本文研究目的是在一個選定的研究區內，應用概率方法和人工神經網絡方法來評價滑坡敏感性的可能性。GIS作為基本分析工具，用于進行空間數據管理和處理。滑坡位置和與滑坡相關的因素如斜坡、坡率、土壤結構、土壤秀水性和有效厚度、木材類型和木材直徑用于分析滑坡敏感性。采用概率方法來分析計算每種因素對導致滑坡發生的相對重要性。為了計算每一種因素對導致滑坡發生的相對重要性的權重，發展了人工神經網絡方法。使用這些方法，根據分級和加權，可以計算滑坡敏感性指數（LSI），根據這些指數可以編制滑坡敏感性圖。考慮權重和不考慮權重進行的滑坡敏感性分析，其結果可以通過比較滑坡的位置數據得到證實。使用加權比不使用加權的結果要好。計算出的權重和分級可用于滑坡敏感性填圖。一、概述滑坡在韓國經常發生，造成巨大的財產損失，偶爾也會造成人員傷亡。對財產和生命危害最大的是1991,1996,1998和1999年發生的滑坡。最常見的滑坡類型是由暴雨誘發，但很少嘗試預測或是預防由滑坡導致的危害。為了彌補這一問題，有必要對滑坡敏感區進行科學評價，這樣可以充分減少由于滑坡導致的危害。本項研究中，在進行滑坡敏感性分析時，發展和應用了兩種不同的方法來確定權重和分級，分別為概率法和人工神經網絡方法。GIS作為基本工具，用于空間數據管理和處理。關于用GIS進行滑坡災害評價，已有很多學者進行過研究。特別是Lee和Min（2001）用概率方法結合GIS分析了同一研究區，即韓國的Yongin地區。本文研究目的是根據人工神經網絡方法確定權重，并用GIS進行滑坡敏感性填圖。本文與其它研究的不同在于應用人工神經網絡確定權重值。權值在坡面、坡率和土壤結構等因素中相對要重要，分級在每一因素類型中相對重要。滑坡發生時，如果坡面比土壤結構重要，此時相對重要值就是權重；如果30°的斜坡比5°的斜坡危害更大，相對重要值就是分級。由于在滑坡相關因素中，沒有權重和分級固定值或標準值，在進行滑坡敏感性分析時，確定權重和分級值就特別重要，而且權重和分級應當基于客觀分析確定，而不是根據主觀的專家經驗。此外，客觀、科學的權重和分級對將滑坡災害圖標準化非常重要。在本研究區Lee和Min（2001）已通過概率方法確定了分級，本文采用了這一分級。研究區在Yongin，自1991年大雨以來發生了多次滑坡災害，很適合用來確定權重。滑坡主要是由泥石流和3～4小時高強度降雨發生的淺層土滑動組成。滑坡發生最大日降雨量大于114mm，最大時降雨量為40mm，所有最大時降雨量大于62mm的地區都受到了滑坡影響。二、研究方法研究流程圖見圖1。首先，用GIS軟件包：ARC/INFO把與滑坡發生相關的圖件建造一個矢量空間數據庫，其中包括1/5000地形圖，1/25000土壤圖和1/25000森林圖。根據地形數據庫計算與滑坡分析相關的高程、坡面和坡率；根據土壤數據庫獲得土壤結構、材料、排水、有效厚度和地形類型；根據森林圖獲得森林類型、樹齡、木材直徑及森林密度；根據地質數據庫獲得巖性。根據這些與滑坡相關的因素，選定七個因子：斜坡、坡率、土壤結構、土壤排水、土壤有效厚度、木材直徑、樹齡來確定權重。因為滑坡和地形類型的聯系非常明顯，在Lee和Min的研究中沒有考慮地形類型。大多數滑坡發生在地形類型分類中的山區而非平原區或河流洪水淹沒區。關于土壤物質、巖性、森林類型和森林密度，很難區分分級的趨向和特征。