CN103399344B - 一种地震后崩滑灾害发生位置的预测方法 - Google Patents
一种地震后崩滑灾害发生位置的预测方法 Download PDFInfo
- Publication number
- CN103399344B CN103399344B CN201310314777.0A CN201310314777A CN103399344B CN 103399344 B CN103399344 B CN 103399344B CN 201310314777 A CN201310314777 A CN 201310314777A CN 103399344 B CN103399344 B CN 103399344B
- Authority
- CN
- China
- Prior art keywords
- earthquake
- collapse
- disaster
- newmark
- landslide
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000006073 displacement reaction Methods 0.000 claims abstract description 76
- 238000007477 logistic regression Methods 0.000 claims abstract description 45
- 230000036961 partial effect Effects 0.000 claims abstract description 23
- 239000011435 rock Substances 0.000 claims description 46
- 230000001133 acceleration Effects 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 31
- 230000000694 effects Effects 0.000 description 22
- 238000011160 research Methods 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 15
- 230000001419 dependent effect Effects 0.000 description 11
- 238000007619 statistical method Methods 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 9
- 239000002689 soil Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000012502 risk assessment Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 4
- 235000017491 Bambusa tulda Nutrition 0.000 description 4
- 241001330002 Bambuseae Species 0.000 description 4
- 241001494479 Pecora Species 0.000 description 4
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 4
- 239000011425 bamboo Substances 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000008278 dynamic mechanism Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229910001374 Invar Inorganic materials 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种地震后发生崩滑灾害位置的预测方法,该方法包括,获取待预测空间的多个基础地理参数,多个地质参数,地震参数,至少一个已知崩滑点的地理位置和多个未崩滑点的地理位置;基于Newmark位移模型计算Newmark位移量Dn;以预测位置距河流距离、距断裂带距离、地形起伏度和Newmark位移量Dn构建二元Logistic回归方程式;将所述已知崩滑点和未崩滑点各参数和计算得到的Newmark位移量Dn作为已知条件,计算回归方程式中各自变量因子的偏回归系数;利用计算得到的偏回归系数构建该待预测空间的崩滑灾害预测模型。
Description
技术领域
本发明涉及地震后减灾防灾以及灾害的风险评估技术领域,更具体地,本发明涉及一种地震后发生崩滑灾害位置的预测方法。
背景技术
地震作为一种破坏性灾害,对人类的生命和财产安全都造成了极大的威胁。强烈地震在对地面建筑物造成破坏的同时,也常常诱发次生灾害。特别是在山区,地震常常触发大量次生地质灾害,这些崩塌、滑坡、泥石流等灾害的发生加重了地震损失,其造成的损失有时甚至超过了地震本身造成的直接损失。震后的崩塌、滑坡灾害是继地震发生后最先触发的一类地质灾害,同时也为泥石流、堰塞湖灾害的发生奠定了物源基础。震后的崩塌、滑坡灾害既可以是随地震的发生同时产生,也可以是地震后一定时间后才发生。
我国位于环太平洋地震带和地中海-喜马拉雅地震带的交界处,是世界地震多发国之一。同时,我国也是一个多山的国家,山地、丘陵面积约占国土面积的70%。多震与多山的叠加,使得我国地震诱发的崩塌、滑坡等次生地质灾害频发,且损失巨大、危害严重。从1500-1949年间,有准确记载产生过次生崩塌、滑坡灾害的地震有134次。我国是世界上崩塌、滑坡、泥石流特别严重的国家之一,每年因地质灾害造成的直接经济损失占自然灾害总损失的20%以上。事实表明,发生在我国西南山区的强烈地震往往会引发大规模的崩塌或滑坡,造成严重的经济损失和人员伤亡。2008年5月12日,汶川大地震引发了数以万计的崩塌、滑坡等次生地质灾害,给灾区人民生命和财产安全造成了惨痛损失,并且在相当长的一段时间内,对人们生命财产和公共设施安全仍然存在巨大威胁。据估计,汶川地震触发的地质灾害点有3~4万处,以崩塌、滑坡、滚石为主。殷跃平等人的调查发现,汶川地震诱发了近15000处崩塌、滑坡、泥石流灾害,导致了约20000人死亡。有时,地震触发的地质灾害损失比地震本身造成的损失还要大,例如,2012年9月7日,云南省邵通市的彝良5.7级地震中的遇难者大多数是死于地震触发的滚石灾害。2013年4月20日发生在四川省雅安市的芦山地震也触发了大量的崩塌、滑坡灾害,堵塞并切断了交通,严重影响了救援人员和物资的运送。可见,地震后的崩滑灾害是西南山区不容忽视的次生地质灾害。
滑坡和崩塌常常相伴而生,它们有着无法分割的联系,产生于相同的地质构造环境中和相同的地层岩性构造条件下,且有着相同的触发因素,容易产生滑坡的地带也是崩塌的易发区,因此滑坡式崩塌或崩塌型滑坡也被称为崩滑流。崩塌、滑坡在一定条件下可互相诱发、互相转化。本文上下文中地震引发的崩塌和滑坡被也被简称为崩滑灾害。
了解震后崩滑灾害的分布特征对灾后重建和风险评估都具有重要意义。目前,针对震后崩滑灾害分布特征的研究有很多,主要方法是通过现场调查和遥感影像解译,获取震后滑坡分布信息,并基于GIS研究不同环境背景下的滑坡分布情况,统计分析在不同烈度区、不同高程、不同坡度、不同岩性等条件下滑坡的分布状况,探索其分布规律。震后崩滑灾害分布特征的研究为进一步探索发现地震-滑坡影响因素奠定了重要基础。现有观点认为地震滑坡的影响区域是所有滑坡点的外边界所包围区域的面积,并认为这些区域所经受的地震动强烈程度足以诱发滑坡和崩塌。研究发现,地震-滑坡的影响因素主要有:地震参数、地质构造、岩体性质、地形地貌、水文地质、人类活动等。基于这些影响因素来构建预测地震后崩滑灾害的发生概率的模型,可以有效确定区域震后崩滑灾害危险性分布,为指挥防灾、救灾工作提供决策依据,对灾后恢复重建、规划和经济发展具有的指导意义,同时也为进一步的灾害风险研究奠定了基础。
