度指数(Topographic wetness,index,TWI)、地形起伏度、地表粗糙度、距断层距离、地层岩性、距采煤巷道距离、距井口距离共10个影响因子进行分析。
3.2.1 地形地貌因子
地形地貌因素较大程度决定了地质灾害的空间分布特征。地形地貌因子是决定滑坡灾害分布的基础条件,通常地表起伏大、破碎程度高的区域极易发育滑坡。通过5 m精度的DEM数据提取出该区域的坡度、坡向、曲率3个因子。此外,地形起伏度和地表粗糙度可以宏观描述区域地形特征,TWI是区域地形对径流流向和蓄积影响的物理指标[23],也将其纳入评价因子参与讨论。
3.2.2 地质环境因子
通常认为工程地质和断裂构造是基础地质因素中影响滑坡灾害的关键因子[27]。地层岩性和断层发育是滑坡发育的重要内在因素,不仅影响滑坡的发育程度,而且决定了滑坡发生的类型及规模大小。同时地质构造也影响到煤田和采区的划分,对开采工作面的布置、掘进方向等也有一定关系。
3.2.3 采煤影响因子
在开展实地灾害调查和遥感地质解译的过程中发现,滑坡灾害的发生区域常位于原煤矿区范围内。在现有滑坡样本中,滑坡灾害的分布情况与地下采煤巷道的空间位置分布有很强的重叠性,矿井巷道掘进穿越斜坡时,采煤巷道对原有斜坡的应力造成影响[28]。
此外采煤井口多分布于坡脚位置,然而井口的开挖也大大降低了滑坡坡脚处土体对滑体的阻滑力,使斜坡体沿滑面下滑力大于抗滑力,在坡脚处剪出大量土体,极易发生牵引式滑坡。如图8所示,强降雨事件前后的现场踏勘和三维模型图显示,该处废弃井口已经被严重破坏,山体有地裂缝分布,已呈现为小型滑坡灾害的迹象。
因此,考虑到由于采煤造成的采空区,开挖巷道造成的地质应力破坏和井口等地表侵蚀和坡脚开挖的影响,将采煤影响因子也作为核心评价因子纳入敏感性评估系统中。如图9所示,在地理信息系统中对区域内距井口距离和距采煤巷道距离进行欧氏距离分析,并对结果进行级别划分。
3.2.4 评价因子过滤
为避免因为评价因子之间存在因果性,而导致评价结果出现偏离。利用Pearson相关系数(Pearson correlation coefficient,PCC)对选取的评价因子进行相关性分析,从而实现评价因子的过滤[29]。Pearson相关系数法是一种用来衡量2个变量之间线性关系程度的方法。皮尔森相关系数绝对值小于0.5,表明各评价指标间没有明显的相关性;绝对值大于0.5,表明评价指标之间存在一定的相关性。图10显示地形起伏度、地表粗糙度和坡度之间的相关值均大于0.5,表现为显著相关,因此,剔除地形起伏度和地表粗糙度因子,实现评价因子基于相关性分析的过滤。确定东江沟区域滑坡敏感性最终评价因子,并用于后续评估模型的构建。
4 滑坡敏感性评价实验
选取修改后的斜坡单元和过滤后的8个评价因子作为最终评价指标,通过分析滑坡灾点分布与各评价因子分级的数量关系,利用信息量模型确定东江沟区域滑坡敏感性各评价因子层级的权重大小。根据I模型和I-RF、I-MLP耦合模型,将各评价因子参与叠加计算,得出研究区滑坡灾害敏感性结果。采用自然断点法,对敏感性数值进行分级,由低到高划分为5个敏感等级区域:极低敏感区、低敏感区、中敏感区、高敏感区和极高敏感区,生成最终的滑坡敏感性分区图。
4.1 评价因子I值计算
在进行滑坡敏感性评价前,采用信息量模型计算各评价因子的信息量值,用以反映研究区内不同因子分层对于预测滑坡发生的贡献程度。统计结果如图11所示。