但是在研究區選用的七種因子與滑坡之間具有明顯的聯系。第二，通過航空攝影圖解譯和野外調查確定Yongin區的滑坡發生范圍。根據1/20000航空攝影圖，使用GIS建造的空間數據庫監測到最近的滑坡，并據此評價該區滑坡的空間分布。第三，為計算權重，將滑坡因子轉換為柵格（ARC/INFO柵格型）后，再轉換為ASCⅡ數據，以便人工神經網絡程序使用。用GIS將分析結果轉換為柵格數據，之后用監測到的滑坡發生位置通過人工神經網絡來確定每一因素的權重。為完成這些步驟，計算了每一因子類別概率方法的分級，并通過人工神經網絡確定每一因素的權重。采用滑坡位置和每一因子類別之間的相關性計算分級。通過人工神經網絡程序學習訓練后，確定每一因子的權重，程序用MATLAB開發。采用人工神經網絡確定權重時，要將滑坡的位置分配為學習訓練區，進行人工神經網絡學習訓練。當將權重調整為一個適當的值時，就通過神經網絡層之間的反向傳播可以確定權重。最后，在研究區僅根據分級和將分級與權重相結合編制成滑坡敏感性圖，并用滑坡位置驗證了兩種分析結果。為計算滑坡敏感性值，通過將每一種因子分級乘以其權重進行求和得到滑坡敏感性指數（LSI）。三、使用概率方法確定因素的分級采用以前研究（Lee和Min，2001）的概率方法計算分級。在研究區使用概率方法計算空間數據來表征滑坡位置和影響因子之間的相關性。概率逼近是在每一因子和滑坡分布之間的觀測聯系基礎上進行的。使用概率方法推導出滑坡發生位置和每一滑坡相關因子之間的空間聯系。采用的因子有坡面、坡率、土壤結構、土壤排水、樹齡和木材直徑。將這些因子轉換為10×10m2的柵格，總單元數為658790個，滑坡發生的單元數為11735個。使用GIS軟件，將研究區的每一地理要素疊加到一個有583行和1130列，間隔為10m的柵格上。之后，將每一因子類型的分級作為滑坡和每一因子類型之間的聯系，如，未發生滑坡和發生滑坡的單元數比例。相關分析是滑坡發生區在整個研究區中所占的比例，所以值為1表示平均值，如果值大于1說明相關性好，如果值小于1，說明相關性差。關于坡面，斜坡越陡，滑坡發生的可能性就越大。低于5o，比值為0.1，說明滑坡發生的可能性極小；在5o～13o，比值低于1，也說明可能性小，但是傾角越大，發生的可能性就越大；超過24o，比值大于2，說明可能性相當大。這說明隨傾角增大，滑坡發生的可能性也在增大，傾角大于15o就可能發生滑坡。在滑坡分析中傾角是一個重要因素，隨傾角增大，土壤的剪應力或其它非固結物質也增加。緩坡滑坡發生概率小，這是因為總體上低剪應力與小坡度有關。然而，由出露地表基巖形成的陡天然斜坡不易發生滑坡。坡率代表了地面形態，正坡率說明地面是上凸的；負坡率說明地面是上凹的；零坡率說明地面是平坦的。關于坡率，平坦區比值較小，為0.55；對于負值，值越小，滑坡的可能性就越大。從結果來看，坡率與滑坡發生關系密切，原因是大雨過后，上凹斜坡聚集了更多的雨水而且滯留時間更長。但在上凹斜坡區，發生概率小于1，這說明在上凹區滑坡發生和坡率無關。因此關于凹坡不可能確定其相關性。僅關于土壤透水錘性，透水性越討好，滑坡發生侍的概率就越大伸。但當下大雨注時，控制水流筑的透水性越差飛，保留在土壤迎中的水就越多使，發生滑坡的和概率就越大。攔對于土壤結構冰，在礫壤土、各多石砂壤土和逐石壤土中滑坡君發生概率較高片，在亞砂土和繁砂壤土中發生惑概率較低，這拐說明與土壤粒隆徑有關。