高精度遥感技术和GIS技术的发展应用,为震后崩滑灾害的分布特征和影响因素研究提供了有利的技术支持,对于了解地震-滑坡发生机制,进一步开展风险评估具有重要作用。
从已有的研究方法看,崩滑灾害的危险性可以分为两种:一是统计分析法,二是斜坡稳定性分析法。
统计分析法是基于数理统计的原理与方法而建立的预测模型,一般过程是首先对影响滑坡发生的控制因素,如地质、倾角、地形特征等采用数理统计方法对滑坡的发生与影响因素的空间关系进行分析,并尝试找出统计规律,最后基于相应的规律对未来滑坡灾害发生的危险性做出预测判断。采用数理统计方法对震后滑坡、崩塌的发生与影响因子的关系进行分析,找出统计规律,并预测未来危险性的过程中最常用到的方法是Logistic回归分析。Logistic回归分析是一种概率型非线性回归模型,用于研究分类观察结果与一些影响因素的之间关系的一种多变量分析方法。对于分类观察结果仅有两种状态的二分类变量的Logistic回归就称为是二元Logistic回归。在二元Logistic回归中,回归方程中的因变量实质上是概率,而不是变量本身。
二元Logistic回归方程式表达如下:
式中,P为因变量,是自变量因子相对于某一事件的发生概率,取值范围为[0,1];xj是自变量因子,j为正整数,是影响事件发生的因素;β0,…βj是偏回归系数,反映自变量因子xj对P的影响能力大小。在崩滑灾害易发性、危险性评价中所使用的二元Logistic回归方程中,因变量是1、0变量,表示“崩滑”、“未崩滑”含义,自变量是崩滑发生的影响因素。
赵彬在题目为“基于GIS的汶川地震地质灾害危险性评价研究”的文章中,见[D].首都师范大学,2011,以汶川县为研究对象,基于GIS和Logistic回归模型建立起了地质灾害敏感性评价模型,并基于敏感性分析尝试进行了危险性区划。周伟在题目为“基于Logistic回归和SINMAP模型的白龙江流域滑坡危险性评价研究”的文章中,见[D].兰州大学,2012,在分析了滑坡灾害影响因子的基础上,选取了16个滑坡影响因子,例如包括高程、NDVI、坡度、岩性、河流距离、60分钟平均降雨量以及土地利用等,次要影响因子分别为24小时平均降雨量和坡向等,在GIS的支持下将Logistic回归模型和SINMAP(StabilityIndexMapping)模型应用到白龙江流域的滑坡危险性评价中,研究发现Logistic回归模型精度为70.24%,对区域滑坡灾害危险性评价效果优于SINMAP模型。利用统计分析法研究地震滑坡、崩塌灾害的危险性是目前地震崩滑灾害危险性评价中较普遍的方法,应用效果良好,但是这种方法大多是基于数学的统计规律,忽视了地震崩滑灾害的动力学机制。
斜坡稳定性分析法是基于区域岩土力学性质和力学分析,采用传统的斜坡稳定性计算模型对区域滑坡的易发性、危险性进行预测。在震后崩滑灾害研究中,斜坡稳定性法能够从动力学机制上分析崩滑灾害。1965年Newmark等人针对地震可能引发的水库垮坝危险进行了物理成因的定量分析,提出一种预测地震作用下滑坡位移量的简便方法,对边坡的稳定性通过临界加速度来加以判断。Newmark模型后期不断得到改进,并在地震滑坡风险评估中得到广泛应用。例如,Jibson等人研究了1994年北岭地震后Newmark移值分布,并结合实际的滑坡编目构建了地震滑坡预测曲线,见JibsonR.W.,HarpE.L.,MichaelJ.A.“Amethodforproducingdigitalprobabilisticseismiclandslidehazardmaps”,[J].EngineeringGeology,2000,58(3–4):271-289。进一步Jibson等人研究了Newmark位移量Dn与(1)地震临界加速度;(2)临界加速度率和地震震级;(3)Arias强度值和临界加速度;(4)Arias强度值和临界加速度率四个方面之间的关系,见JibsonR.W.“Regressionmodelsforestimatingcoseismiclandslidedisplacement”,[J].EngineeringGeology,2007,91(2–4):209-218。过去的研究表明,Newmark位移计算模型是预测地震-滑坡较为有效的方法,但其适用范围有一定的局限性,一方面主要适用于岩体的浅层滑坡预测分析;另一方面,由于模型对相关参数的精度要求较高,因此很难应用于大区域的预测分析。此外,Newmark位移计算模型是基于理想斜坡构建的,对实际的地震崩滑灾害影响因素的考虑也不够全面。
综上所述,统计分析法和Newmark位移计算模型在震后崩滑灾害危险性分析中各有利弊。在目前的研究中,统计分析法和Newmark模型的运用基本上是独立的,现有技术只采用其中的一种方法进行计算分析。
因此,需要构建一种既考虑了滑坡发生影响因子的空间分布又考虑了斜坡破坏力学计算模型的震后崩滑灾害危险性预测方法,以期正确地预测震后崩滑灾害的危险性。
发明内容
为了解决上述技术问题,一种既考虑了滑坡发生影响因子的空间分布又考虑了斜坡破坏力学计算模型的地震后发生崩滑灾害的预测方法。
根据本发明的一个方面,提供一种地震后发生崩滑灾害位置的预测方法,该方法包括以下步骤:
获取待预测空间的多个基础地理参数,多个地质参数,地震参数,至少一个已知崩滑点的地理位置和多个未崩滑点的地理位置;
基于Newmark位移模型计算Newmark位移量Dn;
以多个基础地理相关参数中至少一部分和Newmark位移量Dn作为自变量因子构建崩滑灾害预测模型的二元Logistic回归方程式;
将所述已知崩滑点和所述未崩滑点地理位置、各位置的所述地理相关参数和计算得到的Newmark位移量Dn作为所述二元Logistic回归方程式的已知条件,计算所述二元Logistic回归方程式中各自变量因子的偏回归系数;
利用计算得到的偏回归系数构建该待预测空间的崩滑灾害预测模型。
优选地,所述基础地理参数包括坡度、地形起伏度、断裂带位置、河流位置中的一项或多项;所述地质参数包括岩体完整程度、岩体质量、岩体物理学参数和岩组强度中的一项或多项;所述地震参数包括震级,震源深度以及震中坐标中的一项或多项。
优选地,所述预测模型的二元Logistic回归方程式如下所示:
其中,P为待预测空间内任一位置震后崩滑的发生概率;
x1,…,x4分别为ln(该位置距河流距离),ln(该位置距断裂带距离),ln(地形起伏度)和ln(Dn)。
优选地,所述非崩滑点利用ArcGIS中的createrandompoints工具在实际崩滑点外随机生成。
优选地,所述非崩滑点在距实际崩滑点200m外的范围随机生成。
优选地,根据下述公式计算Newmark位移量Dn,
logDn=1.521logIa-1.993logAc-1.546±0.375
其中,Ia为Arias强度,m/s;Ac为临界加速度。
优选地,根据下面的公式计算Arias强度Ia,
其中,M为矩震级,r为震源距。
优选地,以最大烈度区域的中心线作为线性震源,计算震源距。
优选地,该方法适用于滑坡体厚度小于6m的崩滑灾害预测。
根据本发明的另一方面,提供一种中国西南部地区地震后发生崩滑灾害位置的预测方法,包括:
获取待预测空间的多个基础地理参数,多个地质参数,地震参数,至少一个已知崩滑点的地理位置和多个未崩滑点的地理位置;
基于Newmark位移模型计算Newmark位移量Dn;
利用下述公式计算预测空间内待预测位置发生崩滑灾害的概率,
式中,P为待预测空间内任一位置震后崩滑的发生概率;
x1,…,x4分别为ln(该位置距河流距离),ln(该位置距断裂带距离),ln(地形起伏度)和ln(Dn),其中,
β0=2.438~1.297;
β1=-0.798~-0.524;
β2=-0.431~-0.436;
β3=1.272~1.134;
β4=0.318~0.314。
