【ZiDongHua之“自動化學(xué)院派”收錄關(guān)鍵詞：蘭州大學(xué)   應(yīng)急管理   監(jiān)測預(yù)警 】
 
　　蘭州大學(xué)地災(zāi)團隊在泥石流降雨閾值模型構(gòu)建方面取得系列研究成果
 
　　為了解決區(qū)域泥石流降雨監(jiān)測預(yù)警精度不足的問題并提高提前預(yù)報時間，蘭州大學(xué)地質(zhì)災(zāi)害研究團隊于2012年在白龍江流域建立了地質(zhì)災(zāi)害野外科學(xué)觀測研究站。基于10余年的長期連續(xù)觀測數(shù)據(jù)，在新降雨特征提取、新泥石流降雨閾值模型構(gòu)建等方面取得了系列研究成果，包括：
 
　?。?）首次提出“能量雨強”和“綜合雨強”的概念，并構(gòu)建了新型綜合降雨強度-歷時閾值曲線；
 
　　（2）首次將從降雨數(shù)據(jù)中提取的“絕對能量”等參數(shù)用于泥石流智能預(yù)報模型構(gòu)建中，顯著提高了模型的精確度和提前預(yù)報時間。
 
　　相關(guān)成果已發(fā)表論文包括兩篇一區(qū)Top期刊《Engineering Geology》和兩篇二區(qū)期刊《Bulletin of Engineering Geology and the Environment》、《Landslides》，第一作者為趙巖-青年研究員，通訊作者包括孟興民教授和李亞軍講師。詳細內(nèi)容見：
 
　　[1]Zhao Yan,Li Yajun*,Zheng Jiaoyu,Wang Yirui,Meng Xingmin,Yue Dongxia,Guo Fuyun,Chen Guan,Qi Tianjun,Zhang Yongjun.A new rainfall Intensity−Duration threshold curve for debris flows using comprehensive rainfall intensity.Engineering Geology,2025,107949.
 
　　[2]Zhao Yan,Meng Xingmin*,Qi Tianjun,Chen Guan,Li Yajun,Yue Dongxia,Qing Feng.Estimating the daily rainfall thresholds of regional debris flows using a machine learning approach.Bulletin of Engineering Geology and the Environment,2023,82,46.
 
　　[3]Zhao Yan,Meng Xingmin*,Qi Tianjun,Li Yajun,Chen Guan,Yue Dongxia,Qing Feng.AI-based rainfall prediction model for debris flows.Engineering Geology,2022,296,106456.
 
　　[4]Zhao Yan,Meng Xingmin*,Qi Tianjun,Chen Guan,Li Yajun,Yue Dongxia,Qing Feng.Extracting more features from rainfall data to analyze the triggering conditions of debris flows.Landslides,2022,19,2091-2099.
 
　　01
 
　　研究背景
 
　　降雨是泥石流的主要觸發(fā)因素之一，降雨強度-歷時（I−D）閾值曲線是目前滑坡泥石流早期預(yù)警模型中應(yīng)用廣泛的模型。但它有一個明顯的缺陷，即當兩次降雨事件的降雨歷時和累計雨量相近時，它無法區(qū)分具有不同峰值的降雨過程。圖1為白龍江流域構(gòu)林坪溝367個降雨事件的logD–logI散點圖，存在一些誤報和漏報的降雨事件，為探究原因選取降雨歷時接近、降雨強度相等的兩次降雨事件，觀察其降雨過程可知，雖然平均雨強相同，但觸發(fā)泥石流和未觸發(fā)泥石流的降雨過程差異較大（圖1b），為定量描述這一差異，需探索新的雨強參數(shù)來反映降雨過程的差異。
 
　　目前尚無成熟、可靠、適用范圍廣的泥石流閾值模型可供推廣，這是目前泥石流降雨觸發(fā)閾值研究的瓶頸問題。造成這個瓶頸問題的原因之一是模型使用的降雨特征參數(shù)較少，無法反映降雨過程所蘊含的其他特征信息，所以從降雨數(shù)據(jù)中探索對觸發(fā)泥石流更敏感的特征參數(shù)，對泥石流閾值模型的構(gòu)建很有價值。另一方面，傳統(tǒng)泥石流閾值模型過于簡單，隨著人工智能技術(shù)的快速發(fā)展，為構(gòu)建復(fù)雜的泥石流智能預(yù)報模型提供了新的解決方案。
 
