重庆四湾村多发性山地滑坡位移多因素分析与预测

霍玉龙; 胡明鉴; 赵盛男; 冷崇标

doi:10.12404/j.issn.1671-1815.2505743

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (21) :9014-9025 DOI: 10.12404/j.issn.1671-1815.2505743

天文学、地球科学

重庆四湾村多发性山地滑坡位移多因素分析与预测

霍玉龙 ¹^,² ,
胡明鉴 ²^,^* ,
赵盛男 ³ ,
冷崇标 ¹

作者信息 +

Multifactorial Analysis and Prediction of Recurrent Mountainous Landslide Displacement in Siwan Village, Chongqing

Author information +

文章历史 +

摘要

多发性山地滑坡对韧性城市的建设与发展构成了严峻且多维的挑战。仅考虑降雨量及其滞后性特征难以用于高渗透多发性山地滑坡位移描述,因而考虑监测周期、累计降雨量、引水隧道水位、渗流量均值等多因素对滑坡位移的影响。研究表明,滑坡变形具有显著的空间分异特征,前缘以量级显著、对降雨响应滞后的水平向位移为主;而后缘则以量级较小的垂直位移为主,其变形受水文参数耦合作用控制,并在特定水文周期下易发生阶跃式突变。结合现场多因素监测与分析,将引水隧道水位和渗流量均值等多因素作为因变量纳入滑坡位移预测研究,建立了考虑多因素监测的决策树和梯度提升回归树位移预测模型,填补滑坡位移研究中对人类工程活动和地下水动态响应的不足,可据此建立差异化的分区预警指标体系,从而显著提升滑坡监测预警的精准性与时效性。

Abstract

Severe and multi-dimensional challenges have been posed to the construction and development of resilient cities by recurrent mountain landslides. The characterization of landslide displacement in highly permeable and recurrent mountainous regions cannot be adequately achieved by considering only rainfall magnitude and its lagged effects. The influence of multiple factors including monitoring intervals, cumulative rainfall, water levels in diversion tunnels, and average seepage volumes was taken into account to analyze landslide displacement. It was found that the deformation of the landslide exhibits significant spatial heterogeneity. The frontal zone is primarily dominated by large-magnitude horizontal displacement with a delayed response to rainfall, whereas the rear zone is characterized by relatively small vertical displacement, which is governed by a strong coupling of hydrological parameters and is susceptible to abrupt, step-like changes under specific hydrological cycles. By integrating multi-factor monitoring and analysis on-site, the average water level and seepage volume of the diversion tunnel, among other factors, were taken as dependent variables in the landslide displacement prediction study. A decision tree and gradient boosting regression tree displacement prediction model considering multiple factor monitoring was established. This fills the gap in the study of landslide displacement regarding human engineering activities and the dynamic response of groundwater. Based on this, a differentiated zoning early warning index system can be established, thereby significantly improving the accuracy and timeliness of landslide monitoring and early warning.

Graphical abstract

关键词

多因素监测 / 滑坡位移 / 机器学习 / 预测模型 / 多发性山地滑坡

Key words

multi-factor monitoring / landslide displacement / machine learning / prediction model / recurrent mountain landslide

引用本文

引用格式 ▾

霍玉龙, 胡明鉴, 赵盛男, 冷崇标. 重庆四湾村多发性山地滑坡位移多因素分析与预测[J]. 科学技术与工程, 2026, 26(21): 9014-9025 DOI:10.12404/j.issn.1671-1815.2505743

HUO Yu-long, HU Ming-jian, ZHAO Sheng-nan, LENG Chong-biao. Multifactorial Analysis and Prediction of Recurrent Mountainous Landslide Displacement in Siwan Village, Chongqing[J]. Science Technology and Engineering, 2026, 26(21): 9014-9025 DOI:10.12404/j.issn.1671-1815.2505743

登录浏览全文

4963

注册一个新账户忘记密码

地质灾害对社会经济发展和人口安全产生巨大的影响^[1-3]。据自然资源部统计,2022—2024年累计发生地质灾害15 046起,直接经济损失56.68亿元,其中滑坡灾害8 160起,占总地质灾害的54.23%,作出预报预警的地质灾害1 370起,占总地质灾害的9.11%。滑坡位移曲线广泛用于滑坡机制分析和预报预警工作,具有理论研究和工程实际价值。例如,Saito^[4-5]、Voight^[6-7]提出的代表性的系列蠕变经验模型均以滑坡位移曲线为研究基础,通过计算曲线速率、变形曲线切向角、加速度、速度曲线奇点或变形极值点等实现预报预警。