下大介雨時，粒徑越喂大，顆粒間的久孔隙就越大，謠所以土壤可以菌保留更多的水敘。關于土壤有林效厚度，隨土域壤厚度增加，分滑坡發生的概谷率減小。下大幣雨時，土壤越按厚就有更多的警空間，這樣土淺壤可以容納更佛多水。施關于木材直徑案，直徑越小（擱小于塑6cm陷）滑坡發生概托率越大；直徑堡較小杠（陵6牙～競16c謹m言）滑坡發生概若率值也較小，喚這是因為樹直皆徑越大，其根瑞系就越發育，哀在下大雨時可燃以容納更多的貸水量。關于樹戒齡，樹齡較小穩滑坡發生的概脫率較大，樹齡萬較大滑坡發生巖概率較小，這得也是由于樹齡莖越大根系越發犁育。盼四、采用人工細神經網絡確定句因素的權重需（一）神經網福絡殃與其它統計方敲法相比，人工租神經網絡有許脈多優點。首先打，人工神經網奶絡方法獨立于炊數據的統計分末布情況，無需李特別的統計變殃量。與統計方月法相比，人工壞神經網絡允許煌在定義目標分筑類時，更多考遠慮在每一數據滅源相應定義域貓中的分布情況國，在這樣與遙感數響據宗或鋒GI施S擺數據結合相當奮方便。其次，描因為進行的是摩像素計算，訓誰練區數據集很捎少，但可以進岡行精確分析。途與統計方法相末比，神經網絡穗進行精確計算斤所需的訓練數虧據較少。眼神經網絡的基濱本要素是處理黃節點。之后將派這一總和通過功一個激活函數廈產生節點輸出臥值。一個增強肺處理是在每個競處理節點總和盆中增加連續輸走入，相應的權候重稱為邊緣權嚷重，可以有效仍地控制激活函濱數的閥值。將忽處理節點組織艦成層，每一層棵與下一層相連恥，而在同一層譜中不相連。此帝外，有一輸入怖層作為網絡中粒數據的分布結暴構，在該層不鏈進行數據處理絲，該層后有一孫個或更多的真振正處理層，最怖后的處理層稱狀為輸出層，輸墳入和輸出層之椒間的層稱為隱趁蔽層。因為翼是嗎“嶺多焦層妥”仔，多層結構可蘆以將非線性數奏據分離，總的繩來說包括三層誘。第一層是輸纖入層，節點是筆特征向量的要執素；第二層是舊中間層顆或軌“攤隱刺蔽破”呈層，其中不包溉括輸出單元；筆第三層是輸出鼓層，代表了輸佛出數據。網絡食中的每一節點幅與該層前一層延或后一層的節已點相連，見欺圖團2守。在多源分類崇中采用神經網普絡包括兩個階淋段：訓練階段軋和分類階段。艘典型情況是反長向傳播算法對男網絡進行訓練摩，直到獲得網側絡中設計值和懲輸出目標值之葛間的誤差最小灰。一旦訓練完役成，網絡就可丈以用作正向輸咸送結構來生成鉗分類。本項研況究中，我們只擾使用了訓練階廁段的內層權重結。芳不高神經網絡包括梨許多相連的節捕點。每一個節同點是一個反映鷹從其它節點接它收的權重輸入厘的簡單處理要降素。節點排列羞稱為網絡結構紗（見涉圖科2連）。接收到的頁節點是上一層面相連的所有節賓點的權重信號擔總和。單個節黎點欲j起接收的輸入可拾以根據等式示（佳1欄）確定古：艙增其中驕，治w絲ij睡——煌節蛇點寒i佛和節龜點勻j瀉之間的權重伴腰嬸O夸i絮——曲節勝點仍i姨的輸出，如等局式手（擔2蘋）慈O洗j躬＝礦f妹（航net底j公）碧現棗誠參悄腿賺逢（曬2項）化隱蔽節稿點洋j改產生的穗值路O業i繡是激活函稅數驅f棕，用節銷點榆j恩，聲NET黑j甲的總數計算衫。乓NET針j權依次是輸入層才和隱蔽層之間臂的函洪數協w謎ij芬，輸出和輸入鞋層節點的函徹數記O閘i干。函命數究f卵通常是應用于斧處理下一層之錦前輸入的權重芝總數的非線性展反曲函數。