基于BP网络模型的运城市地裂缝活动性预测研究*

张 静 赵超英

1)长安大学地质工程与测绘学院，西安 710054 2)西部矿产资源与地质工程教育部重点实验室，西安710054

基于BP网络模型的运城市地裂缝活动性预测研究*

张 静1)赵超英1，2)

1)长安大学地质工程与测绘学院，西安 710054 2)西部矿产资源与地质工程教育部重点实验室，西安710054

20世纪50年代山西断陷盆地内出现了大量的地裂缝群，其中以运城盆地最为明显，在分析该地区地质构造背景的基础上，重点分析了新构造运动、抽水引起的地面沉降、降水量以及地层地貌条件对地裂缝的影响作用;采用BP神经网络模型结合地理信息系统(GIS)对地裂缝的活动性进行了预测分析，并进一步利用已知的地裂缝信息对结果进行了验证，该结论对该地区地裂缝的防治区划有一定的指导作用。

地裂缝;运城市;BP神经网络模型;地理信息系统;活动

1 引言

地裂缝是一种表生的渐进性地质灾害现象，它是在内外力作用下岩石和土层发生变形，当力的作用与积累超过岩土层内部的结合力时，岩土层发生破裂，其连续性遭到破坏而形成的裂隙。近年来，地裂缝灾害的规模和频率都在逐渐加剧，其所经之处，地面及地下各类建筑物开裂，路面破坏，地下供水、输气管道错断，不但造成了较大经济损失，也给居民生活带来不便，甚至可能导致一系列严重的生态环境问题［1］。因此，准确进行地裂缝活动强度预测不仅可以为城市建设提供地裂缝预警，还可为政府的整个防灾减灾工作提供科学的指导依据。

本文主要是结合地理信息系统(GIS)和BP神经网络模型对运城市的地裂缝活动强度进行预测。地理信息系统(GIS)技术不仅能有效地管理影响地质灾害发生的各种内在因素，又能有效地管理各种外部动力因素，使地质灾害研究工作进入一个新的信息化、数字化、定量化的阶段［2］。而神经网络模型具有实现任何复杂非线性映射的功能以及强大的自适应学习能力，被广泛的应用在模式识别、分类、噪声去除等一系列的非线性问题中［3］。基于此，本文首先利用地理信息系统分析和提取了影响运城市地裂缝灾害的各个影响因子，从而建立各个致灾因子专题图层，并对其进行相应的量化处理;然后利用BP神经网络对地裂缝的活动强度进行学习、训练，从而得到全区的地裂缝活动强度分区图。

2 研究区概况

运城盆地是山西断陷盆地中地裂缝分布范围最广，发育规模最大的区域［4］，而其中以运城市盐湖区的地裂缝分布最为密集。研究区地处山西省西南部，属运城市所辖，位于运城盆地中心，东连夏县，西临永济、临猗，南依中条山与平陆、芮城为界，北傍稷王山与万荣、稷山、闻喜相接。地理坐标为东径110°41'23〞～111°12'27〞，北纬34°48'27〞～35°22'30〞。全区东西长41 km，南北宽62 km，总面积1 237 km2。

该区域地裂缝发育及其分布特征主要受下伏基岩的活动断裂及断裂带所控制［5］。从全区来看，地裂缝主要分布在3个区域(图1):其一为上郭-三路里一带，地裂缝的展布方向主要为NNW-SSE向以及NEE-SWW向;其二为陶村镇五曹-半坡-陶村一带，地裂缝的展布方向主要为NNE-SSW向;其三为龙居镇长江府-罗义-芪盛村一带，地裂缝的展布方向主要为NNW-SSE向。从地裂缝分布规模来看其规模一般在200～2 000 m，最长的可达5 000 m［6］。

3 BP模型

人工神经网络(Artificial Neutral Networks，ANN)是由大量简单的基本单元——神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行处理和非线性转换的复杂网络系统。由于神经网络具有强大的学习功能，可以比较轻松的实现非线性映射过程，并且具有大规模计算的能力，故其在自动化、计算机和人工智能等领域都取得了广泛的应用，解决了很多传统方法难以解决的问题［3］。其中误差反向传播模型(BP模型)作为一种多层结构的映射网络，具有更好的持久性和适时预报性，且被广泛的应用在地裂缝灾害的研究中［7，8］，故本文选用的网络模型为BP网络模型。