在GIS技术和SPSS统计分析软件的支持下,在提取影响震后崩塌、滑坡灾害发生的相关环境因素以及相关环境因素与崩滑灾害的空间分布关系后,可以初步确定,坡度、地形起伏度、岩土性质、风化侵蚀程度、地震震级等都是影响震后崩塌、滑坡灾害发生的重要因素。同时,可以观察到河流和断裂带对于崩滑灾害的分布有很强的控制作用,主要是由于对河流和断裂带的存在加强了斜坡两侧岩土的侵蚀和风化作用,使得岩土体抗剪切能力下降,从而造成该区域地质环境异常脆弱,极易发生崩塌、滑坡灾害。
根据本发明的方法,在对震后崩滑灾害主要影响因素分析的基础上,利用Newmark位移模型的Newmark位移量计算结果,利用二元Logistic回归分析进行模型建立和概率预测。通过选取Dn值、距河流距离、距断裂带距离和地形起伏度四个自变量因子建立概率模型,计算每个自变量因子的偏回归系数并构建概率预测模型,用于地震后区域崩滑灾害发生概率的预测分析。
本发明分别以2008年5月12日发生在中国四川省汶川县的Ms8.0级特大地震后的汶川县、北川县和绵竹县为例,建立了优选适用于我国西南部区域的预测震后崩滑灾害发生的概率模型。通过与实际崩滑点的比对以及ROC检验,本发明建立的概率模型预测正确率达75%以上,预测效果好。
附图说明
图1示出根据本发明的预测方法的流程图;
图2示出本发明各实施例相关区域的地震烈度分布图;
图3示出实施例1相关区域的工程岩组分布;
图4示出实施例1相关区域的地形坡度分布图;
图5示出实施例1相关区域的边坡静态安全系数分布;
图6示出实施例1相关区域的边坡临界加速度分布;
图7示出实施例1相关区域的Arias强度分布;
图8示出实施例1相关区域的Newmark累积位移Dn分布;
图9示出根据实施例1得到的预测模型的ROC曲线;
图10示出根据实施例1的相关区域的灾害发生概率分布及崩滑点分布;
图11示出实施例1相关区域Dn及崩滑点位分布;
图12示出实施例2相关区域Dn及崩滑点位分布;
图13示出实施例2的ROC曲线;
图14示出实施例3的的ROC曲线;
图15示出实施例3的相关区域的灾害发生概率分布及崩滑点分布
图16示出实施例4的ROC曲线;
图17示出实施例5的相关区域Dn及崩滑点位分布;
图18示出实施例5的预测模型的ROC曲线;
图19示出实施例5的相关区域的灾害发生概率分布及崩滑点分布。
具体实施方式
下面参照附图并结合具体实施方式来对本发明的优选实施例进行详细说明。
根据本发明的技术方案,通过将Newmark位移量与河流、断裂带、地形起伏度结合起来,利用二元Logistic回归模型建立概率函数,进行区域震后崩滑灾害的发生概率预测。
下面参照图1详细说明根据本发明的地震后发生崩滑灾害位置的预测方法。
步骤S110,在地震发生后,获取可能发生崩滑灾害的待预测空间的多个基础地理参数,多个地质参数,地震参数,至少一个已知崩滑点的地理位置和多个未崩滑点的地理位置。
如本领域技术人员所公知的,影响震后崩滑灾害发生的因素有地理参数,如高程、坡度、地形起伏度、断裂带位置和河流位置等;地质参数,如地层岩性,包括岩体完整程度、岩体质量、岩体物理学参数等;以及各种地震参数,如震级、震源深度以及震中坐标等。可以利用国家国土资源部、中国地质调查局等编制的地震灾区航天遥感应急调查等图集中的数据显示,获取崩滑点位经纬度坐标。可以利用ArcGIS在实际崩滑点的例如200m外随机生成多个非崩滑点,确定非崩滑点位经纬度坐标。根据相关地区的遥感影像分析,确定各崩滑点和非崩滑点与基础地理参数相关的基础地理相关参数,例如各位置的高程、坡度、地形起伏度、地层岩性、距断裂带距离和距河流距离等。
Newmark简化位移计算模型中涉及到的地震参数主要是地震震级、震中位置和震源深度。可以根据国家地震局发布的地震的基本地震参数及烈度图获取地震参数。
步骤120,基于Newmark位移模型计算Newmark位移量Dn。
在Newmark简化位移中考虑到的因素有坡度、地层岩性和地震烈度。Newmark模型的位移量Dn可以看作是震后崩滑灾害发生的一个影响因素,其综合了地形坡度、地层岩性和地震动强度因子的影响,崩滑灾害发生的可能性随Dn的增大而增加。
Newmark位移计算模型构建的理论基础是斜坡极限平衡理论,适用于地震诱发的浅层滑坡研究。该模型基于区域地质、地貌环境分析斜坡稳定性,从而得到区域斜坡发生位移的临界加速,当地震发生时,区域斜坡受力产生的加速度超过临界加速后,斜坡就会逐渐失去稳定,沿破坏面发生滑动,产生永久位移,永久位移值在一定程度上表征了震后滑坡发生的可能性大小。这里的永久位移值是通过对地震外力加速度与临界加速度的差值部分进行二次积分得到的,其公式可表达为:
Dn=∫t∫t[a(t)-ac]dt式I-1
式I-1中,Newmark永久位移量Dn的决定因子是地震动强度和临界加速ac。对于临界加速度ac的计算,通常是利用无限斜坡法计算安全系数(Fs),再间接求解临界加速度ac,计算过程如下:
计算斜坡静态安全系数Fs:
式I-2
C'——有效内聚力,z——破坏面深度,m;
γ——岩土体重度,N/m3;zw——破坏面以上的地下水位埋深,
m——zw/z,无量纲;β——边坡坡面倾角,(°);
γ——水的重度,N/m3;——有效内摩擦角,(°);
计算临界加速度ac:
ac=(Fs-1)gsinβ式I-3
其中,Fs为静态安全系数,g为重力加速度,β为边坡坡面倾角。
式I-1中的地震动强度通常利用地震动峰值加速度(PGA)和峰值速度(PGV)来描述,二者都取决于强震记录中高频短时的脉冲。但地震的破坏力与振动频率、幅度、持续时间都有关系,仅使用振动频率不能完整反映地震的破坏结果。
1970年,美国科学家Arias提出了一个综合衡量地震动强度的量,即Arias强度(AriasIntensity),包括了振动频率、幅度和持续时间全部信息,较全面的反映了地震动的整体情况。Arias强度通过强震记录中地震动加速度的平方在强震持时内对时间积分,然后乘以常数确定,见式I-4:
其中,Ia为Arias强度,单位是m/s;a(t)是强震仪记录单分量加速度时间序列;Td是强震仪记录的持续时间;t是以秒为单位的时间;g是重力加速度。
Wilson和Keefer等人最先将Arias强度引入地震触发的滑坡研究中,利用多次强震记录得到Arias强度随震级、距离的衰减关系。之后Wilson等人利用已有地震动资料,通过数值分析方法,改进了Arias强度的区域衰减经验公式,得到式I-5。
其中,Ia为Arias强度,M为矩震级,r为震源距。
由于Arias强度能够完整描述地震动强度,因此将其引入Newmark位移计算模型中,结合临界加速度ac,建立相应的函数方程预测Newmark位移量Dn,从而用于区域地震滑坡的危险性评估。
Jibson,R.W.等人分别在在题目为“AMethodforProducingDigitalProbabilisticSeismicLandslideHazardMaps:AnExamplefromtheLosAngeles,California,Area”,Technicalreport[R].USGeologicalSurveyOpen-Filereport,1997:98-113,和题目为“EvaluatingEarthquake-TriggeredLandslideHazardattheBasinScaleThroughGisintheUpperSeleRiverValley”,[J].SurveysinGeophysics,2002,23:595-625的文章中建立的下述对数回归方程式I-6应用最为广泛:
logDn=1.521logIa-1.993logAc-1.546±0.375式I-6
其中,Dn为Newmark位移值,cm;Ia为Arias强度,m/s;ac为临界加速度。
Newmark位移计算模型的基本原理为本领域技术人员所公知,上述公式示出的简化后的Newmark模型对地震参数的要求降低,使得其应用更加容易。
步骤S130,以多个基础地理相关参数和Newmark位移量Dn作为自变量因子构建崩滑灾害预测模型的二元Logistic回归方程式I-7,