在滑坡位移预测方面,已有学者开展了大量研究工作,马飞燕等^[8]以金沙江中游阿海水电站左岸滑坡为研究对象,选取不同周期降雨量和不同周期滑坡位移增量作为影响因子,提出了一种基于麻雀搜索算法(sparrow search algorithm,SSA)与核极限学习机算法(kernel-based extreme learning machine,KELM)耦合的滑坡位移预测模型;邱茂等^[9]以尖山营古滑坡为研究对象,选取原始位移序列和降雨量作为影响因子,将滑坡位移分解成了趋势项和周期项,采用等维新息灰色(1,1)[GM(1,1)]模型预测趋势项,自回归(autoregressive,AR)模型预测周期项,取得了较好的预测效果;江文金等^[10]以八字门滑坡为研究对象,选取降雨量、库水位、前期已监测周期位移量为影响因子,提出了基于时间序列和时间卷积网络(time convolution network,TCN)位移预测模型,预测精度较高,更适用于有时间顺序的长时间序列。以往的研究往往采用单一监测点数据进行回归预测,并未重点讨论滑坡类型和监测点位置之间的差异;建模所选用的影响因子多以降雨量和前期位移序列等因素为主。值得注意的是,目前的研究考虑的影响因子不足以全面反映位移影响因素特征,缺乏考虑可以衡量滑坡体位置与水文特征的耦合参数,且前一周期位移序列数据对监测周期长度有较高要求。因此,考虑监测点位置特征,选取多种影响因素及其耦合参数为影响因子,建立位移预测模型十分必要。降雨是滑坡发生的主要诱发因素,且存在滞后效应,在分析降雨诱发滑坡的变形特征和破坏机制时,降雨参数选取至关重要^[11]。以单一降雨量为影响因子构建位移预测模型难以揭示滑坡位移变化机制和规律。大量学者围绕山地滑坡开展了广泛研究,并在滑坡成因机理^[3]、治理方法^[12]、演化趋势预测^[13]、易发性分区^[14]等方面取得了丰硕成果。然而,针对滑坡具有的多发性特征相关研究仍较为缺乏,尚未形成系统的分析框架。该方向的探索对于区域滑坡风险防控与长期防灾减灾具有重要意义。

因此,现以四湾村多发性山地滑坡为研究对象,考虑人类工程活动、滑坡体水文地质响应特性、降雨量以及时间因素等影响因子,拟合滑坡位移经验公式,建立考虑引水隧道水位、滑坡周边渗流量以及降雨量等因素的决策树和梯度提升回归树模型。研究成果能够反映山地多发性滑坡不同监测点位实际变形的差异特性,可据此建立考虑滑坡变形差异化的分区预警指标体系,从而显著提升滑坡监测预警的精准性与时效性。考虑人类工程活动、滑坡体水文地质响应特性等要素,并初步建立不同点位滑坡位移经验公式,对滑坡短临位移预测与评估具有重要意义,以期为滑坡治理和避灾决策提供依据,为滑坡体灾变理论和弹塑性变形理论的发展提供参考。

1 山地滑坡特征及多因素统计规律

1.1 多发性山地滑坡统计学特征

研究区位于重庆市城口县,地处渝东北地区,属非三峡库区范围,值得注意的是,研究区滑坡的易发性不弱于云阳县、巫山县等三峡库区县。多发性山地滑坡是指灾害体在空间上分布高程较高^[12-13]、符合山地型滑坡特征,且在时间上具有多发性,这种多发性在广义上体现在研究区内滑坡发生的频率高,研究区滑坡点密集;其次,在狭义上指同一研究区发生过两次及以上的滑坡,且还具有再次发生滑坡的可能。据统计,城口县域内发生过滑坡539处^[14],2019年7月27日城口县河渔乡一次104 mm的强降雨,仅在平溪村就诱发了81处滑坡^[10]。

周金禄等^[15]认为滑坡多发是内在因素和外在因素共同作用的结果,内在因素主要为地层岩性及其滑坡体本身所发育的一系列构造,外在因素主要指地震、降雨等。研究区构造背景复杂,西北-东南方向的雁列式褶皱和逆冲断层发育,具备滑坡多发的内因基础(图1)。此外,川渝地区地震多发,且平均年降雨量大(表1),地表水系较发育,具有形成多发性滑坡的外因基础。

重庆市是著名的山城,城口县平均海拔高于其他地区,山地滑坡发育,随着当地经济社会的发展,人类工程活动特别是桥隧、道路、水利等工程项目日渐增多。距离道路小于1 000 m的滑坡占比大于60%,高程介于750~1 500 m、坡度介于20°~38°的滑坡占比大于85%,呈现出明显的山地滑坡特征,且具备明显的优势占比区位(表2)。

综上所述,随着经济社会的发展,人类工程活动频繁(桥隧、公路、水利等工程活动),滑坡灾害发生频率和危害性日益加大,严重阻碍韧性城市建设,开展多发性山地滑坡研究,分析这一类型滑坡位移特征和机制具有重要意义。

1.2 四湾村多发性山地滑坡多因素特征

2019年7月31日(“7.31”滑坡)和8月14日(“8.14”滑坡),重庆市城口县四湾村在短期内接续发生滑坡灾害,造成滑坡前缘2栋房屋被埋、7人死亡的严重后果^[11,19]。灾害发生后,通过在滑坡体上设置监测点,对滑坡位移开展了持续监测。监测结果表明,四湾村滑坡位移持续增加,潜在滑移区和堆积体存在再次发生滑动的显著风险^[20],这充分说明四湾村滑坡属于多发性山地滑坡。

值得注意的是,受灾区人类工程活动显著。具体而言,滑坡后缘修建有引水隧洞,总长5 350 m,隧洞轴线总体走向呈北东60°。该引水隧洞与滑塌区的空间关系密切,水平距离仅约142 m,且洞底标高比滑塌区后壁高10~15 m(图2)。鉴于这种近距离和高程关系,隧道水位变化对滑坡体物理力学特征变化具有重要影响。

研究区的自然条件亦极具挑战性。表1和表2数据表明,该区域年降雨量大,最大日暴雨强度高达525.3 mm。加之研究区构造活动剧烈,后缘已发育有张拉裂缝。为评估水文地质特性,开展的注水试验与试坑渗水试验显示,其综合渗透系数为0.012~0.018 cm/s,反映出坡体整体渗透性较强。一个关键发现是,坡体渗透性显著高于滑带土渗透性^[16]。正是这种显著的渗透性差异,导致滑坡体位移对水文地质条件变化极为敏感。