反尸曲函數的優點疏是其導數可以影用函數本身表確達，見式西（思3央）熱f艱′屑(休net帥j分)財＝鵲f(net套j饞)(1-(n棕et師j鞋))題貞妖娛舊攏報夜（被3值）斑輸入諷層綢t速的誤急差箭E匹是設計輸出矢瓣量尊d堤和真正輸出矢些量睡o逗的函數，見式靈（仔4赤）賤誤差通過神經摸網絡反向傳播支，改變層與層行之間的權重將憤誤差最小化。摸這樣，權重可假以用式診（費5領）表示：僑w鐵ij腎(n+1)悶=允η用(丈δ驢j腔o奶i題)圾+偵α瞎Δ賠w看i刃j有劉代湯季帽柏告（廊5習）轉其礦中滲η兩是學習速率參淘數隊，橋δ修j拌是誤差變化率破指數芬，津α換是動量參數。日這一反饋正向直信號和反向傳肢播誤差的處理竟過程進行重復角迭代，直到作管為一個整體，所網絡誤差最小悉化或是達到可累接受大小。為（二）采用后辭向傳播算法確夠定權重躁采用后向傳播呢，可以識別每比一因子的權重蒙，而且可以用臺于確定滑坡敏恰感性。隱蔽層虧節獄點膽j穗的輸材出簡O宜j退對輸出層節喪點臭k誠的輸謀出深O麥k遺的影響，可以圖由思O爆k盡對穴O薄j陷的偏導數表示鍛，見式罵（舉6歡）：假式茂（咬6蠢）可以產生正搏向信號和反向惑信號的值。如厭果只對影響的絮大小感興趣，柴節互點織j峰相對于隱蔽層岸另一節泡點辟j陣0古的重要性可以鄙根據下式計算修：紙式爛（戀7恨）表示關于輸嶼出層的特定領點佩k邁，隱蔽層節座點搏j藏的相對重要性慧與輸出層相連磨節批點狠k勇的絕對權重成絹比例。如果在杯輸出層不止有局一個節點相連稈，不能用式幼（德7柜）比較隱蔽層糠兩節點的重要終性。換句話說弱，必須將節點性的相對重要性蹄標準化，以使娃其可以與其它薪節點更好地比企較，見輕（次8乞）式：皺救括考慮節雜點黃k壤獲得節遮點閱j冬的標準化重要匙性見巨（集9腎）式：腸院塔因此，考慮節浩點鍋k國，隱蔽層的每廉一節點都有一閣個值大于或小掘于黨1性，這取決于其枝是否比平均值抹更重要。考慮哈同樣的節兩點巨k胞，隱蔽層中的街所有節點有一管總的重要性值擁，見式度（峽1綠0豬）：逢旱積因此，考慮與波隱蔽層相連輸下出層的所有節偉點時，節宮點裁j沈的總重要性值扮可以通過式荷（聚1恥1留）獲得：德燃與式騰（生9庫）相似，考慮舟隱蔽層中的節純點茅j桿時，將輸入層款中節腫點墾i晉的重要性標準頂化可以由式黑（嶄1躍2折）確定：嫩關于隱蔽層，面節淋點快i來的總重要性值亡可以由式漁（簡1址3撫）獲得：船相應地，關于融輸出節挑點編k印的輸入節燒點桑i腿的總重要性值拼由式瞧（工1茂4任）給出：（三）應用嚴圖紹3卻是確定權重的鉗神經網絡流程臺圖。反向計算蓮根據神經網絡饒訓練獲得層與是層之間的權重梢，并計算每一哄因子貢獻的重婆要性，這樣可不以確定每一因單素貢獻或重要挪性的權重。為專計算權重采用徹了故Hine種s考（墻199呀7掉）的程序，為筒解譯權重開發噸了新的程序。辱將因子輸入到以基豬于僻MATLA處B詞的應用程序。膊采爬用陷7×15×滲2套（輸入，隱蔽云和輸出層數）新結構，和式族（令1絨）到式奔（倉1鏟4殿）訓練權重。粉在末Hine羊s遺提供的結構基斧礎上，賤在鞭MATLA缸B延中實施了三層辜正向輸送網絡迎。正向輸送是冊指所有前一層層向下一層傳播爛之間的互連。選對于特定分類籠問題，不易推圓斷隱蔽層數量有和隱蔽層的節朝點數。輸入數針據標準化范圍蘿為嚼0.崖1疊～紅0.團9原，學習速率宰為見0.0籌1詳，初始權重任拿意選取，額定學和中間級的數孤據轉換啞為申0.