通常BP神经网络包含输入层、多个隐含层和输出层，本文建立的BP网络为含有一个隐含层的3层网络模型，其网络结构如图2所示。

BP网络模型中各层神经元之间分别利用各层输入向量的权重系数和阈值进行连接，其各层之间的连接关系如下所示:

输入层到隐含层的关系为:

隐含层到输出层的关系为:

其中ai为第i个输入，bj为第j个隐含层节点输出，θ1、θ2分别为输入层和隐含层阈值、vjl分别为输入层到隐含层和隐含层到输出层的权值，f为BP网络模型的转移函数，通常采用Sigmoid函数，简称为S型函数，如下所示:

图1 运城市地裂缝和断裂带分布Fig.1 Distribution of ground fissures and faults in Yuncheng city

图2 3层BP神经网络模型结构Fig.2 Structure of three layer BP neural network

BP网络模型就是通过不断的学习和训练，沿误差最大的方向反传回去对各层权值和阈值进行调整，直到误差小于指定的阈值。设BP网络绝对误差的均方值为:

其中Dl为第l个输出层节点的目标输出值，则输出层到隐含层的权值修正量Δv为(β为学习率):

隐含层到输入层之间的权重修正值Δwij为(α为学习率):

4 基于ANN的地裂缝活动强度预测

4.1 地裂缝影响因素分析与量化

地裂缝发育密集的区域地处运城盆地新生代沉降区域，深部地壳界面上隆，浅部地壳处于引应力状态或弱的挤压应力状态，密集而复杂。因此区内地裂缝的成因主要为区域新构造活动、频繁的地震、过多的降水量以及过量的抽取地下水而引起地面沉降等，另外还与区域的地层和地貌条件有关［4］。这些影响因素与地裂缝之间既表现有空间分布上的对应性，也表现有相对的时序特点，且各因素之间反映出相互作用的关系。

1)构造因素分析与量化

根据对研究区域的调查统计，区内分布有多条活动大断裂，地裂缝大多数沿活动大断裂展布，且受活动大断裂的控制，因此断裂是运城断陷盆地构造运动的主要形式。另外，由于区内活断裂较多，地震活动也相对较强。因此，对构造因素的量化应充分的考虑这两种因素，在顾及地震影响的条件下，对几条主要的断裂带分别进行1000m、1000～2000m、2000～3000m和大于3000m的缓冲分级，将构造因素量化为5级，具体的量化结果见图3(a)。

2)地面沉降因素分析与量化

过量抽取地下水使地面引起不均匀沉降，断裂两侧的不均匀沉降性更为明显，严重的便以不连续的断裂错动表现在地表上，形成地裂缝，亦加大了原有的构造地裂缝的活动与发展。本文利用InSAR技术获取的研究区域的年形变速率来对影响地裂缝发育的地面沉降因素进行分析和量化处理。从In-SAR形变图可看出，运城市的年形变速率最大可达5.4 cm，且最大形变区域位于陶村镇附近，该地区也是地裂缝发育密集的区域。故地裂缝和地面沉降中心具有很好的一致性。根据年沉降速率对研究区域进行量化处理，将沉降量＞0 mm的区域设为1，沉降量＜10 mm的区域设为3，沉降量大于10 mm且小于30 mm的区域设为5，沉降量大于30 mm的区域量化等级为7。具体的量化结果如图3(b)所示。

3)降雨量因素分析与量化

研究区气侯属暖温带大陆性季风气侯，昼夜温差大，四季分明。常年降雨量较大，由于大量的雨水、雪水、河水、灌溉用水沿地裂缝渗入和灌入，使地裂缝带附近的沉积物湿润软化并受冲刷作用影响，从而加大了地裂缝活动，使其加宽变大，有的地裂缝下部冲刷形成暗沟，加速了地裂缝的活动与发展。因此降水也是该地区地裂缝灾害的主要诱发或影响因素。对研究区域进行量化处理，降雨量小于470 mm的区域量化等级为3，470～500 mm量化等级为4，大于500 mm量化等级为5，具体的量化结果见图3(c)。

4)地层因素分析与量化

地层是地裂缝发育的介质条件。研究区域内大部分为第四系沉积物，出露的地层有新生界第四系中更新统(Q2)、上更新统(Q3)以及全新统(Q4)、太古界涑水群，下元古界中条群、上元古界震旦系、古生界寒武系及奥陶系等。第四系土层是该区地裂缝的主要发育介质。其中上更新统呈现为浅黄色粉土，具裂隙，厚度75～230 m，在研究区内大面积呈现，故量化等级为5;其次为中更新统和全新统，量化等级为3;其余的地层主要分布在中条山北麓山顶一带，对区域的地裂缝研究影响不大，故量化等级为1。量化结果如图3(d)所示。