研究区地下水活动活跃,具体地,范围内有多个泉眼出露,仁河流域中泉水流量大于10 L/s的泉点就达40多个。此外,钻孔完成后均出现近48 h的地下水涌出现象。通过抽水试验进一步验证,测得单孔涌水量约为0.10 L/s,孔内长期保持满水状态,这指示地下水具有一定承压性,如图3(c)所示。更为直接关联滑坡活动的是,滑坡体后壁、左壁、右壁均有渗水现象,最大渗水量为0.5 L/s。这些渗水特征不仅能反映地下水的扬压力作用,同时也是表征滑坡形变的重要因素之一。

滑坡区处于地质构造复杂的大巴山弧形褶皱带,断裂十分发育,岩石破碎,地下水与地表水水力联系较密切^[21]。滑坡整体纵长约370 m,横宽为90~180 m,分布面积3.0×10⁴ m²,滑坡总体积约25.2×10⁴ m³(表3),为中型中层土质滑坡,属降雨诱发的自然滑坡。滑塌区(“7.31”和“8.14”滑坡涉及区域)平面呈“长舌状”,纵长约280 m,横宽为60~110 m,滑动面积约1.5×10⁴ m²,体积约17.7×10⁴ m³;潜在滑移区平面呈弯曲“条带状”,纵长约290 m,横宽10~70 m,面积约1.5×10⁴ m²,土层厚度2~12 m,体积约7.5×10⁴ m³(表3)。

滑坡后缘高程910 m,前缘剪出口高程725 m,相对高差185 m;滑移方向与原始地形坡向基本一致,滑坡沿土岩接触面发生滑动破坏,滑面沿土岩界面起伏呈折线型发育,如图3(a)所示。滑体为碎块石、粉质黏土等混合体,其中粉质黏土由下向上呈软塑-硬塑状。滑带土主要由粉质黏土夹碎块石组成,厚度0.2~0.5 m,含水量较高,滑带土呈软-可塑状,碎石粒径一般3~15 mm,多呈椭圆-圆形,如图3(b)、图3(d)所示。滑床广泛发育有页岩,风化程度高,强风化层最大厚度可达7.6 m。

1.3 四湾村滑坡多因素监测数据类型及特征

1.3.1 监测点曲线位移监测

为监测四湾村滑坡位移,选取YJ3、YJ5两个监测点。YJ3位于“7.31”滑坡堆积区,用于监测堆积体的形变特征;YJ5位于“8.14”滑坡后缘,旨在评估潜在滑移区不稳定斜坡的稳定性。研究区滑坡活动频繁,该监测方案既能评价潜在的继发滑坡风险,又可研究堆积区及已发滑坡后缘的形变机制,兼具重要的工程实践与理论研究价值。

监测系统由4通道数据采集仪、传感器及全站仪组成,实现了水平和垂直位移分量的实时同步监测,其矢量位移通过合成水平与垂直分量获得。监测时段为2019年8月23日—9月21日。位移监测曲线(图4)显示:监测期内,两监测点位移均呈现波动上升趋势,反映出斜坡变形持续发展特性。其中,YJ3监测点位于滑坡体前缘堆积区,位移量级相对较大,变化速率较稳定,监测曲线较平滑,同一监测时刻水平向位移量基本上大于垂直向位移量,第一次集中降雨发生后的一定时间段位移量增长速率明显增快,位移量增长速率存在一定的滞后性。YJ5监测点位于坡体后缘,位移总量较小,同一监测时刻水平向位移量小于垂直向位移量,垂直向位移变化速率与滑坡体外围渗水量具有一定的同步性,但在特定水文周期作用下(如强降雨发生后)可能出现相对明显的阶跃型增长,体现不同水文参数对位移量的耦合作用。

1.3.2 多因素监测特征

研究区多因素监测主要包含降雨量R_i、引水隧道水位H、滑坡后壁渗水量Q_back、右壁渗水量Q_right、左壁渗水量Q_left及渗水量均值Q等影响因素。在监测周期范围内,渗水量最大值为0.50 L/s,是钻孔单孔涌水量的5倍;渗水量最小值为0.01 L/s,仅为钻孔单孔涌水量的1/10(表4)。不同点位的渗水量较钻孔单孔涌水量更能体现滑坡体受水文地质条件影响的区域差异性。在监测周期范围内,日降雨量最大值为34.7 mm,研究区历史上日最大暴雨强度为525.30 mm(表1),两者相差约15倍,表明当降雨量达到研究区日最大暴雨强度时,极有可能会激发更多的多发性山地滑坡。在监测周期范围内,引水隧道水位H极差为1 607.42 mm。研究区汛期为5—9月,随着枯水期与汛期的交替,这一极差值极有可能发生较大变化,对滑坡后缘产生收缩和挤压作用,加剧后缘裂缝的恶化,因此,这一参数是研究人类工程活动对滑坡位移影响不可或缺的重要参量。

各影响因子瀑布图如图5所示,图中曲线呈多个峰值,与降雨量曲线规律相似,降雨量波峰较为尖锐呈脉冲状,降雨量和引水隧道水位归一化数值较大,渗水量和引水隧道水位单峰持续时间更长。本研究内容可用于滑坡形变规律和机制的研究,以及不同水文气象因子耦合特性的分析。