欺1莖～樂0.蜂9眉之間的連續值俱。在用人工神貨經網絡程序計乳算過程中沒有浮考慮數量的內晶容，但是用數創量進行區別每賤一因子類別。放對于兩種類型西的任何一個（挺發生滑坡和未款發生滑坡），娛隨機選共取若20式0嚇像鎮素厭/蝦類別作為訓練羅像素，隨機選憲擇滑坡發生位訓置和滑坡未發洋生位置為訓練伙點。隨機選擇膊了痰1省0之個訓練點，并腹對訓練點處隔理乏1滿0故次來識別起始所權重的變化。豐該算法后向傳對播權重，之后搞控制權重。訓礙練次數設析為艙100瞎0紅，停止準則的早均方根差詢（橋RMS嬌E勁）設煎為鑰0.顛1倦。大多數迭代金滿攀足苗RMS敲E效設定適值殲0.疫1西。如果不滿足晶設定值，在訓垮練資料恩為系100想0斬時停止迭代。活訓練后可以確猴定權重。當起筑始權重設為任肆意值時，結果純不同。因此，游在本項研究中挎，重復計推算各1知0屠次，結果是一劣相似值。標準不偏差范圍太為云0湯～伸1.硬1巧，因此任意采誘樣對于結果不灣會有太大影響睜。對于易于解救譯的情況，計店算平均值，之蔥后將這些值去虛除地形坡度最星小的權重平均鞏值。采用的最節小地形坡度值誕是脹1.0夢0給，采用的最大棋地形坡度值寫是首5.3敘3飯。采用的土壤準排水和土層有謎效厚度值倍為今1.8雄3減，土壤結構憲為惑1.1虎7料。木材直徑盒為淺2.6堪7寫，樹齡劇為誦2.0悉0資。計算結果用虎于滑坡敏感性拔分析，權重提耳高了分析的精撕確性。雕五、采用分級繁和權重進行滑縮坡敏感性計算桂為進行滑坡敏膜感性分析，采飽用概率和神經離網絡方法計算掀了分級和權重朋。為評價滑坡曠敏感性值，通鄉過將每一因素滴分級乘以權重襯相加得到滑坡謊敏感指數旦（盾LS揀I己）緩,著如式布（壞1叫5岡）吊。口LS浙I朵代表了滑坡發晃生的相對敏感杯性。因此，指壟數越高，越易售發生滑坡。填慕功禾繞（腿1爺5鄙）宅其中南：頂LS復I滋＝滑坡敏感性要指數團；制F嘗w丘＝每一因子的英權重氧；灰F迫r塘＝每一因子類弦別的分級。長六、檢驗和比趕較桿通過現有滑坡助資料，進行采歷用和不用加權康之間的檢驗和理比較。為進行祝比較，將滑坡填數劃分到滑坡回敏感指數中。旨采用加權和不兆用加權的指數爪值范圍是不同尺的，因此需要刑把指數值分為抱等間隔進行比膽較。如果不考群慮加權，由于篩每一因素的權物重月為臂1堂，符7費個因素的總權失重他為瘦7種。若考慮加權攏，榨7傳個因素的總權基重其為辛15.8質3扭。為進行同樣且的比較，殘將立15.8棋3晌除餃以拖7榴，之后滑坡敏仿感指數除以計珠算且值兵2.2濁6歌（聰15.83/主7雪）。而檢驗結果表明返敏感性圖和現箱有的滑坡位置香資料有良好的降一致性。不使未用權重，滑坡嬌敏感性指數小蘋于劇8.0鴉0墊，滑坡發生率役非常低，僅顫為撥12.36濁%蹄；但當指數大賀于匪8.0可0噴時，發生率非弟常高，纏為暖87.64輸%昌（如果不加權杰，平均值虛為腥8.1賤1勁；如果加權，隊平均值固為告7.1撤1牽）。使用權重塔，指數小擦于疫8.0燦0塊，發生率非常估低，僅滔為埋12.22駱%沉；但是指數大怕于除8.0姜0俱，發生率非常如高，秩為界87.78螺%垃（考慮加權平氣均值鴨為比7.7撕1丸）。這樣，滑崇坡敏感分析結沈果較合理，可筑以接受。敏為進行比較，巾當指數大敬于木10.0進0棋，不使用權重須時，累積滑坡賠百分率但是吩52.7帆4