式中,P为待预测空间内任一位置震后崩塌、滑坡的发生概率;
x1,…,x4分别为ln(该位置距河流距离),ln(该位置距断裂带距离),ln(地形起伏度)和ln(Dn)。
如前所述,由于Newmark模型中未能全面考虑震后崩滑灾害发生的影响因素,在该步骤中利用Logistic回归模型,在计算得到的Newmark位移量Dn基础上,补充影响因子,建立震后崩滑灾害预测模型。在本发明中,补充的影响因子有待预测位置距河流的距离,距断裂带距离和地形起伏度。
步骤S140,利用已知条件计算所述二元Logistic回归方程式中各自变量因子的偏回归系数。
在该步骤中,对于已获取的崩滑点,在二元Logistic回归分析中可将因变量赋值为1。对于非崩滑点,在二元Logistic回归分析中可将因变量赋值为0。基于崩滑点和非崩滑点的坐标,相应点位上的地形起伏度、距断裂带距离、距河流距离、和Newmark位移量Dn等自变量因子的数值,可计算自变量因子的偏回归系数。
步骤S150,利用计算得到的偏回归系数构建该待预测崩滑灾害空间的崩滑灾害预测模型。
将在步骤S140得到的系数代入方程式I-7,得到根据本发明的崩滑灾害预测模型。
根据本发明的一个有益方面,可以从已经发生的地震和崩滑灾害的统计数据中获取相关地质参数和地震参数并构建预测模型,将得到的预测模型应用于与已发生地震的区域邻近的区域或具有类似的地理特征的地区的震后崩滑灾害预测。根据本发明的另一有益方面,可以利用本发明的方法从正在发生的地震和崩滑灾害中实时获取相关地质参数和地震参数并构建预测模型,并利用所构建的预测模型对该场地震可能发生的震后崩滑灾害的位置进行预测,以有效保护国家和个人生命财产的安全。
下面将结合本发明优选实施例具体说明根据本发明的地震后崩滑灾害的预测方法。
实施例1
下面将以我国四川省汶川县震后崩滑灾害分析为例,具体说明根据本发明的地震后发生崩滑灾害的预测模型构建方法。
据国土资源部、中国地质调查局编制的《汶川地震灾区航天遥感应急调查》图集中的数据显示,汶川县震后实际崩滑点有1904个,在二元Logistic回归分析中将这些点的因变量赋值为1,表示崩滑点。对于非崩滑点,该实施例中利用ArcGIS中的createrandompoints工具随机生成。考虑到实际崩滑点在一定区域范围内分布的不确定性,实施例例如以实际崩滑点为圆心,200m为半径划出实际崩滑点的发生范围,假设在此范围外为未发生崩塌、滑坡的区域。在该未发生崩塌、滑坡的区域内随机生成2000个点位,赋值为0,表示非崩滑点。
首先,基于如上所述的崩滑点和非崩滑点,提取相应点位上的坐标、地形起伏度、距断裂带距离、距河流距离,以及用于计算Newmark位移量Dn的各种地理信息和地震参数,用于回归分析。本文中汶川县河流数据是利用ArcGIS,基于区域DEM数据进行水文分析后提取的水系分布数据。
随后,基于Newmark位移计算模型确定Newmark位移量Dn。
1.地震参数
Newmark简化位移计算模型中涉及到的地震参数主要是地震震级、震中位置和震源深度。5.12汶川大地震后中国地震局和美国地质调查局国家地震信息中心都发布了汶川地震包括震级、时间、震源深度和震中坐标等的基本地震参数及烈度图,见图2。由于Newmark简化模型中,Arias强度计算公式I-5中的参数是矩震级,因此本实施例中的震级参数采用美国地质调查局的7.9级,其它地震参数采用中国地震局公布的结果。
从图2看以看出,汶川地震震中位于映秀镇,震源深度14km(中国地震局),破裂向北东方向扩展。进一步,Ⅺ烈度的极震区自震中向北东方向延伸,面积较大,仅用震源距远近来描述地震对地表破裂的影响与现实不符。因此,本实施例考虑采用烈度为Ⅺ度区域的中心线作为线性震源,震源深度采用14km,计算震源距r。
2.工程地质参数
Newmark简化模型中,参与确定临界加速度ac的重要参数——斜坡静态安全系数Fs的计算需要依据当地的地形和岩性数据。其中岩性数据,本实施例中采用工程岩组数据代替。工程岩组数据由工程岩组分布图和对应的物理力学参数构成。本实施例参照祁生文等人编绘的汶川地震重灾区工程岩组图来确定汶川县工程岩组分布图,见图3,参见汶川地震极重灾区地质背景及次生斜坡灾害空间发育规律[J].工程地质学报,2009,(1):39-49。
对应的工程岩组物理力学参数,如有效内摩擦角有效内聚力(C')、重度(γ)等主要参考《工程岩体分级标准》(GB50218-94);《建筑地基基础设计规范》(GB50007-2002);《岩土工程勘察规范》(GB50021-2001),表1-1,1-2,1-3等标准确定。由于Newmark位移模型中的潜在滑动面实际代表了岩体结构面,而结构面很大程度上控制了岩体强度,因此本实施例使用结构面的经验参数进行计算分析。
据野外调查结果显示,汶川县东北部坚硬岩构成的岩质边坡一般发育3~4组裂隙,岩体破碎,完整性较差,据表1-1,1-2,1-3,对其岩性参数做相应调整,汶川县各工程岩组对应的参数如表1-4所示。
表1-1岩体完整程度的定性划分
表1-2岩体基本质量分级
表1-3岩体及结构面物理力学参数
表1-4汶川县工程岩组物理力学参数
岩性 | 岩性代码 | 重度(N/m3) | 内摩擦角(°) | 粘聚力(Pa) |
坚硬岩 | Ⅰ | 27500 | 29 | 120000 |
较硬岩 | Ⅱ | 26500 | 24 | 100000 |
较软岩 | Ⅲ | 25500 | 19 | 80000 |
软岩 | Ⅳ | 23500 | 16 | 70000 |
极软岩 | Ⅴ | 21500 | 13 | 50000 |
表1-5汶川县工程地质岩组强度折减系数
此外,考虑到岩体遇水的软化性,其强度指标有效内聚力和内摩擦角实际上比表1-4中的经验值要低,因此对表1-4中的经验值分别进行折减,折减关系为表1-5。
3.其它参数
确定边坡临界加速度ac的值,主要是依赖于区域地质、地貌及水文环境。从上述式I-2、式I-3的表达式可以看出:坡面倾角、岩土抗剪切强度、含水层深度、以及滑坡面深度决定着ac的大小。其中,区域岩土抗剪切强度参数已经在工程地质参数一节中论述,这里主要解决剩余的其他参数。
边坡坡面倾角(β)通过区域DEM高程数据计算得到。本文DEM数据来源于国家科学数据服务平台发布的30m分辨率的数字高程数据产品,通过数据拼接、融合、裁剪得到汶川县DEM高程分布图,从而计算得到全县的地形坡度分布图(30m×30m),见图4。汶川县大部分区域地形坡度在30°以上,小于10°的斜坡分布面积较小,主要集中在东南部的漩口镇、水磨镇一带。
Newmark简化模型中的滑坡面深度即为滑坡厚度,不同类型的滑坡,其滑坡体厚度不同。汶川地震震后滑坡调查分析数据表明,汶川地区的滑坡深度一般小于3m。按照滑坡厚度进行的滑坡分类中,滑坡体厚度<6m的为浅层滑坡,因此,汶川震后的滑坡主要属于浅层滑坡,正好满足Newmark位移计算模型适用于浅层滑坡的优选条件。但是对于区域而言,滑坡厚度仍然存在不确定性,Khazai等人提出了边坡坡度和滑破厚度的关系,滑坡厚度随坡度的增加而减小,见Khazai,B.,Sitar,N.Landslidinginnativeground:aGIS-basedapproachtoregionalseismicslopestabilityassessment,report,http:// www.ce.berkeley.edu/*khazai/Research/,2000。本实施例依据此关系确定滑坡厚度,见表1-6。
表1-6汶川滑坡厚度与坡度关系
边坡坡度 | 滑坡厚度 |
0-30° | 4m |
30-40° | 3m |
40-60° | 2m |
>60° | 1m |
滑坡体的含水层厚度也是计算中要考虑的参数。汶川县地处亚热带湿润气候带,气候潮湿,夏季受东南季风和西南季风影响,加之又处在迎风坡上,高温多雨,年降水量为700~1200mm,且主要集中在5~9月。因此,本文考虑降雨入渗导致滑坡体完全饱和的情况,取饱和滑坡体对整体厚度之比m=1。
