二维滑坡动力学参数概率反分析与滑程超越概率评估方法技术

本发明专利技术实施例提供了二维滑坡动力学参数概率反分析与滑程超越概率评估方法，涉及滑坡危险性预测技术领域。该方法将动态数值模型的输入参数作为服从某种分布的随机变量，即先验分布，并通过基于马尔可夫链蒙特卡罗的贝叶斯推理，利用过去事件的运动距离作为观察特征，从而有效地改善其先验分布，得到后验分布。随后，如果一个潜在的滑坡与这个过去滑坡相似，那么即可利用改进的后验分布进行潜在滑坡的危险性率预测，估计了滑坡路径上不同位置点的超越概率，获得运动距离超越曲线。本发明专利技术实施例通过选取不同的超越概率阈值，从而生成潜在滑坡的运动危险性区划图，为二维滑坡的风险评价和管理提供了重要依据。价和管理提供了重要依据。价和管理提供了重要依据。

【技术实现步骤摘要】
二维滑坡动力学参数概率反分析与滑程超越概率评估方法


[0001]本专利技术实施例涉及滑坡危险性预测
，特别是涉及二维滑坡动力学参数概率反分析与滑程超越概率评估方法。

技术介绍

[0002]滑坡是最大的自然灾害之一，在全世界范围内造成许多人死亡和严重的经济损失。为了减少滑坡的社会影响，有必要对二维潜在滑坡进行风险评估并实施缓解策略。运移强度(例如，运动距离、堆积厚度、速度和冲击压力)的预测是风险评估的关键步骤，尤其是涉及极其快速的流状滑坡。
[0003]基于物理的动态数值模型已成为一种越来越受欢迎的流状滑坡运动分析工具，包括过去事件的反向分析和潜在未来事件的预测。对于滑坡定量风险评估，运动预测是必要的；但是，由于大多数这些模型使用简化的流变关系来描述二维滑坡复杂的运动过程，因此无法直接和准确地测量模型输入参数，导致模型存在不确定性，为了全面的进行定量风险评估，有必须考虑并量化这些不确定性。
[0004]为了评估这些不确定性的影响，一些研究者将动态数值模型中的输入参数视为随机变量，随后采用MCS(蒙特卡罗模拟，Monte Carlo method)进行概率运移预测(也称概率运动距离预测)。例如，使用950MCSs获得关于芬兰峡湾滑坡的流出距离、最大沉积深度和最大速度的统计信息；或采用5000MCSs估算泥石流多个控制点的最大速度和最大高度的概率分布；或应用MCS评估冲积扇各点冲击力的概率密度分布。不幸的是，概率运移预测的准确性很大程度上依赖于不确定参数的统计信息，而这在实验室或现场是很难获得的。r/>[0005]如何选择输入参数以将这些模型用于可靠的滑坡运动预测问题是当前最大的研究挑战之一。通常，可以通过对(相对)有据可查的过去事件进行反向分析来获得合理的输入预测参数。对于在潜在滑坡地区中已经发生了类似的且有据可查的过去滑坡，那么就可通过对过去滑坡的反分析校准确定模型的输入参数，从而对潜在滑坡进行正向预测，即从反向分析到运动预测。
[0006]概率反分析的方法可以分为两类：(i)确定性反分析；(ii)概率反分析。确定性反分析旨在确定一组唯一的参数，这些参数将通过反复试验计算出的运动距离、速度或堆积厚度与给定的真实事件相匹配。然而，最佳拟合参数集通常不是唯一的，因为多个参数集可能产生高度相似的模型输出；因此，它们忽略了参数的非唯一性。相反，概率反分析方法能够通过考虑输入参数的不确定性来确定多组参数。这对于概率运移预测是有用的，因为概率反分析的结果可以告知校准参数的不确定性。
[0007]最大似然法和贝叶斯方法可能是最常用的概率反分析方法。使用最大似然法对滑坡稳定性问题进行反分析，具有良好的计算效率。尽管概率反分析方法比确定性方法具有多个优势，但很少有研究集中在滑坡运动过程的概率反分析上。一些研究者提出了雪崩危害建模的贝叶斯概率框架，其中动态雪崩模型输入参数的后验分布是通过贝叶斯推论使用先前雪崩的观测结果确定的。还有一些研究者运用贝叶斯定律校准了滑坡运动距离模型并
评估了滑坡参数的后验分布。但是，校准后的模型预测未来事件的性能仍然不清楚。因此，需要一种有效、可靠的概率过程来对滑坡运动过程进行反分析，以便能够对滑坡失稳时的运动距离(运动距离为滑坡顶部与堆积坡脚之间的距离)进行可靠的概率正向预测。