5)地貌因素分析与量化

地貌环境是地形、土层成因及岩性、水文地质特征及构造等地质条件的综合反映，因此研究地裂缝灾害的敏感性还必须同时考虑地貌因素。本区地处黄土高原，地形多样，河谷、塬地、丘陵、山地共存。受地质构造、新构造运动及地层岩性所控制，按其形态及成因类型，划分为6个区，分别为中山区、低山区、黄土丘陵区、黄土台塬区、山前倾斜平原以及冲积湖平原区。根据不同地貌单元的地形特征进行量化分区，冲积湖平原区量化等级为7，黄土台塬区和黄土丘陵区量化等级为5，中山区和低山区量化等级为3，山前倾斜平原区量化等级为1。量化结果如图3(e)所示。

4.2 模型建立

本文利用BP网络模型对运城市地裂缝的活动性进行预测分析，具体的模型建立和分析流程如图4所示。在选择网络结构时，选取了仅含一个隐含层的三层BP网络建立模型，其中输入层数据为提取的各个地裂缝灾害影响因素，其节点数由数据的维数确定，隐含层节点数则利用迭代的方法分别计算其取不同节点数时的均方根误差进行判断，输出层节点数以地裂缝敏感性系数作为模型的输出，故只有一个输出节点。因此，最终确定的网络模型结构为5×17×1。

首先提取976个格网点作为训练样本，将已发生地裂缝点的敏感性赋值为1，未发生的点赋值为0。根据因素量化的结果提取各个因素对应的数值，组成一个由输入-输出模式构成的样本序列。建立含一个隐含层的三层5×17×1的BP网络。以这976组数据对模型进行学习训练，当网络的所有实际输出与其理想输出较一致时，表明训练结束。否则，通过修正权值，使网络的实际输出与理想输出一致。本文中设训练样本的平均拟合误差小于0.1则停止迭代，经过4 283次训练后，模型的精度达到要求。表1列出了几个有代表性的地裂缝点的样本输入、理想输出、实际输出和输出误差。

图3 地裂缝各影响因素量化图Fig.3 Quantitative figures of each impact factor of Yuncheng ground fissures

图4 基于BP网络的地裂缝活动强度预测流程Fig.4 Flow chart of intensive forecast of ground fissures based on BP network

表1 神经网络模型部分样本值、计算结果和误差Tab.1 Part of sample values，calculated results and errors of neural network model

将量化了的构造、地面沉降、降雨量、地层和地貌数据输入到建立的地裂缝活动性BP网络评价模型中，得到各点的地裂缝活动性系数，然后利用活动性系数的频数分布直方图(图5)找出阈值，接着利用空间操作和分析功能将地裂缝的活动强度划分为5个区域:M≥0.8，地裂缝活动剧烈;0.65≤M＜0.8地裂缝活动强烈;0.55≤M＜65地裂缝活动中等;0.4≤M＜0.55地裂缝活动微弱;0≤M＜0.4稳定区域，最后即可得到一幅直观的地裂缝活动性分区图(图6)。

图5 地裂缝活动性频数分布直方图Fig.5 Histogram of frequency of distribution ground fissures intensity

图6 运城市地裂缝活动强度分区Fig.6 Intensity zoning of ground fissures in Yuncheng city

从图6可以看出:除个别点外，地裂缝绝大部分都落在了活动性强烈和剧烈的区域，说明该模型具有较好的效果。地裂缝活动剧烈的地方主要集中在上郭-三路里、陶村镇以及龙居镇长江府-罗义-芪盛村一带，这也和该地区地裂缝的分布状态相一致，因此可以看出，本文建立的地裂缝活动性分区图能够准确反映各个影响因子对运城市地裂缝的形成和发展的影响，具有较好的理论效果。

5 结论

地裂缝严重制约着运城市的城市建设和发展，因此，对地裂缝灾害的活动性进行分析对该区域的防灾减灾工作具有科学的指导意义。本文利用神经网络BP模型通过不断的学习和训练过程对运城市的地裂缝活动强度进行了预测，并将结果和实际的地裂缝现状进行了比较和验证，具有较好的一致性。从计算结果和实际验证可看出，构造因素是造成该地区地裂缝发育的主要因素，区内地裂缝大部分都分布在几条大的隐伏断裂带附近。另外地震、强降雨量以及过量抽取地下水引起的地面沉降，也对该区域地裂缝的发展起着一定的诱发作用。利用BP网络建立的地裂缝活动强度分区图反映了该区域地裂缝的总体活动趋势，对该地区的地裂缝灾害防治指导工作以及城市建设等均具有应用价值。