地下水对滑坡的影响主要分为物理、化学和力学作用3个方面,化学作用主要包含地下水和滑坡体之间的溶解作用、水解作用和离子交换等,研究区岩溶发育较多,化学作用较为频繁^[17]。为了进一步研究研究区水文地质特征,分析引水隧洞、滑坡渗水、钻孔内溢出地下水以及大气降水的水化学类型,结果表明,4个点位水体属于不同水体类型,前3种水体呈弱碱性,pH介于7.69~7.86,大气降水呈弱酸性pH为5.82^[22](表5),从水化学类型角度来看,引水隧道内水体与滑坡后壁渗水和钻孔内溢出的地下水无直接的补给关系,通过示踪剂试验可进一步验证这一结论。钻孔内有地下水溢出说明研究区地下水具有一定的承压性,位于滑坡后缘的引水隧洞水位升降可能挤压滑坡后缘引发变形加剧,这是地下水物理作用和力学作用的体现。值得注意的是,研究区大气降雨为酸雨,部分雨水通过入渗补给至弱碱性地下水,在此过程中酸雨与滑坡岩土体和地下水发生剧烈的化学反应,弱化了滑带岩土体强度参数,破坏了滑带土矿物质,特别是黏土矿物的黏结力受到重要影响,对滑坡稳定性极为不利。

2 基于多因素回归的滑坡特征分析

2.1 基于多因素滑坡位移相关性分析

为深入研究多因素对滑坡位移的影响,识别对滑坡位移影响较大的因子,为后续回归分析与建模提供依据,“7.31”滑坡和“8.14”滑坡发生后分别在堆积体区域和滑坡后缘建立位移监测点YJ3和YJ5,并绘制了YJ3和YJ5位移与降雨、渗水量、隧道水位等8种因素的相关性热力图(图6、图7)。采用Pearson相关系数,用 γ 表示,其值介于-1~1。γ绝对值介于0.8~1.0为高度相关,介于0.5~0.8为显著相关,低于0.5和0.3分别为低度相关和微弱相关^[23]。T、R和H与监测位移呈显著相关甚至是高度相关;滑坡右壁渗水量Q_right与监测位移呈显著相关,其余渗水量参数与监测位移呈低度相关~显著相关,验证了研究区地表水系发育,补给关系复杂的特点。值得注意的是,日降雨量与监测位移相关性较弱,呈低度相关-微弱相关,表明不能通过日降雨量单因素判定滑坡是否为降雨型滑坡。研究表明在日监测频度条件下,T、R和H三项参数对滑坡位移有重要影响,是进行回归分析不可忽略的重要参数,渗水量对于分析滑坡位移机制具有重要参考价值。

2.2 基于多因素滑坡位移回归分析

在相关性分析遴选相关影响因素的基础上开展回归分析,选取了显著相关程度及以上的因素开展回归分析(图8),渗水量参数与监测位移呈低度相关-显著相关,不同渗水量参数差异较大,故回归未采用此类参数。从图8(a)~图8(f)可以看出,回归曲线拟合优度(R²)介于0.94~0.97,表明回归曲线至少能解释94%的数据变异,均方根误差(RMSE)介于5.43~363.50 mm。数据点均匀分布在y=x曲线附近,拟合效果较好。T、R和H3种要素在日采样频率下获得,监测周期为日采样率,R通过式(1)计算。

(1)R=$\stackrel{d}{\sum _{i=1}}$R_i

式(1)中:R_i为第i小时的降雨量,mm;R为降雨量的累计值,mm。

通过拟合结果可知,YJ3监测点水平位移受R和H两项因素叠加影响,满足二元一次拟合曲线关系,具体详见式(2),由拟合曲线关系可知YJ3监测点水平位移随着R和H的增大而增大,表征降雨条件弱化滑坡体抗剪强度指标,隧道水位的增加致使滑坡后缘土体挤压力增加,导致YJ3监测点水平位移的增加,单位降雨量致使水平位移增加幅度大于单位隧道水位影响,降雨量为位移的主要因素;YJ3监测点垂直位移满足二元二次拟合曲线关系,拟合关系较水平位移复杂,具体详见式(3)。整体上,YJ3监测点垂直位移随着R和T的增大而增大。YJ3监测点矢量位移受T和H两项因素叠加影响,满足二元一次拟合曲线关系,具体详见式(4)。YJ5 3种位移拟合曲线详见式(5)~式(7),其中水平位移和矢量位移满足二元一次拟合曲线关系,垂直位移满足二元二次拟合曲线关系。因监测点位置不同,拟合曲线具有明显差异。具体体现在距离引水隧道的水平距离不一样,距离近影响大,距离远影响小甚至可以忽略,引水隧道水位对近距离位移监测点影响大,从拟合曲线隧道水位项来看,YJ3拟合曲线位移项系数是YJ5位移项系数的35倍[式(2)、式(5)],对水平位移监测点影响大于其他位移监测点类型。值得注意的是,YJ5垂直位移和矢量位移的降雨量一次项系数与该项位移呈负相关关系,可能因为YJ5监测点位于“7.31”滑坡堆积区,堆积体较为松散,且含有多种黏土矿物,受雨水的作用发生膨胀,但整体上处于位移积累状态。