技术实现思路

[0008]本专利技术实施例提供了二维滑坡动力学参数概率反分析与滑程超越概率评估方法，以克服上述的问题。
[0009]为了解决上述问题，本专利技术实施例公开了二维滑坡动力学参数概率反分析与滑程超越概率评估方法，所述方法包括：
[0010]分别构建潜在滑坡的克里金代理模型和过去滑坡的克里金代理模型，其中，所述过去滑坡与所述潜在滑坡的物质性质和滑坡类型相似；
[0011]定义随机变量，确定所述随机变量的先验分布，并基于马尔可夫链蒙特卡罗的贝叶斯定理，利用所述过去滑坡的克里金代理模型对所述随机变量的先验分布进行更新，得到所述随机变量的后验分布；
[0012]利用所述潜在滑坡的克里金代理模型对所述后验分布中的T个样本点分别进行计算，得到每个样本点的运动距离，其中，所述T是蒙特卡罗模拟的样本数；
[0013]针对所述T个样本点，建立相应样本点的功能函数，以计算每个样本点的运动距离超过预先设定的运动距离阈值的超越概率，针对多个不同的所述运动距离阈值重复计算所述超越概率，生成运动距离超越概率曲线；
[0014]针对所述运动距离超越概率曲线，根据预设的概率分类标准评估所述潜在滑坡的不同区域的危险等级。
[0015]在本专利技术一实施例中，分别构建潜在滑坡的克里金代理模型和过去滑坡的克里金代理模型，包括：
[0016]分别构建所述潜在滑坡的动态数值模型和所述过去滑坡的动态数值模型；
[0017]在预先设定的上限和下限范围内，通过均匀设计UD方法对所述随机变量进行采样，得到输入数据集，所述输入数据集包括多个采样点；
[0018]利用所述潜在滑坡的动态数值模型对每个所述采样点对应的运动距离进行计算，得到第一输出数据集，所述第一输出数据集包括多个所述采样点的运动距离；
[0019]利用所述过去滑坡的动态数值模型对每个所述采样点对应的运动距离进行计算，得到第二输出数据集，所述第二输出数据集包括多个所述采样点的运动距离；
[0020]基于所述输入数据集和所述第一输出数据集，对克里金Kriging模型进行训练，得到所述潜在滑坡的克里金代理模型；
[0021]基于所述输入数据集和所述第二输出数据集，对克里金Kriging模型进行训练，得到所述过去滑坡的克里金代理模型。
[0022]在本专利技术一实施例中，分别构建所述潜在滑坡的动态数值模型和所述过去滑坡的动态数值模型，包括：
[0023]分别获得所述潜在滑坡与所述过去滑坡滑动前的数字高程模型和滑动后的数字高程模型；
[0024]基于所述过去滑坡滑动前的数字高程模型和滑动后的数字高程模型，建立所述过
去滑坡的动态数值模型；
[0025]基于所述潜在滑坡滑动前的数字高程模型和滑动后的数字高程模型，建立所述潜在滑坡的动态数值模型。
[0026]在本专利技术一实施例中，所述方法还包括：
[0027]在所述输入数据集中随机选择多个附加采样点；
[0028]针对每个所述附加采样点，使用动态数值模型和克里金代理模型分别计算所述附加采样点的运动距离；其中，当所述动态数值模型为所述过去滑坡的动态数值模型时，所述克里金代理模型为所述过去滑坡的克里金代理模型；当所述动态数值模型为所述潜在滑坡的动态数值模型时，所述克里金代理模型为所述潜在滑坡的克里金代理模型；
[0029]将所述动态数值模型计算获得的运动距离与所述克里金代理模型计算获得的运动距离进行比较，以对所述克里金代理模型的替代性进行评价。
[0030]在本专利技术一实施例中，所述方法还包括：
[0031]确定模型偏差系数ε；
[0032]滑坡运移距离模型表示为：...