4.基于Newmark模型的震后Newmark位移Dn
基于ArcGIS软件平台,利用Newmark简化模型能够实现对震后崩滑灾害空间易发性的评价。依据上述式I-2、I-3、I-5和式I-6,根据区域岩土力学性质和边坡坡度,分析边坡由于自身固有属性而导致的崩塌、滑坡易发性即临界加速度ac;计算不同地区所受地震动强度的大小即Arias强度;基于计算得到的临界加速度和Arias强度,计算Newmark位移量Dn。
(1)临界加速ac
基于区域岩土力学强度和区域坡度数据,采用公式I-2、I-3计算静态安全系数和临界加速度,结果如图5和图6所示。临界加速度分布图表征了在相同的地震动荷载背景下,由于边坡固有性质造成的崩滑易发程度差异。不考虑地震动对不同区域的影响,临界加速度越小的区域越容易发生崩滑灾害。
(2)Arias强度Ia
依据上述式I-5计算Arias强度,反映地震动对不同区域的影响大小,结果图7所示。由于本文中的震源距是按照距Ⅺ度烈度区的中心线距离计算的,因此,Arias强度的递减趋势类似于烈度递减模式。
(3)Newmark位移Dn
基于上述临界加速ac和Arias强度Ia计算结果,利用上述式I-6计算得到研究区的Newmark位移Dn分布图,见图8。
随后,以多个基础地理相关参数和计算得到的Newmark位移量Dn作为自变量因子构建崩滑灾害预测模型的二元Logistic回归方程式。
本实施例在Newmark模型的基础上,考虑到河流、断裂带和地形等因素都影响着崩滑灾害的分布,将Newmark位移量与河流、断裂带和地形起伏度结合起来,利用二元Logistic回归模型建立概率函数,进行区域震后崩滑灾害的发生概率预测,见式I-7。
表2-1汶川县Logistic回归方程中的各偏回归系数β
变量 | 系数β | 标准误差 | Waldχ2 | 自由度 | 显著水平 | Exp(B) |
常数 | 2.438 | 0.714 | 11.669 | 1 | 0.001 | 11.456 |
ln(距河流距离) | -0.798 | 0.035 | 505.316 | 1 | 0.000 | 0.450 |
ln(距断裂带距离) | -0.431 | 0.035 | 149.063 | 1 | 0.000 | 0.650 |
ln(地形起伏度) | 1.272 | 0.139 | 83.786 | 1 | 0.000 | 3.568 |
ln(Dn) | 0.318 | 0.040 | 64.413 | 1 | 0.000 | 1.375 |
随后,将在先步骤中获取的1904个崩滑点和2000个崩滑点的距河流距离,距断裂带距离,地形起伏度和计算得到的Dn值代入上述式I-7,求解该方程式I-7得到汶川县Logistic回归方程中的各偏回归系数β,如表2-1所示。
将表2-1中的各偏回归系数代入式I-7得到汶川县山区震后崩滑灾害的发生概率模型式I-8:
式中,P为待预测空间内任一位置震后崩滑的发生概率;
x1,…,x4分别为ln(该位置距河流距离),ln(该位置距断裂带距离),ln(地形起伏度)和ln(Dn)。
从表2-1中偏回归系数可以看出,崩滑发生概率与距河流距离、距断裂带距离成负相关关系,与Newmark位移量Dn成正相关关系。Exp(B)是优势比,表示自变量每变化一个单位,崩滑出现的概率与不出现概率的比值是变化前相应比值的倍数。Exp(B)反映了影响因素与崩滑灾害的关联强度,当Exp(B)>1,影响因素与崩滑灾害的危险度增加,正相关;Exp(B)<1,影响因素与崩滑灾害的危险度减小,负相关;Exp(B)=1,影响因素与崩滑灾害的危险度无关。由表2-1可以看出,Dn值越大,距河流距离越小、距断裂带距离越小的区域越容易发生滑坡。
预测模型拟合效果检验
如上所述,通过二元Logistic回归分析建立了汶川县震后崩滑灾害的预测模型式I-8。本实施例通过ROC曲线来验证模型的正确率。
ROC曲线是受试者工作特征(ReceiverOperatingCharacteristic)的缩写,它是一种广泛应用的数据统计方法。应用ROC曲线可以帮助研究者确定合理的概率分类点,即将概率大于(或小于)多少的研究对象判断为发生结果(或未发生结果)。模型预测效果最佳时,ROC曲线应该是从左下角垂直上升至顶,然后水平方向向右延伸至最右上角。图9为汶川县震后崩滑灾害发生概率模型式I-8应用于汶川地区的ROC曲线,其形态基本符合最佳预测效果的ROC曲线形态,可见,该模型对汶川地区的预测效果较好。
通常,通过计算ROC曲线下面积(AreaUnderCurve,简称AUC),来定量表示模型预测成功率。对图9进行AUC计算,见表2-2,得到的结果是实施例1建立的Logistic回归模型的预测成功率达85.3%,预测效果良好,能够用于实际的震后崩滑灾害发生概率预测。
表2-2AUC统计分析
图10给出了根据实施例1建立的震后崩滑灾害发生概率模型式I-8预测的震后崩塌、滑坡灾害发生概率的大小与实际崩塌、滑坡灾害点位分布状况。从该图可以看出,震后崩滑灾害发生概率高的区域相对比较集中,主要沿河流、断裂带呈条带状分布。总体来看,东部和北部区域内崩滑灾害高发区域的面积较大,主要由于构造断裂带主要分布在这些地区,同时Newmark位移值Dn在东部地区也较高,这些因素综合起来控制了崩滑灾害的宏观分布范围。从崩滑灾害发生的概率预测结果与实际崩滑点位的对比效果来看,崩滑灾害高危险区与实际崩滑灾害的分布比较一致。
对比例1
图11给出了汶川县Newmark位移值Dn分布与实际崩塌、滑坡灾害点位分布状况。从该图可以看出,Dn>3cm的区域与实际崩滑点位的分布区域大体上是比较吻合的,但是通过提取崩滑点位相应点的Dn值,并统计落在Dn>3cm区域内的实际崩滑点个数发现,Dn>3cm区域内的实际崩滑发生率仅为35%左右,可见Newmark模型对崩滑灾害分布趋势的预测较好,但对单个崩滑灾害预测的正确率较低。
Newmark简化位移模型主要依赖于边坡岩性特征和地震动影响的差异,虽然较全面的考虑了崩塌、滑坡发生的工程岩性特征和触发因素,但忽略了区域地形、地貌格局特征。例如,缺乏对河流切割作用考虑,缺乏对断裂构造影响的考虑等。
比较对比例1可以看出,根据本发明的基于Newmark位移分析和二元Logistic回归分析建立的震后崩滑灾害发生概率模型I-8对大范围的危险区划和局部危险位置的预测准确率高,预测效果好,能够兼顾宏观和微观两个层面。
实施例2
该实施例通过ROC曲线来验证实施例1所建立的预测模型式I-8应用于四川省北川县时的预测效果。
北川羌族自治县位于四川盆地西北部。地理坐标:北纬31°35′—31°38′2″,东经104°26′15″—104°29′10″。东接江油市,南邻安县,西靠茂县,北抵松潘、平武,幅员面积为2867.83平方千米。
按照发明实施例1建立的震后崩滑灾害发生概率模型式I-8,对北川县区域地震诱发崩塌、滑坡灾害的发生概率预测过程主要分为三部分:获取地理参数、地质参数和地震参数,计算该区域的Newmark位移量Dn和评价根据本发明的方法和所建立的预测模型和所建立模型的应用效果。
首先,根据如实施例1所述的步骤获取北川县的各种相关参数。
随后,利用所获取的地质参数和地震参数计算Newmark位移量Dn。
北川县坡度图以30m×30m的DEM为基础,通过计算相邻栅格单元之间的高程差与水平距离之比得到。将相关参数带入式I-2、式I-3、式I-5和式I-6中计算北川县内每个栅格值的Newmark累积位移值Dn,据此分析区域震后崩滑灾害的易发性。图12为计算得到的北川县Newmark累计位移分布情况。
随后,利用计算得到Newmark累计位移分布和获取的北川县地理参数,可以将在实施例1中建立的预测模型式I-8用于对北川县震后崩滑灾害发生概率的预测。
为了检验预测模型在北川县的应用效果,本实施例通过ArcGIS在北川县的617个实际崩滑点的200m范围外随机生成617个非崩滑点,分析该模型在北川的预测效果。