(2)S_YJ3_{_X}= 6.58R + 0.321 5H+10.44

(3)S_YJ3_{_Y} = 9.799T + 2.252R + 2.323T²-0.249 6RT-9.66

(4)S_YJ3_{_F}= 53.5T + 0.257 6H-293.1

(5)S_YJ5_{_X}= 1.597R + 0.009 1H-3.267

(6)S_YJ5_{_Y}= 7.083T-0.123R -0.160T²+ 0.009TR-3.176

(7)S_YJ5_{_F}= 4.033T- 0.173 8R+12.72

式中:S_{YJ3_}_X为YJ3监测点X分量位移累计值,mm;H为引水隧道水位,用于衡量人类工程活动对滑坡的影响,mm;T为监测周期,d。

基于滑坡的多因素相关和回归特征分析,精准捕捉了山地多发性滑坡不同监测点位的变形差异特性,创新性地融入人类工程活动、滑坡体水文地质响应等关键要素,构建了考虑变形差异化的分区预警指标体系及不同点位滑坡位移经验公式,突破了传统监测预警中对滑坡变形均一化考量的局限。其对中国滑坡防治及相关行业发展具有重要推动作用:一方面,大幅提升了滑坡监测预警的精准性与时效性,为短临位移预测评估提供了科学支撑,为滑坡治理工程设计与避灾决策制定筑牢了数据与理论基础,有效降低灾害风险;另一方面,为滑坡体灾变理论、弹塑性变形理论的深化发展提供了实践参考,助力中国滑坡灾害防治领域的理论研究与技术应用迈向更精细化、科学化水平,推动行业整体防灾减灾能力的提升。

3 基于多因素滑坡位移预测模型构建

3.1 模型原理

3.1.1 决策树模型原理

决策树(decision tree,DT)采用CART(classification and regression tree)经典算法^[24],计算叶子节点预测值,用式(8)来表示,叶子节点的预测值为节点内样本目标值的均值。通过分割损失函数[式(9)]计算最小化左右叶子节点总平方误差,来确定最佳特征和阈值。采用不纯度减少量[式(10)]计算分裂增益的核心指标,用以衡量分割后不纯度的减少量。

(8)${\hat{y}}_{m}$=$\frac{1}{{N}_{m}}\sum _{i\in {D}_{m}}$y_i

(9)Loss(j,s)=$\sum _{i\in {D}_{\mathrm{l}\mathrm{e}\mathrm{f}\mathrm{t}}}$(y_i-${\hat{y}}_{\mathrm{l}\mathrm{e}\mathrm{f}\mathrm{t}}$)²+$\sum _{i\in {D}_{\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}}}$(y_i-${\hat{y}}_{\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}}$)²

(10)$\Delta \mathrm{MSE}=\mathrm{MSE}_{\text {parent }}-\left(\frac{N_{\text {left }}}{N} \mathrm{MSE}_{\text {left }}+\frac{N_{\text {right }}}{N} \mathrm{MSE}_{\text {right }}\right)$

式中:

${\hat{y}}_{m}$

为节点的预测值;N_m为第m棵树样本空间;y_i为原始目标值;Loss(j,s)为分割损失函数;D_left、D_right为分割后的左右子节点样本集合;N、N_left、N_right分别为样本数量和左右子节点样本数量;ΔMSE为不纯度减少量;MSE_parent、MSE_left、MSE_right分别为采用MSE(mean squared error,MSE)准则的样本集合、左右子节点样本集合的计算值。

3.1.2 梯度提升回归树模型原理

梯度提升回归树(gradient boosting regression tree,GBRT)^[25]是一种加法模型,由多棵回归树模型组成[式(11)],通过计算第m步拟合残差[式(12)]来迭代优化初始模型,节点预测值用式(13)来表示,与决策树模型公式一致,分割准则采用式(14)来实现,通过式(15)来更新模型预测值,其中h_m₍_x₎为第m棵树的输出,其预测值按照叶子节点分配[式(16)]。

(11)F₀(x)=$\frac{1}{N}\stackrel{N}{\sum _{i=1}}$y_i

(12)r_i_,_m=y_i-F_m_-1(x_i)

(13)${\hat{y}}_{m,j}$=$\frac{1}{{N}_{m,j}}\sum _{i\in {D}_{m,j}}$r_i_,_m

(14)$\begin{aligned} \operatorname{Loss}_{m}(j, s)= & \frac{1}{N}\left[\sum_{D_{\text {left }}}\left(r_{i, m}-\hat{y}_{\text {left }}\right)^{2}-\right. \\ & \left.\sum_{D_{\text {right }}}\left(r_{i, m}-\hat{y}_{\text {right }}\right)^{2}\right] \end{aligned}$

(15)F_m(x)=F_m_-1(x)+νh_m(x)

(16)h_m(x)=$\stackrel{J}{\sum _{j=1}}{\hat{y}}_{m,j}$I, x∈D_m_,_j

式中:F₀(x)为初始化模型值,与式(8)原理相同;r_i_,_m为真实值与当前模型预测的残差;

${\hat{y}}_{m,j}$

为节点预测值;Loss_m(j,s)为目标值为残差的分割损失函数;F_m(x)为更新后的模型预测值;h_m(x)为第m棵树的输出值;I为指示函数;J为第m棵树的叶子节点数。

3.2 模型评估

通过决定系数(R²)和均方根误差(root mean squared error,RMSE)来评估模型预测效果[式(17)、式(18)],R²无量纲,其值越接近1,模型拟合越好,并通过多次K折交叉验证(K-fold cross validation)和留出法(hold-out method)来评估;RMSE表征预测值与真实值之间的平均误差,与目标变量量纲统一,值越小越好。

(17)R²=1-$\frac{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\hat{y}}_{i}{)}^{2}}{\stackrel{n}{\sum _{i=1}}({y}_{i}-{\stackrel{-}{y}}_{i}{)}^{2}}$

(18)RMSE=$\sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}({y}_{i}-{\hat{y}}_{i}{)}^{2}}$

式中:y_i为原始目标值;

${\stackrel{-}{y}}_{i}$

为第i个样本的平均值;