【技术保护点】

【技术特征摘要】
1.二维滑坡动力学参数概率反分析与滑程超越概率评估方法，其特征在于，所述方法包括：分别构建潜在滑坡的克里金代理模型和过去滑坡的克里金代理模型，其中，所述过去滑坡与所述潜在滑坡的物质性质和滑坡类型相似；定义随机变量，确定所述随机变量的先验分布，并基于马尔可夫链蒙特卡罗的贝叶斯定理，利用所述过去滑坡的克里金代理模型对所述随机变量的先验分布进行更新，得到所述随机变量的后验分布；利用所述潜在滑坡的克里金代理模型对所述后验分布中的T个样本点分别进行计算，得到每个样本点的运动距离，其中，所述T是蒙特卡罗模拟的样本数；针对所述T个样本点，建立相应样本点的功能函数，以计算每个样本点的运动距离超过预先设定的运动距离阈值的超越概率，针对多个不同的所述运动距离阈值重复计算所述超越概率，生成运动距离超越概率曲线；针对所述运动距离超越概率曲线，根据预设的概率分类标准评估所述潜在滑坡的不同区域的危险等级。2.根据权利要求1所述的方法，其特征在于，分别构建潜在滑坡的克里金代理模型和过去滑坡的克里金代理模型，包括：分别构建所述潜在滑坡的动态数值模型和所述过去滑坡的动态数值模型；在预先设定的上限和下限范围内，通过均匀设计UD方法对所述随机变量进行采样，得到输入数据集，所述输入数据集包括多个采样点；利用所述潜在滑坡的动态数值模型对每个所述采样点对应的运动距离进行计算，得到第一输出数据集，所述第一输出数据集包括多个所述采样点的运动距离；利用所述过去滑坡的动态数值模型对每个所述采样点对应的运动距离进行计算，得到第二输出数据集，所述第二输出数据集包括多个所述采样点的运动距离；基于所述输入数据集和所述第一输出数据集，对克里金Kriging模型进行训练，得到所述潜在滑坡的克里金代理模型；基于所述输入数据集和所述第二输出数据集，对克里金Kriging模型进行训练，得到所述过去滑坡的克里金代理模型。3.根据权利要求2所述的方法，其特征在于，分别构建所述潜在滑坡的动态数值模型和所述过去滑坡的动态数值模型，包括：分别获得所述潜在滑坡与所述过去滑坡滑动前的数字高程模型和滑动后的数字高程模型；基于所述过去滑坡滑动前的数字高程模型和滑动后的数字高程模型，建立所述过去滑坡的动态数值模型；基于所述潜在滑坡滑动前的数字高程模型和滑动后的数字高程模型，建立所述潜在滑坡的动态数值模型。4.根据权利要求2所述的方法，其特征在于，所述方法还包括：在所述输入数据集中随机选择多个附加采样点；针对每个所述附加采样点，使用动态数值模型和克里金代理模型分别计算所述附加采样点的运动距离；其中，当所述动态数值模型为所述过去滑坡的动态数值模型时，所述克里
金代理模型为所述过去滑坡的克里金代理模型；当所述动态数值模型为所述潜在滑坡的动态数值模型时，所述克里金代理模型为所述潜在滑坡的克里金代理模型；将所述动态数值模型计算获得的运动距离与所述克里金代理模型计算获得的运动距离进行比较，以对所述克里金代理模型的替代性进行评价。5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：确定模型偏差系数ε；滑坡运移距离模型表示为：y＝ε
·
D(θ)
ꢀꢀꢀꢀ
(1)；其中，y表示所述过去滑坡的实际运动距离，θ表示所述随机变量的样本点，D(θ)表示由校准前的所述过去滑坡的克里金代理模型计算获得的运动距离；D(θ)通过以下公式计算：D(θ)＝F(θ)+z(θ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；其中，F(θ)是通过回归分析获得的趋势函数，z(θ)是一个均值为零的平稳高斯过程；假设ε服从正态分布，平均值为1，标准偏差为σ
ε
，对所述过去滑坡的克里金代理模型进行校准，得到y与D(θ)之间的表达式：L(θ|y＝D
obs
)＝N[D
obs
/D(θ)]
ꢀꢀꢀꢀ
(3)；其中，D
obs
表示由校准后的所述过去滑坡的克里金代理模型计算获得的运动距离，N为...

【专利技术属性】
技术研发人员：曾鹏，孙小平，李天斌，许强，王升，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：