同样,采用ROC曲线来检验模型预测效果。图13为实施例1建立的预测模型式I-8在北川县应用后的ROC检验曲线。从曲线形态上看,实施例1的预测模型对北川县震后崩滑灾害的发生概率同样具有较好的预测能力。从AUC计算结果来看,见表2-3,实施例1建立的预测模型对北川县震后崩滑灾害的预测成功率约为80.3%。
表2-3AUC统计分析
综上所述,实施例1建立的预测模型对北川县地震诱发的崩塌、滑坡灾害危险性的预测效果较好。该模型是基于汶川实际崩滑点建立的预测模型,通过该实施例在北川县的应用验证表明该模型对于相似区域有较好的扩展适用性,能够用于我国西南山区的地震崩滑灾害的定量化危险性评估,为震后次生地质灾害的防治奠定基础。
实施例3
下面将以我国四川省北川县震后崩滑灾害分析为例,具体说明根据本发明的地震后发生崩滑灾害的预测模型构建方法。
首先,获取北川县各种相关参数并基于Newmark位移计算模型确定Newmark位移量Dn。
具体步骤参见实施例2相关内容,计算结果如图12所示。
随后,基于发生在北川的617个实际崩滑点以及在北川县实际崩滑点的200m范围外随机生成的617个非崩滑点,对崩滑点的因变量赋值为1,对非崩滑点赋值的因变量赋值为0,利用所获取的各种地理参数和计算得到的Newmark位移量Dn等作为已知条件,对二元Logistic回归方程式I-7求解,得到北川县Logistic回归方程中的各偏回归系数β,如表2-4所示。
表2-4北川县Logistic回归方程中的各偏回归系数β
变量 | 系数 | 标准误差 | Waldχ2 | 自由度 | 显著水平 | Exp(B) |
常数 | 1.297 | 0.689 | 3.541 | 1 | 0.060 | 3.658 |
ln(距河流距离) | -0.524 | 0.032 | 271.904 | 1 | 0.000 | 0.592 |
ln(距断裂带距离) | -0.436 | 0.034 | 166.075 | 1 | 0.000 | 0.646 |
ln(地形起伏度) | 1.134 | 0.133 | 72.381 | 1 | 0.000 | 3.107 |
ln(Dn) | 0.314 | 0.038 | 68.762 | 1 | 0.000 | 1.368 |
将表2-4中的偏回归系数代入式I-7得到北川县山区震后崩滑灾害的发生概率预测模型式I-9:
式中,P为待预测空间内任一位置震后崩塌、滑坡的发生概率;
x1,…,x4分别为ln(该位置距河流距离),ln(该位置距断裂带距离),ln(地形起伏度)和ln(Dn)。
图14示出了震后崩滑灾害发生概率模型I-9的应用于北川县的ROC曲线。通过计算ROC曲线下面积AUC,见表2-5,来定量表示模型预测成功率,得到的结果是实施例3建立的Logistic回归模型式I-9的预测北川崩滑灾害发生的成功率达84.5%,预测效果良好,能够用于实际的震后崩滑灾害发生概率预测。
表2-5AUC统计分析
图15给出了根据实施例3建立的预测震后崩滑灾害发生的概率模型式I-9预测的震后崩塌、滑坡灾害发生概率的大小与实际崩塌、滑坡灾害点位分布状况。从该图可以看出,震后崩滑灾害发生概率高的区域相对比较集中,主要沿河流、断裂带、道路呈条带状分布。从崩滑灾害发生的概率预测结果与实际崩滑点位的对比效果来看,崩滑灾害高危险区与实际崩滑灾害的分布比较一致。
实施例4
该实施例通过ROC曲线两项指标来验证实施例3建立的预测模型式I-9对汶川县的预测效果。
按照发明实施例3建立的震后崩滑灾害发生概率模型式I-9,对汶川县区域地震诱发崩塌、滑坡灾害的发生概率预测过程主要分为三部分:获取地理参数、地质参数和地震参数;计算该区域的Newmark位移量Dn和评价所应用的灾害发生概率模型。
获取汶川县相关地理参数,地质参数,地震参数以及计算Newmark位移量Dn的相关内容已在实施例1中进行了具体描述,这里不再赘述。将所得到的汶川的各相关参数代入在实施例3中建立的预测模型式I-9,可用于对汶川县震后崩滑概率的预测。
表2-6AUC统计分析
图16为震后崩滑灾害发生概率预测模型式I-9在汶川县应用后的ROC检验曲线,从曲线形态上看,预测模型式I-9对汶川县震后崩滑灾害的发生概率有较好的预测能力。从AUC计算结果来看,见表2-6,实施例3的预测模型式I-9对汶川县震后崩滑灾害的预测成功率约为82.9%,预测效果同样良好。
实施例5
下面将以我国四川省绵竹市震后崩滑灾害分析为例,具体说明根据本发明的地震后发生崩滑灾害的预测模型构建方法。
首先,获取绵竹市各种相关参数并基于Newmark位移计算模型确定Newmark位移量Dn,计算结果如图17所示。
随后,基于发生在绵竹市的281个实际崩滑点以及在绵竹市实际崩滑点的200m范围外随机生成的281个非崩滑点,对崩滑点的因变量赋值为1,对非崩滑点赋值的因变量赋值为0,利用二元Logistic回归方程式E,得到绵竹市Logistic回归方程中的各偏回归系数β,如表2-7所示。
将表2-7中的偏回归系数代入式I-7得到绵竹市山区震后崩滑灾害的发生概率预测模型式I-10:
表2-7绵竹市Logistic回归方程中的各偏回归系数β
变量 | 系数 | 标准误差 | Waldχ2 | 自由度 | 显著水平 | Exp(B) |
常数 | -1.534 | 1.724 | 0.792 | 1 | 0.374 | 0.182 |
ln(距河流距离) | -1.633 | 0.173 | 88.877 | 1 | 0.000 | 0.195 |
ln(距断裂带距离) | -0.056 | 0.061 | 0.840 | 1 | 0.360 | 0.945 |
ln(地形起伏度) | 2.722 | 0.321 | 72.151 | 1 | 0.000 | 15.218 |
ln(Dn) | 0.394 | 0.131 | 9.091 | 1 | 0.000 | 1.482 |
式中,P为待预测空间内任一位置震后崩塌、滑坡的发生概率;
x1,…,x4分别为ln(该位置距河流距离),ln(该位置距断裂带距离),ln(地形起伏度)和ln(Dn)。
图18示出了震后崩滑灾害发生概率模型式I-10应用于绵竹市的ROC曲线。通过计算ROC曲线下面积简称AUC,见表2-8,来定量表示模型预测成功率,得到的结果是实施例5建立的Logistic回归模型的预测绵竹市崩滑灾害发生的成功率达92.6%,预测效果良好,能够用于实际的震后崩滑灾害发生概率预测。
图19给出了根据实施例5建立的预测震后崩滑灾害发生的概率模型式I-10预测的震后崩塌、滑坡灾害发生概率的大小与实际崩塌、滑坡灾害点位分布状况。从该图可以看出,震后崩滑灾害发生概率高的区域相对比较集中,主要沿河流、断裂带、道路呈条带状分布。从崩滑灾害发生的概率预测结果与实际崩滑点位的对比效果来看,崩滑灾害高危险区与实际崩滑灾害的分布比较一致。
表2-8AUC统计分析
应当理解,以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种地震后崩滑灾害发生位置的预测方法,该方法包括以下步骤:
获取待预测空间的多个基础地理参数,多个地质参数,地震参数,至少一个已知崩滑点的地理位置和多个未崩滑点的地理位置;
基于Newmark位移模型计算Newmark位移量Dn;
以多个基础地理参数中至少一部分和Newmark位移量Dn作为自变量因子构建崩滑灾害预测模型的二元Logistic回归方程式;
将所述已知崩滑点和所述未崩滑点地理位置、各位置的所述基础地理参数和计算得到的Newmark位移量Dn作为所述二元Logistic回归方程式的已知条件,计算所述二元Logistic回归方程式中各自变量因子的偏回归系数;
利用计算得到的偏回归系数构建该待预测空间的崩滑灾害预测模型,
其特征在于,所述预测模型的二元Logistic回归方程式如下所示:
其中,P为待预测空间内任一位置震后崩滑的发生概率;
x1,…,x4分别为ln(该位置距河流距离),ln(该位置距断裂带距离),ln(地形起伏度)和ln(Dn),
,,…,分别为各自变量因子的偏回归系数。