${\hat{y}}_{i}$

为第i个样本的模型预测值。

3.3 模型构建

DT模型和GBRT模型都以降雨量、隧道水位、监测周期、渗水量均值为自变量,样本数量为769,选取滑坡上2个具有代表性的监测点(YJ3、YJ5),在每个监测点测量水平向位移、垂直向位移和矢量位移。还进行了5次、10次和15次交叉验证,并将样本集进行划分,测试集和训练集比例为1∶4。

训练样本的选择对模型的质量和预测精度有显著影响^[26],为了确保模型稳定性,避免过拟合,增强鲁棒性,评估了两种样本选择策略,即留出法和交叉验证法。在随机选择方法中,样本集以8∶2的比例随机划分,样本的80%用于训练,其余20%用于测试。相比之下,还开展了5次、10次、15次和20次交叉验证,以10倍交叉验证为例,将样本集划分为9∶1的比例。它使用10%的数据来验证模型的性能,重复此过程10次。选择表现出卓越性能的方法进行最终评估。

3.4 结果与验证

绘制YJ3和YJ5监测点位移实测值和预测值关系曲线(图9、图10)。采用DT模型对YJ3监测点进行预测,3个位移预测模型R²均在0.999 6以上,RMSE介于4.148 4~8.878 5 mm,占最大位移量的0.38%~0.40%,拟合效果较为理想;而对于YJ5监测点,预测模型R²均在0.998 7以上,RMSE介于0.498 8~0.863 2 mm,占最大位移量的0.67%~0.82%,拟合效果略逊于YJ3监测点。与图7所建立的拟合公式相比,R²增大2.9%~5.87%,而RMSE与最大位移量比值有明显降低,预测效果显著提高。

采用GBRT模型对YJ3监测点进行预测,3类位移量预测模型R²均在0.998 5以上,RMSE介于5.251 3~8.517 5 mm,占最大位移量的0.37%~0.70%,拟合效果较为理想;而对于YJ5监测点,预测模型R²均在0.997 4以上,RMSE介于0.314 2~0.478 3 mm,占最大位移量的0.40%~0.43%。与图7所建立的拟合公式相比,R²增大2.7%~5.87%;而RMSE与最大位移量比值有明显降低,预测效果显著提高。

图11展示了滑坡监测点YJ3、YJ5的水平、垂直、矢量方向的位移监测值与2种机器学习模型(GBRT模型、DT模型)的位移预测值在测试集上的对比结果。直观地比较GBRT和DT模型在多个监测点滑坡位移预测任务中的效果。图11将实际位移值与两种模型的预测值并列展示,便于直接观察预测值与真实值的接近程度。整体上反映出GBRT模型和DT模型均能取得不错的预测效果。

表6对比了DT模型和GBRT模型在两个滑坡监测点(YJ3、YJ5)不同方向(水平、垂直、矢量)上的预测性能,所有模型的R²>0.996(多数>0.998),表明预测值与实际值拟合度极佳。不同交叉验证次数(5、10、15、20次)下,R²波动极小,模型结果稳定可靠。YJ3监测点(尤其F方向)的RMSE(>4 mm)显著高于YJ5监测点(<1 mm)。对于YJ5监测点,GBRT模型的RMSE普遍低于DT,预测精度略优。

在相关性分析基础上,建立了考虑多种因素的拟合公式和机器学习模型,拟合公式适用于日采样频率下不同点位滑坡体灾变趋势初步分析;在日采样频率条件下建立的拟合公式难以直接用于滑坡体预警。基于监测周期T、降雨量日累计值R、隧道水位H、渗水量均值Q等多因素的机器学习模型,可用于滑坡体临滑预警判断。多种因素选取充分考虑多发性降雨型滑坡复杂特征,研究表明^[27-29],单一的降雨量很难满足滑坡位移预测要求,滑坡体的地质特征、构造特征以及岩土体类型均对降雨有不同响应,因此增加了监测周期T、隧道水位H、渗水量均值等多因素,监测周期T可反映滑坡周期性规律,隧道水位H可反映人类工程活动的影响,渗水量均值反映滑坡体特征、降雨入渗以及地下水位变化的耦合关系,拟合参数选取科学合理,具有丰富工程实际意义。DT模型和GBRT模型具备非线性关系的捕捉能力,适用于小样本数据预测,但对监测数据连续性依赖较高,未考虑地震等特殊工况。本文研究监测数据基于多发性滑坡,可用于滑坡堆积体稳定性评估和多发性滑坡位移规律研究,存在实际应用价值和理论研究价值。

本文研究建立的滑坡预测方法有效性突出且具有推广价值,其在相关性分析基础上,充分契合多发性降雨型滑坡复杂特征,科学选取监测周期、降雨量、隧道水位、渗水量均值等多个关键因素,规避了单一因素预测的局限性。基于多因素建立的 DT、GBRT 机器学习模型可用于临滑预警判断,模型能有效捕捉非线性关系,适配小样本数据场景。该方法参数选取贴合工程实际,可广泛应用于滑坡堆积体稳定性评估及多发性滑坡位移规律研究,推广潜力显著。

4 结论

(1)对四湾村多发性山地滑坡进行多因素监测,相关性研究表明监测周期T、降雨量日累计值R、引水隧道水位H、渗流量均值Q对滑坡位移有重要影响,并开展回归分析,建立了滑坡体位移拟合公式,可用于长周期监测条件下滑坡体位移初步预测和变形机制分析。

(2)前缘堆积区监测点位移量明显大于后缘位移量,两者相差近一个数量级,前缘堆积区以水平位移为主,且对降雨的响应具有滞后性;坡体后缘监测点位移则以垂直向位移为主,位移量较小,其变化量受水文参数耦合作用影响,并在特定水文周期作用下易发生阶跃式增长。

(3)以四湾村多发性山地滑坡为研究对象,首次将引水隧道水位H、渗流量均值Q作为因变量纳入滑坡位移预测模型,建立了考虑多因素监测的决策树和梯度提升回归树位移预测模型,填补滑坡位移研究中对地下水动态响应研究的不足,有效提升小样本数据下的预测准确性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	宋雨航, 易庆林, 邓茂林, 等. 强降雨诱发秭归游家河滑坡变形破坏机理[J]. 科学技术与工程, 2025, 25(26): 11051-11061.