4.2 敏感性评价结果分析
图12a—图12c分别为基于I、I-RF和I-MLP模型得到的东江沟采煤沉陷区基于信息量和机器学习耦合的滑坡灾害敏感性分区。并对3个模型各等级面积以及斜坡单元数量的统计得到敏感性分区统计表(表3)。
表 3 不同模型滑坡敏感性分区结果Table 3. Landslide sensitivity zoning results of various models模型 敏感性分区 面积/km² 面积占比/% 斜坡单元个数 斜坡单元占比/% 滑坡点个数 滑坡点占比/% I 极高敏感区 0.469 0 7.32 29 7.16 6 21.43 高敏感区 1.703 6 26.58 99 24.44 8 28.57 中敏感区 1.739 0 27.14 105 25.93 7 25.00 低敏感区 1.737 1 27.11 121 29.88 5 17.86 极低敏感区 0.759 6 11.85 51 12.59 2 7.14 I-RF 极高敏感区 0.574 3 8.96 36 8.89 9 32.14 高敏感区 1.503 4 23.46 90 22.22 8 28.57 中敏感区 1.794 8 28.01 110 27.16 7 25.00 低敏感区 1.756 3 27.41 104 25.68 6 21.43 极低敏感区 0.779 4 12.16 65 16.05 1 3.57 I-MLP 极高敏感区 0.473 0 7.38 36 8.89 5 17.86 高敏感区 2.162 0 33.74 121 29.88 10 35.71 中敏感区 1.776 0 27.71 106 26.17 6 21.43 低敏感区 1.562 6 24.38 105 25.93 5 17.86 极低敏感区 0.434 7 6.78 37 9.14 2 7.14 据模型预测结果统计,在已知滑坡点中,I、I-RF与I-MLP模型划入高敏感区以上等级的滑坡占比分别为50.00%、60.71%和53.57%,耦合模型反映了更好的预测结果。同时3个模型所呈现的滑坡敏感性预测的整体情况类似,滑坡灾害高、极高敏感区主要分布在东江沟上游沟谷两岸。该范围地块基本位于龙门组砾岩与窑坡组页岩、粉砂岩的交界部位,龙门组砾岩形成的高陡崖壁为块体下滑提供了天然的临空面,使得该地区易发生牵引式的滑坡灾害。在东江沟西部上游山体西侧区域的地形斜坡中,3种模型均显示为中级以上的敏感性等级,而此区域范围是原新兴隆达煤矿的核心开采区域,直观地表现了采煤沉陷区和滑坡灾害之间的某种关联性。同时极低、低敏感区多位于东江沟的中部山体区域,该区域范围采煤沉陷活动较少,坡度较缓,岩性地层单一,多为较为稳定的区块单元。
4.3 ROC曲线
ROC曲线是滑坡敏感性研究中评价模型准确性的常用方法,ROC曲线下的面积AUC值是检验易发性区划结果的好坏[30]。能以简单、直观的方式较为准确地对3种模型进行比较。结果如图13所示,3种模型均具有较好的性能(AUC=0.75~0.90),均能对研究区滑坡敏感性进行有效评价。其中I-RF耦合模型整体预测精度为0.861,I-MLP耦合模型整体预测精度为0.845,单一信息量模型整体预测精度为0.761。通过数值可得到初步的判断,耦合模型预测精度显著优于单一模型,且I-RF耦合模型的预测效果最佳。
5 多源遥感技术验证