2.如权利要求1所述的地震后崩滑灾害发生位置的预测方法,其特征在于,所述基础地理参数包括坡度、地形起伏度、断裂带位置、河流位置中的一项或多项;所述地质参数包括岩体完整程度、岩体质量、岩体物理学参数和岩组强度中的一项或多项;所述地震参数包括震级,震源深度以及震中坐标中的一项或多项。
3.如权利要求1所述的地震后崩滑灾害发生位置的预测方法,其特征在于,所述未崩滑点利用ArcGIS中的createrandompoints工具在已知崩滑点外随机生成。
4.如权利要求3所述的地震后崩滑灾害发生位置的预测方法,其特征在于,所述未崩滑点在距已知崩滑点200m外的范围随机生成。
5.如权利要求1所述的地震后崩滑灾害发生位置的预测方法,其特征在于,根据下述公式计算Newmark位移量Dn,
其中,Ia为Arias强度,m/s;Ac为临界加速度。
6.如权利要求5所述的地震后崩滑灾害发生位置的预测方法,其特征在于,
其中,M为矩震级,r为震源距。
7.如权利要求6所述的地震后崩滑灾害发生位置的预测方法,其特征在于,以最大烈度区域的中心线作为线性震源,计算震源距。
8.如权利要求5所述的地震后崩滑灾害发生位置的预测方法,其特征在于,该方法适用于滑坡体厚度小于6m的崩滑灾害预测。
9.一种中国西南部地区地震后崩滑灾害发生位置的预测方法,包括:
获取待预测空间的多个基础地理参数,多个地质参数,地震参数,至少一个已知崩滑点的地理位置和多个未崩滑点的地理位置;
基于Newmark位移模型计算Newmark位移量Dn;
利用下述公式计算预测空间内待预测位置崩滑灾害的发生概率,
P为待预测空间内任一位置震后崩滑的发生概率;
x1,…,x4分别为ln(该位置距河流距离),ln(该位置距断裂带距离),ln(地形起伏度)和ln(Dn),
,,…,分别为各自变量因子的偏回归系数,
其中,
=2.438~1.297;
=-0.798~-0.524;
=-0.431~-0.436;
=1.272~1.134;
=0.318~0.314。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310314777.0A CN103399344B (zh) | 2013-07-24 | 2013-07-24 | 一种地震后崩滑灾害发生位置的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310314777.0A CN103399344B (zh) | 2013-07-24 | 2013-07-24 | 一种地震后崩滑灾害发生位置的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103399344A CN103399344A (zh) | 2013-11-20 |
CN103399344B true CN103399344B (zh) | 2016-06-29 |
Family
ID=49562999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310314777.0A Expired - Fee Related CN103399344B (zh) | 2013-07-24 | 2013-07-24 | 一种地震后崩滑灾害发生位置的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103399344B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984014B (zh) * | 2014-05-20 | 2018-04-27 | 鲁东大学 | 一种地震灾害预测方法 |
CN107092798A (zh) * | 2017-04-28 | 2017-08-25 | 成都理工大学 | 滑坡预测模型的稳定性评价方法及装置 |
CN107330565B (zh) * | 2017-07-19 | 2020-05-19 | 四川建筑职业技术学院 | 一种饱水状态下沟道堆积体破坏角的预测方法 |
CN108376125B (zh) * | 2018-01-29 | 2021-04-16 | 中国地震局工程力学研究所 | 地震烈度评估方法及装置 |
CN110119994B (zh) * | 2019-04-18 | 2022-09-02 | 江西理工大学 | 一种gis支持下的金属矿爆堆位移提取及预测方法 |
CN110046454A (zh) * | 2019-04-25 | 2019-07-23 | 中国地震局地质研究所 | 概率地震经济损失计算方法及*** |
CN110111377B (zh) * | 2019-06-06 | 2022-10-21 | 西南交通大学 | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 |
CN110376639A (zh) * | 2019-07-12 | 2019-10-25 | 清华大学 | 基于实测地震动的地震滑坡速报分析方法及装置 |
CN110688773A (zh) * | 2019-10-14 | 2020-01-14 | 中国电建集团成都勘测设计研究院有限公司 | 一种流域堵塞快速定位的***及方法 |
CN111625954B (zh) * | 2020-05-22 | 2023-10-27 | 中国地质大学(武汉) | 一种降雨型滑坡模型trigrs的并行优化方法及*** |
CN111855961B (zh) * | 2020-07-24 | 2021-10-26 | 中南大学 | 一种岩体钻进质量检测方法、钻机、服务器、存储介质 |
CN112069672A (zh) * | 2020-08-31 | 2020-12-11 | 山东省地质环境监测总站(山东省地质灾害防治技术指导中心) | 一种滚石轨迹实时修正计算方法 |
CN112613096B (zh) * | 2020-12-15 | 2024-02-23 | 应急管理部国家自然灾害防治研究院 | 一种面向强震前后不同阶段的地质灾害评价方法 |
CN115236741B (zh) * | 2022-09-26 | 2022-12-09 | 成都理工大学 | 一种基于地震动信号的高速远程冰岩崩灾害链预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598721A (zh) * | 2009-05-27 | 2009-12-09 | 云南省电力设计院 | 一种在降雨条件下土边坡稳定性预测预报方法 |
KR100982447B1 (ko) * | 2010-03-03 | 2010-09-16 | 한국지질자원연구원 | 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법 |
CN102930348A (zh) * | 2012-10-19 | 2013-02-13 | 广东电网公司电力科学研究院 | 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法 |
-
2013
- 2013-07-24 CN CN201310314777.0A patent/CN103399344B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598721A (zh) * | 2009-05-27 | 2009-12-09 | 云南省电力设计院 | 一种在降雨条件下土边坡稳定性预测预报方法 |
KR100982447B1 (ko) * | 2010-03-03 | 2010-09-16 | 한국지질자원연구원 | 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법 |
CN102930348A (zh) * | 2012-10-19 | 2013-02-13 | 广东电网公司电力科学研究院 | 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法 |