1 武强，等.基于GIS与ANN耦合技术的地裂缝灾情非线性模拟预测系统——以山西榆次地裂缝灾害为例［J］.地震地质，2002，24(2):249-257.(Wu Qiang，et al.Hazard assessment system for ground fissure based on coupling of ANN and GIS—A case study of ground fissures in Yuci City，Shanxi Province［J］.Seismology and Geology，2002，24(2):249-257)

2 Jiang Xiaobo and Cui Peng.Hazards assessment of regional Debris flow based on geographic information science［J］.Wuhan University Journal of Natural Sciences，2007，12 (4):651-656.

3 葛哲学，孙志强.神经网络理论与MATLAB R2007实现［M］.北京:电子工业出版社，2007.(Ge Zhexue and Sun Zhiqiang.Neural network theory and MATLAB R2007 realization［M］.Beijing:Electronic Industry Press，2007)

4 武强，姜振泉，李云龙著.山西断陷盆地地裂缝灾害研究［M］.北京:地质出版社，2002.(Wu Qiang，Jiang Zhenquan and Li Yunlong.The ground fissure hazard research on Shanxi graben basin［M］.Beijing:Geology Publishing House，2002)

5 徐继山，等.运城盆地地裂缝特征及机理分析［J］.地质灾害与环境保护，2010，21(2):97-100.(Xu Jishan，et al.Characteristic and mechanism analysis of ground fissures in Yuncheng basin［J］.Journal of Geological Hazards and Environment Preservation，2010，21(2):97-100)

6 唐立忠，等.山西省运城市盐湖区地质灾害调查与区划报告［R］.山西省国土资源厅，2006.(Tang Lizhong，et al.Investigation and regionalization report of geological hazard in Yanhu district of Yuncheng city，Shanxi Province［R］.Department of Land and Resources of Shanxi Province，2006)

7 朱兴贤，于军，武健强.基于ANN的苏锡常地裂缝预测研究［J］.中国地质灾害与防治学报，2006，17(2):28-31.(Zhu Xingxian，Yu Jun and Wu Jianqiang.Prediction of ground fissures in Suzhou_Wuxi_Changzhou area based on ANN analysis［J］.Zhongguo Dizhizaihai Yufangzhi Xuebao，2006，17(2):28-31)

8 贺炳炎，崔建军.基于BP神经网络的地裂缝活动强度预测——以西安地裂缝为例［J］.灾害学，2010，25(4): 38-42.(He Bingyan and Cui Jianjun.Prediction of activity intensity of ground fissures based on BP neural network—A case study of Xi’an ground fissures［J］.Journal Of Catastrophology，2010，25(4):38-42)

PREDICTION OF ACTIVITY INTENSITY OF GROUND FISSURES IN YUNCHENG CITY WITH BP NEURAL NETWORK MODEL

Zhang Jing1)and Zhao Chaoying1，2)

(1)College of Geology Engineering and Geomatics，Chang’an University，Xi’an 710054 2)Key Laboratory of Western China’s Mineral Resources and Geological Engineering，Ministry of Education，Xi’an 710054)

Since the 1950s，hundreds of ground fissures have occurred in Shanxi Graben basin，which is especially obvious in Yuncheng basin.The intensive ground fissures hazard seriously constrained the urban construction and economic development of the studied area—Yuncheng city.By thoroughly analyzing the geological tectonic background of this area，we focused on the influences of new tectonic activity，ground subsidence caused by excessive water withdrawn，rainfall，stratum and geomorphology conditions on the ground fissures，and predicted the activity of ground fissures by combining BP neural network with GIS，and finally verified it with the known fissures information.A very satisfying conclusion is summarized and it will play a directive role in the prevention and mitigation of ground fissures disaster in this region.

ground fissure;Yuncheng city;BP model;GIS;activity

1671-5942(2012)03-0059-05

2011-12-19

国家自然科学基金(40802075，41072266);国土资源部地质大调查项目(1212011120069)

张静，女，1984年生，博士生，主要从事GIS灾害研究和InSAR数据处理.E-mail:woshijing-001@163.com

P207

A