[2]	Song Yuhang, Yi Qinglin, Deng Maolin, et al. Deformation and failure mechanism of Youjiahe landslide induced by heavy rainfall in Zigui[J]. Science Technology and Engineering, 2025, 25(26): 11051-11061.

[3]	彭建兵, 徐能雄, 张永双, 等. 论地质安全研究的框架体系[J]. 工程地质学报, 2022, 30(6): 1798-1810.

[4]	Peng Jianbing, Xu Nengxiong, Zhang Yongshuang, et al. The framework system for geosafety research[J]. Journal of Engineering Geology, 2022, 30(6): 1798-1810.

[5]	张子盼, 张枝华, 黄波林, 等. 重庆市金鸡岭滑坡成因机理及排水工程效应[J]. 科学技术与工程, 2025, 25(23): 9725-9733.

[6]	Zhang Zipan, Zhang Zhihua, Huang Bolin, et al. Genetic mechanism and drainage engineering effect of Jinjiling landslide in Chongqing[J]. Science Technology and Engineering, 2025, 25(23): 9725-9733.

[7]	Saito M. Forecasting the time of occurrence of a slope failure[C]// Proceedings of the 6th International Conference on Soil Mechanics and Foundation Engineering. Montreal: International Society of Soil Mechanics and Foundation Engineering, 1965: 537-541.

[8]	Saito M. Forecasting time of slope failure by tertiary creep[C]// Proceedings of the 7th International Conference on Soil Mechanics and Foundation Engineering. Mexico City: International Society of Soil Mechanics and Foundation Engineering, 1969: 677-683.

[9]	Voight B. A method for prediction of volcanic eruption[J]. Nature, 1988, 332(6160): 125-130.

[10]	Voight B. A relation to describe rate-dependent material failure[J]. Science, 1989, 243(4888): 200-203.

[11]	马飞燕, 李向新. 基于改进麻雀搜索算法-核极限学习机耦合算法的滑坡位移预测模型[ J]. 科学技术与工程, 2022, 22(5): 1786-1793.

[12]	Ma Feiyan, Li Xiangxin. Landslide displacement prediction model using improved SSA-KELM coupling algorithm[J]. Science Technology and Engineering, 2022, 22(5): 1786-1793.

[13]	邱茂, 董建辉, 赵建军, 等. 基于时间序列分析的滑坡位移预测: 以尖山营古滑坡复活为例[J]. 科学技术与工程, 2020, 20(30): 12361-12366.

[14]	Qiu Mao, Dong Jianhui, Zhao Jianjun, et al. Landslide displacement prediction based on time series analysis: a case study of the revival of Jianshanying ancient landslide[J]. Science Technology and Engineering, 2020, 20(30): 12361-12366.

[15]	江文金, 冷小鹏, 林祥, 等. 基于时间序列与时间卷积网络的滑坡位移预测[J]. 科学技术与工程, 2023, 23(9): 3672-3679.

[16]	Jiang Wenjin, Leng Xiaopeng, Lin Xiang, et al. Landslide displacement prediction based on time series and time convolution network[J]. Science Technology and Engineering, 2023, 23(9): 3672-3679.

[17]	Wen H, Xiao J, Wang X, et al. Analysis of soil-water characteristics and stability evolution of rainfall-induced landslide: a case of the Siwan Village landslide[J]. Forests, 2023, 14(4): 808.

[18]	郭英航, 文继东, 杨云飞, 等. 山地多级土质滑坡成因机制分析及演化趋势预测: 以重庆九包岩滑坡为例[J]. 科学技术与工程, 2025, 25(7): 2721-2731.

[19]	Guo Yinghang, Wen Jidong, Yang Yunfei, et al. Formation mechanism and evolution trend prediction of multilevel soil landslides in mountainous areas: taking the Jiubaoyan landslide in Chongqing as an example[J]. Science Technology and Engineering, 2025, 25(7): 2721-2731.

[20]	杨校辉, 陈昆全, 张卫雄, 等. 复活堆积体滑坡治理中大口径抗滑桩监测与滑坡推力分析[J]. 岩石力学与工程学报, 2023, 42(11): 2776-2787.

[21]	Yang Xiaohui, Chen Kunquan, Zhang Weixiong, et al. Monitoring of large-diameter anti-slide piles and analysis of landslide thrust in resuscitated accumulation landslides[J]. Chinese Journal of Geotechnical Engineering, 2023, 42(11): 2776-2787.

[22]	王慧, 文海家, 胡东萍, 等. 山地环境地质灾害易发性县级区划研究——以重庆城口县为例[C]// 2015年全国工程地质学术年会论文集. 长春: 中国地质学会工程地质专业委员会, 2015: 588-593.

[23]

Wang Hui, Wen Haijia, Hu Dongping, et al. Research on county-level zoning of geological disaster susceptibility in mountainous environments: a case study of Chengkou County, Chongqing[C]// Proceedings of the 2015 National Annual Conference on Engineering Geology. Changchun: Engineering Geology Committee of the Geological Society of China, 2015: 588-593.