Non-Patent Citations (4)
Title |
---|
基于Logistic回归模型的芦山震后滑坡易发性评价;冯策 等;《成都理工大学学报(自然科学版)》;20130611;第40卷(第3期);282-287 * |
基于Logistic模型的地震次生崩滑危险性评价——以汶川县为例;李晓璇 等;《地震》;20130430;第33卷(第2期);63-69 * |
基于简化Newmark位移模型的区域地震滑坡危险性快速评估——以汶川Ms8.0级地震为例;王涛 等;《工程地质学报》;20130225;第21卷(第1期);16-24 * |
基于逻辑回归模型的汶川地震滑坡危险性评价与检验;许冲 等;《水文地质工程地质》;20130515;第40卷(第3期);98-104 * |
Also Published As
Publication number | Publication date |
---|---|
CN103399344A (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103364830B (zh) | 一种基于多因子的地震后崩滑灾害发生位置的预测方法 | |
CN103399344B (zh) | 一种地震后崩滑灾害发生位置的预测方法 | |
Peng et al. | Heavy rainfall triggered loess–mudstone landslide and subsequent debris flow in Tianshui, China | |
Pokhrel et al. | A kriging method of interpolation used to map liquefaction potential over alluvial ground | |
Listo et al. | Mapping of risk and susceptibility of shallow-landslide in the city of São Paulo, Brazil | |
Gao et al. | Identification and estimation of landslide-debris flow disaster risk in primary and middle school campuses in a mountainous area of Southwest China | |
Wu et al. | Determining landslide susceptibility in Central Taiwan from rainfall and six site factors using the analytical hierarchy process method | |
Wang et al. | Qualitative hazard and risk assessment of landslides: a practical framework for a case study in China | |
Guerra et al. | Soil erosion and conservation in Brazil | |
Zhao et al. | Field survey of a catastrophic high-speed long-runout landslide in Jichang Town, Shuicheng County, Guizhou, China, on July 23, 2019 | |
Wang et al. | Rainfall-induced landslide in loess area, Northwest China: a case study of the Changhe landslide on September 14, 2019, in Gansu Province | |
Mousavi et al. | Quantitative risk analysis for earthquake-induced landslides—Emamzadeh Ali, Iran | |
Xiao et al. | Quantitative risk analysis of a rainfall-induced complex landslide in wanzhou county, three gorges reservoir, China | |
Ashraf et al. | Geospatial subsidence hazard modelling at Sterkfontein Caves | |
Leal Sousa et al. | Risk assessment on landslides focused on the role of the water: examples from model regions (Rio de Janeiro State and Hong Kong) | |
Macías et al. | Characterization and geophysical evaluation of the recent 2023 Alausí landslide in the northern Andes of Ecuador | |
Dahal et al. | Earthquake-induced landslides in the roadside slopes of east Nepal after recent September 18, 2011 earthquake | |
Lee et al. | Landscape evolution analysis of large scale landslides at Don-Ao Peak, Taiwan | |
Prakash et al. | A selected annotated bibliography and bibliography on landslides in India | |
Tang et al. | Development of a risk-based landslide warning system | |
Jharendra et al. | Landslide inventory mapping and assessment along the Ramche-Jharlang area in Dhading, Rasuwa and Nuwakot districts, Lesser Himalaya Central Nepal | |
Hagos | Remote sensing and GIS-based mapping on landslide phenomena and landslide susceptibility evaluation of Debresina Area (Ethiopia) and Rio San Girolamo basin (Sardinia) | |
Vessia et al. | A strategy to address the task of seismic micro-zoning in landslide-prone areas | |
Nayak | Landslide risk assessment along a major road corridor based on historical landslide inventory and traffic analysis | |
Staudt et al. | The Bududa landslide of 1 March 2010 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 |