(1.深圳市地质局， 广东深圳518023； 2.成都理工大学网络安全学院， 四川成都610059；3.成都理工大学环境与土木工程学院， 四川成都610059;4.贵州大学大数据与信息工程学院， 贵州贵阳550025)

0 引言

我国是一个崩塌、滑坡、泥石流等地质灾害频发且受灾害极为严重的国家，灾害主要分布在华东、中南、西南、西北以及华北地区。根据《全国地质灾害通报》可知，地质灾害每年均造成数以千计的人员伤亡及上亿的财产损失。2016年全国共发生地质灾害9 710起，共造成614人受灾，直接经济损失达31.7亿元，对社会带来的间接影响更是无法估量，而滑坡在各类地质灾害中所占比重最大。因此滑坡的预测预报是近年来人们研究的一个热点问题。

崩滑地质灾害预警预报研究是对其发生的概率进行合乎科学的评价，并且对其发生的时间作出准确的预测。这是人类自有工程活动以来就苦苦追求与探索的问题，但是由于滑坡机理的复杂性、致灾因子的多样性及滑坡体的个体差异，直到现在滑坡预警预报也没有得到很好地解决。自从日本研究者Satio在20世纪中期提出滑坡预测公式以来，经过广大学者的苦心钻研，在滑坡预警预报理论、方法和判据方面都有了相当大的发展。在降雨诱发滑坡形成机理认识的基础上，利用现场监测仪器，已成功实现滑坡专业监测预警。如2008年重庆市涪陵发生滑坡，总方量约1.30×106m3，因精准监测，预报准确，及时封闭公路并撤离7 000余人，并未造成人员伤亡[1]。2017年甘肃黑方台陈家沟发生2 000 m3黄土滑坡，许强教授团队开发的预警预报系统在其发生破坏39 min前发出红色预警，成功预测[2]。

1 斜坡灾害预警模型

根据国内外滑坡预警预报成果，预报类型主要包括确定性预报、统计性预报、非线性预报和宏观预报。

1.1 确定性预报

确定性预报模型是把滑坡的控制因素数值化，基于应用数学理论和物理方法进行分析，获得确切的预报判据，此类模型可以反映滑坡的物理实质，多用于单体滑坡预警预报。1965年，日本学者Satio以大量室内试验结果为基础，归纳总结了滑坡在各种应力情况下的失稳破坏过程，并且结合滑坡宏观变形特点建立了蠕变破坏理论和经验预报模型。VIGHT等[3]通过一系列的物理实验和滑坡实例归纳总结，发现滑坡的位移速度和加速度存在指数性关系。

确定性预报最常用的预报方法为极限平衡法。极限平衡法由于其思路清晰、应力计算简单，是目前在斜坡类地质灾害稳定性计算中使用最广泛的方法。如今计算机发展迅速，数值仿真技术配合极限平衡方法，在地质模型构建完善、土工试验齐全、岩土体物理力学参数选取合理的前提下，可计算当前斜坡灾害稳定性状态及其他条件下的稳定情况，如人类工程活动、降雨、地震等情况。构建斜坡灾害预警预报模型将更加全面、准确、便捷。如魏上杰[4]应用FLAC3D数值模拟软件，以建立在摩尔—强度准则基础上的极限平衡法为稳定性分析方法，综合土工试验及现场勘探确定斜坡灾害破坏模式和力学参数，分析了边坡的变形特征，并建立降雨、累计变形量、变形速率预警模型。

1.2 统计数学模型方法

统计预报主要应用统计数学理论，分析滑坡内在因素和致灾因素的相关性，计算统计规律，建立具有统计学意义的滑坡变形参数和时间关系的滑坡预测预报模型。此类模型多分析同一区域的滑坡与致灾因素的关系，确定关系曲线建立该区域的预警模型。统计数学方法典型预警方法有Verhulst生物生长模型、灰色模型、指数平滑法等。

Verhulst模型是德国生物学家Verhulst于1987年针对生物的繁衍、生长、成熟和消亡过程提出的描述和预警模型，其增长曲线为S型。学者们对滑坡深入研究后，发现边坡的孕育、发展、至其滑动破坏的整个过程具有生物机制，且如今滑坡判据的研究不断成熟，监测精度不断提高，Verhulst模型预测滑坡破坏时间成为可能。在位移监测的前提下，Verhulst模型可有效解决由于斜坡灾害监测位移曲线复杂性和多变性的难题，可将监测数据拟合为渐变的S型曲线，配合滑坡位移速度、加速度、累计位移量等判据来预测滑坡发生时间。1988年,中国地质大学武汉校区晏同珍教授基于Verhulst模型，结合滑坡发育的变形特征提出了二次多项式回归的Verhulst模型[5]，Verhulst模型在对短期和临滑斜坡灾害进行预测具有较高精度，得到广大学者的认可并进一步研究。1996年，殷坤龙等[6]进一步研究了Verhulst模型；贺小黑等[7]对Verhulst模型进行改进并建立卧龙寺新滑坡的位移预警预报模型，改进后的Verhulst模型较原始模型具有更高的精度，且以速度最大值为预警阈值时能提前预警，误差只有9.77 %。但是Verhulst模型对于预警指标的选取十分苛刻，速度最大值、加速度、加加速度等，针对边坡变形特点，应该通过多次试算选择更加适合的预警指标。