[24]	周金禄, 王明, 余长胜, 等. 藏东贡觉地区岩质滑坡多发性研究——以色拉滑坡为例[J]. 地质通报, 2025, 44(10): 1989-2002.

[25]	Zhou Jinlu, Wang Ming, Yu Changsheng, et al. Study on multiple rock landslides in Gongjue area of eastern Tibet : case study of Sela landslide[J]. Geological Bulletin of China, 2025, 44(10): 1989-2002.

[26]	周新植. 滑坡易发性机器学习优化模型及可解释性研究[D]. 重庆: 重庆大学, 2022.

[27]	Zhou Xinzhi. Research on optimized machine learning model and interpretability for landslide susceptibility[D]. Chongqing: Chongqing University, 2022.

[28]	张贤. 基于斜坡单元的重庆市城口县地质灾害风险性评价[D]. 重庆: 重庆师范大学, 2021.

[29]	Zhang Xian. Risk assessment of geological disasters in Chengkou County, Chongqing based on slope units[D]. Chongqing: Chongqing Normal University, 2021.

[30]	薛蒙蒙. 山区道路沿线滑坡易发性随机森林和支持向量机评价模型[D]. 重庆: 重庆大学, 2020.

[31]	Xue Mengmeng. Evaluation models of landslide susceptibility along mountain roads based on random forest and support vector machine[D]. Chongqing: Chongqing University, 2020.

[32]	Sun D L, Gu Q Y, Wen H J, et al. Assessment of landslide susceptibility along mountain highways based on different machine learning algorithms and mapping units by hybrid factors screening and sample optimization[J]. Gondwana Research, 2023, 123: 89-106.

[33]	伍阳. 降雨型滑坡失稳演化机制与动力学分析[D]. 重庆: 重庆大学, 2021.

[34]	Wu Yang. Instability evolution mechanism and dynamic analysis of rainfall-induced landslides[D]. Chongqing: Chongqing University, 2021.

[35]	Wang Y H, Wang L Q, Liu S L, et al. Machine learning solution for regional landslide susceptibility based on fault zone division strategy[J]. Journal of Mountain Science, 2024, 21(5): 1745-1760.

[36]	王正波, 张明, 陈建军, 等. 酸雨对重庆武隆鸡尾山滑坡滑带页岩物理力学性质的影响[J]. 水文地质工程地质, 2017, 44(3): 113-118, 142.

[37]	Wang Zhengbo, Zhang Ming, Chen Jianjun, et al. Effects of acid rain on physical and mechanical properties of silty mudstone in the sliding zone of the Jiweishan landslide, Wulong, Chongqing[J]. Hydrogeology & Engineering Geology, 2017, 44(3): 113-118, 142.

[38]	郑思维, 胡明鉴, 霍玉龙. 钙质砂渗透性影响因素及预测模型[J]. 岩土力学, 2024, 45(S1): 217-224.

[39]	Zheng Siwei, Hu Mingjian, Huo Yulong. Factors affecting permeability of calcareous sands and predictive models[J]. Rock and Soil Mechanics, 2024, 45(S1): 217-224.

[40]	郭银景, 宋先奇, 杨蕾, 等. 基于梯度提升回归树的井下定位算法[J]. 科学技术与工程, 2019, 19(8): 138-144.

[41]	Guo Yinjing, Song Xianqi, Yang Lei, et al. A coal mine underground positioning algorithm based on gradient boost regression tree[J]. Science Technology and Engineering, 2019, 19(8): 138-144.

[42]	Hastie T, Tibshirani R, Friedman J. The elements of statistical learning: data mining, inference, and prediction[M]. 2nd ed. New York: Springer, 2009.

[43]	Wen H J, Huang J H, Qian L, et al. The spatial-temporal evolution patterns of landslide-oriented resilience in mountainous city: a case study of Chongqing, China[J]. Journal of Environmental Management, 2024, 370: 122963.

[44]	曾子健, 肖慧, 徐哈宁, 等. 基于CRITIC赋权法与PSO-SVR模型的滑坡地表位移预测[J]. 科学技术与工程, 2024, 24(35): 14940-14946.

[45]	Zeng Zijian, Xiao Hui, Xu Haning, et al. Research on landslide surface displacement prediction based on CRITIC weight method and PSO-SVR model[J]. Science Technology and Engineering, 2024, 24(35): 14940-14946.

[46]	邓志兴, 谢康, 李泰灃, 等. 基于机器学习的高铁边坡位移预测不确定性度量与应用[J]. 中国铁道科学, 2024, 45(1): 56-67.

[47]	Deng Zhixing, Xie Kang, Li Taifeng, et al. Uncertainty measurement and application of high-speed railway slope displacement prediction based on machine learning[J]. China Railway Science, 2024, 45(1): 56-67.

[48]	朱彦鹏, 杜一博, 杨校辉, 等. 甘肃舟曲河那滑坡变形特征及孕灾机理[J]. 科学技术与工程, 2022, 22(25): 10884-10895.

[49]	Zhu Yanpeng, Du Yibo, Yang Xiaohui, et al. Study on disaster mechanism and stability evaluation of Hena landslide in Zhouqu, Gansu Province[J]. Science Technology and Engineering, 2022, 22(25): 10884-10895.

基金资助

国家自然科学基金重点项目(42230715)

PDF (16547KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-04	2026-07-28	2025-12-16
Online Date
2026-08-14

摘要