在进行滑坡敏感性预测的同时,综合多源遥感技术,开展采煤沉陷区滑坡灾害隐患识别研究。选取涵盖研究区范围的2021年1月—2023年8月80景RadardSat-2降轨图像(5 m分辨率多视精细模式),采用时序InSAR技术,得到主要采煤沉陷区的地表形变信息。开展基于大比例尺的航空摄影测量工作[31-33],得到2023年8月东江沟流域三维Mesh模型(比例尺为1∶500)。
验证工作选择3处斜坡单元区域作为验证区,如图14所示。A01验证区在3种模型中呈现连片式高、极高敏感性区域,选择此区域来探究滑坡敏感性与地形、地质和采煤因素的关联性。A02验证区位于原三联−金旺煤矿主要采煤区域,分析滑坡敏感性模型在采煤沉陷区的预测结果情况。A03验证区为3种模型预测结果的差异区,试探究模型之间的预测差异和模型的优劣性。
验证方式为:以北京市“23·7”强降雨事件为滑坡诱导事件[34],将诱导事件前后遥感图像进行对比分析,辅以其他综合遥感技术,分析验证采煤沉陷区滑坡敏感性评估的实际效果,并试分析采煤沉陷区滑坡地质灾害的成因。
A01号验证区位于东江沟上游,如图15所示,该区域在3种模型中均呈现为连片式滑坡灾害高敏感区域。验证区地形主要受构造控制,地形起伏大,处于东江沟北侧山体到中部河谷区的过渡地形,相对高差在500 m以上。区内斜坡单元的平均坡度大于35°,坡向以南向和西南向为主。该验证区主体位于九龙山组和龙门组以砾岩、粗砂岩为主的岩性地层,少部分位于低地势区域以页岩、粉砂岩为主的窑坡组单元内。验证区东侧斜坡单元为原杨家坨煤矿的核心开采区,山体深部地下巷道密集分布于跨越山脊线两侧的斜坡内,此外验证区窑坡组斜坡单元内的坡脚部有废弃井口的分布。在验证区内地形斜坡上和沟道底部均有大量煤矸石堆积情况。
在“23·7强降雨”发生后,原有地表植被破坏严重,地形斜坡上部的砂岩和粉砂岩岩层滑落到地势相对较低区域,斜坡单元内部有十余处崩塌和小型滑坡灾害的发生。此外由于煤矸石结构松散,大大增加了雨水的入渗,随着强降雨事件的发生,致使滑坡体及滑动面含水量不断增加,既增加了滑体下滑力,又软化了滑动面强度,增加了滑坡灾害的发生概率。
验证区上部已发育有4条明显的拉张裂隙,并形成错台。其中最下方规模最大的裂缝,形成的错台高约4 m。此外2021年1月至2023年8月时序InSAR降轨结果显示:在该验证区地势高处,各斜坡单元山体地形高处均有发生大规模滑动迹象,该斜坡单元LOS方向上变形速率最大为−16.08 mm/a。在滑坡清单中,该验证区已存在有滑坡一处,该处滑坡后缘撕裂严重,该滑坡体后缘LOS方向上变形速率最大为−14.4 mm/a。滑体中部东侧的块体已经下滑,大量九龙山组和龙门组砾岩滑落至斜坡单元底部窑坡组单元内,并形成堆积。
该处验证区整体变形破坏形式以局部崩(滑)塌为主,后缘及坡面上可见明显拉张裂隙。区域内由于复杂的地形地质背景和地下采煤情况,在强降雨事件的诱导下,已发生沉陷、采空区滑坡、地表崩塌、裂隙等一系列链式灾害。
A02号验证区位于东江沟中游西侧山体,在3种模型评估结果中,该区域斜坡均呈现为滑坡高敏感隆起带,如图16所示。该区域主要位于原三联−金旺煤矿区内,该采煤区域地表变形严重,地下巷道大范围分布于该山体西侧区域,为后续滑坡灾害的诱发形成先发情况。
如图17所示,根据三维Mesh模型和遥感影像对比显示,在强降雨事件后,该区域内的4个斜坡单元均发生了滑坡灾害,这些滑坡主要集中在斜坡单元底部。滑坡体在雨水的冲刷下,极有可能成为上游东江沟泥石流的重要沿途补充物源。