 
　　圖1白龍江流域構(gòu)林坪泥石流溝logD–logI閾值線
 
　　02
 
　　新降雨特征參數(shù)挖掘
 
　　目前泥石流閾值模型常用的降雨特征參數(shù)包括①累積降雨量（cumulative rainfall，C）②有效降雨量（effective rainfall，Re）③降雨強度（rainfall intensity，I），包括平均降雨強度（I）、最大降雨強度（Im）、觸發(fā)降雨強度（It）和峰值降雨強度（Ip）④降雨歷時（rainfall duration，D）⑤日降雨量（daily rainfall，Rd）⑥平均降雨量（average rainfall，Ra）⑦平均面積降雨量（mean areal rainfall，Rma）。
 
　　本研究采用時序數(shù)據(jù)處理Python庫tsfresh，從降雨數(shù)據(jù)中提取了141個特征參數(shù)，通過特征重要性分析（圖2），發(fā)現(xiàn)了對泥石流預(yù)報較為敏感的“絕對能量”等特征參數(shù)。并基于此，首次提出能量雨強的概念，以期構(gòu)建精度更高的泥石流閾值模型。對于降雨事件序列Rn=[r1,r2,r3,···,rn]，則：
 
　　降雨歷時：D=n/12(h)；
 
　　累積雨量：C=r1+r2+···+rn(mm)；
 
　　平均雨強：I=C/D(mm/h)；
 
　　最大雨強：Im=max(Rn)(mm/5min)；
 
　　絕對能量：E（E=r12+r22+···+rn2）；
 
　　能量雨強：Ie=E/D(mm2/h)。
 
 
　　圖2降雨特征參數(shù)重要性排序
 
　　03
 
　　新型泥石流I-D閾值曲線構(gòu)建
 
　　基于平均雨強（I）、能量雨強（Ie）和最大雨強（Im）三個雨強參數(shù)，設(shè)計了11種組合（表1），包括4個但參數(shù)雨強參數(shù)和7個綜合雨強參數(shù)。分別構(gòu)建了降雨強度–歷時曲線，統(tǒng)計誤報、漏報次數(shù)可知，錯報最少的組合是IIe–D、(I+Im)–D和(I+Ie)–D模型（10次），與I–D模型（13次）相比，降低了23%的誤報和漏報次數(shù)。
 
　　表1不同雨強參數(shù)組合的誤報和漏報次數(shù)
 
 
　　以圖1b中兩次降雨事件為例，對比降雨事件的不同雨強參數(shù)，結(jié)果見表2。可知，觸發(fā)和未觸發(fā)泥石流的這兩次降雨事件的平均雨強僅相差0.1，導(dǎo)致I−D閾值曲線無法將二者有效區(qū)分，但兩次降雨事件的能量雨強Ie和最大雨強Im相差較大，且IIe差異更大，彌補了傳統(tǒng)I−D閾值曲線的不足。
 
　　表2不同降雨過程雨強參數(shù)對比
 
　　04
 
　　泥石流智能預(yù)報模型構(gòu)建
 
　　雖然提出了新的雨強參數(shù)并構(gòu)建了新型I-D閾值曲線，但仍存在較多的誤報和漏報情況，所以本研究嘗試借助機器學(xué)習(xí)方法構(gòu)建泥石流智能預(yù)報模型，仍然采用白龍江流域構(gòu)林坪溝為例，測試了17種機器學(xué)習(xí)算法，根據(jù)構(gòu)林坪溝5個雨量計2012-12至2015-4確定的367個降雨事件（其中46個降雨事件觸發(fā)了泥石流，321個降雨事件沒有觸發(fā)泥石流），建立了降雨觸發(fā)泥石流的智能預(yù)報模型，該模型可以自動評估任何給定降雨序列觸發(fā)泥石流的可能性。
 
　　通過模型評估和優(yōu)化，最終Extra Trees模型表現(xiàn)最好（圖3），在模擬真實降雨監(jiān)測情況的16968個降雨滾動序列的檢驗下，模型沒有誤報和漏報，雖然其精度排名第二，但在對比模型對泥石流事件的提前預(yù)報能力時Extra Trees模型表現(xiàn)最好（表3）。以2012年5月11日的泥石流事件做驗證，該模型在泥石流到達集水區(qū)出口前35分鐘準確預(yù)測了泥石流事件（圖4），可為早期預(yù)警提供寶貴的時間。
 
　　圖3模型預(yù)測精度排序
 
　　表3模型性能評估（灰色表示優(yōu)化前的模型，藍色表示優(yōu)化后的模型，367T和16968T分別表示367和16968個降雨序列；13D分別表示13次泥石流事件）
 
 
　　圖4模型對2012-5-11泥石流事件降雨事件的預(yù)測結(jié)果