如图18所示,根据A03验证区强降雨事件发生后的Mesh模型显示,在①号斜坡单元内虽无明显的地表植被破坏的现象,但在单元中部有明显的弧形拉张裂缝,且下部有崩滑灾害的分布,呈现为滑坡灾害早期的特征。该斜坡单元底部有居民点的存在,在该居民点后方坡脚处已有明显的挡土墙破坏迹象。该区域所在山体原为教育煤矿和西江口煤矿的地下采煤巷道交错区域,地表也明显有大量煤矸石堆积,采煤沉陷工程造成原有山体稳定结构遭到破坏,在外界条件(如强降雨)的诱导下,极易发展为滑坡隐患。②号斜坡单元除了小范围内因强降雨导致斜坡单元交接处积水形成水流冲刷山体,并无明显的斜坡地质灾害发生。③号斜坡单元在地形上部发生有坡面泥石流的情况,并顺地势走向,向低地势区域将物源冲刷到坡脚。
斜坡是滑坡发生的基本地形地貌单元,对大范围的研究区有较好的应用环境,对滑坡等地质灾害有较强的表现效果。同时模型在大比例尺的范围内预测敏感性分级的明确程度,可以作为表征模型预测性能的一个方面。选取A03号验证区,对比耦合模型和单一模型的评价模型预测效果。根据三维模型显示和实际灾害发生情况,分析得到初步结论,3处斜坡单元的敏感性排列趋势情况应为:①>③>②。如图19所示,耦合模型相比单一模型,在反映小区域敏感性趋势排列上也更有优势。
6 结 论
(1)以水文斜坡单元为评价单元,考虑地层岩性等地质背景因素和地表井口、地下采煤巷道等采矿扰动活动对滑坡灾害发生的影响,将其均纳入评价因子。预测结果表明:在地层岩性复杂和距断层较近的区域,滑坡敏感性较高。在距离巷道和距井口距离较小的范围内,因子分级的信息量值大,被划入极高、高敏感区的斜坡单元多。新评价因子的加入,更贴切地反映了因特殊地质背景和采煤活动影响,采煤沉陷区所形成的滑坡灾害的背景环境,进而优化了对滑坡敏感性的评估效果。
(2)信息量模型(I)和信息量−随机森林(I-RF)、信息量−多层感知机(I-MLP)耦合模型3种模型的敏感性分区情况大体一致,信息量(I)与不同机器学习(RF,MLP)相结合的耦合模型,与单一模型相比,在滑坡易发性评价中表现出更强的预测能力和更高的精度,其中I-RF模型表现最出色。
(3)通过引入北京市“23·7”强降雨事件作为诱导事件,并结合多遥感技术开展评估结果的印证试验。试验结果表明:基于斜坡单元的滑坡敏感性评估的评估结果和诱导事件后的滑坡灾害发育情况,有很大程度的吻合性。信息量和机器学习耦合模型滑坡敏感性的评估结果在一定程度可以作为相关部门开展滑坡防控工作的参考依据。
符号注释:
$ I $ 为多种评价因子叠加的总信息量;i为单个评价因子的信息量值;$ n $ 为评价因子的个数;$ N $ 为研究区内发生滑坡单元总数;$ {N}_{i} $ 为单评价因子内发生滑坡的单元数;$ {P}^{*} $ 为模型的泛化误差;$ {s}^{2}\mathrm{为}\mathrm{决}\mathrm{策}\mathrm{树}\mathrm{模}\mathrm{型}\mathrm{的}\mathrm{平}\mathrm{均}\mathrm{强}\mathrm{度} $ ;$ S $ 为研究区内所有单元总数;$;S_{i} $ 为研究区内含有单个评价因子的单元数;$ \bar {\rho } $ 为决策树模型之间相关度的平均值。
计量
- 文章访问数: 39
- HTML全文浏览量: 10
- PDF下载量: 1