灰色预测模型主要适用于“已知部分数据，未知部分数据”或者“小数据、贫信息”的不明确事件，通过对已知数据分析、处理，得到事件变化规律，对事件的发展过程进行精确预测。面对滑坡的复杂性和对滑坡勘探及监测的局限性，如今的地质勘探结果和监测数据并不能充分了解滑坡全部因素及特点，灰色预警模型针对单体滑坡的研究具有较大的优势，所以在滑坡发生与破坏条件不明确或者基本数据缺失的情况下，选择灰色预警模型是不错的选择，如1986年,陈明东等[8]首次将GM(1，1)模型应用到滑坡预测预报中，该方法在地质预测方面得到初步应用。但是此方法同时也存在精度低、误差大和滞后性强的缺点，为了克服GM(1，1)模型这些缺点，许多学者提出了改进型GM(1，1)，如基于灰色新陈代谢GM(1，1)模型构建的向加坡滑坡预警模型相对误差为2.987 %，建立链子崖危岩体预警模型相对误差1.904 %[9]、动态GM(1，1)模型建立深圳路基边坡平均误差为7.069 %[10]、时间序列GM(1，1)模型构建黄龙西村滑坡最小误差为8.08 %[11]等。灰色预警模型在计算过程中受数据的光滑度及背景值的影响较大，所以针对数据的光滑度处理和背景值的选取方面需要实施者妥善处理，但是由于斜坡灾害的复杂性及多因素影响的特点，滑坡的监测数据受敏感因素影响而出现数据点高度离散性，如降雨型斜坡灾害、工程开挖扰动斜坡灾害、动荷载型斜坡灾害等，其监测数据具有较强的波动性和离散性，不建议适用灰色预警模型。

指数平滑法预测模型属于统计性计算方法，适用于单体滑坡预警预报。该方法计算过程简单，对边坡变化反应灵敏，并且在预测过程中所需要的观测值较少。指数平滑法已有多种模型，如移动算数平均法、单指数平滑法、二次指数平滑法等。其中二次指数平滑法计算比较繁琐，但是针对非时序平稳的预测相当有效，在历史数据处理方面，该方法能有效均匀处理历史数据进而可区别基本数据和随机变动数据，并获得该时间序列的平滑值。在数据预测方面，该方法通过不断用预测误差纠正新预测值，可实现预测值的不断修正。二次指数平滑法对数据进行了两次指数平滑处理，所以既适用于线性增长也适用于抛物线性增长，考虑到其对数据变化的敏感性和对非时程性变化数据的优势，其更适合于降雨型滑坡、震动型滑坡的中长期预警预报。如门玉明等[12]采用二次指数平滑法建立5个滑坡的预测模型，其中包括新滩滑坡提前5 d预警，黄龙溪村滑坡延后1 d预警，vaiont滑坡提前2 d预警，Chuqueamate滑坡延后2 d预警，乌龙寺滑坡提前5 d预警；段功豪等[13]以指数平滑法为数学基础，从滑坡的实际演化阶段出发，建立外界主要诱发因素与模型参数的关联，建立了白家宝滑坡动态指数平滑预警模型，预测相对位移差值为0.872 mm。

1.3 非线性预报

随着非线性科学的发展及其在各个领域内的广泛应用，滑坡研究者开始认识到滑坡体系是一个开放性的系统。因此，许多学者引用了对处理复杂问题比较有效的非线性科学理论来研究滑坡的预报问题，并提出了一系列的滑坡预报模型。主要代表模型有神经网络、突变理论、非线性动力学模型。

神经网络可用于单体滑坡也可用于区域内多个滑坡预警预报工作，是一种由大量简单元件相互连接而成的复杂网络,能够进行复杂的逻辑操作和非线性关系实现的自适应非线性系统。神经网络以其连续时间、非线性、网络的全局作用、大规模的并行处理及高度的鲁棒性和学习联想能力，成为解决岩土工程问题的一种有力工具，尤其在解决岩体力学非线性行为、参数识别、预测等方面表现出巨大优势。神经网络操作简单，成果丰富，借助Matlab编写计算的流程互联网上也是比比皆是，但是神经网络的隐含层数和隐层神经元数是影响计算精度和计算速率的重要因素，需妥善处理。之后，人工神经网络在岩土工程中应用越来越广泛，其解决岩土工程问题越来越有优势。舒苏荀等[14]采用RBF神经网络建立斜坡灾害安全系数和失效概率的预测模型，计算结果相对于极限平衡法计算结果误差不超过0.094。易庆林等[15]采用BP神经网络考虑库水位及降雨因素建立库岸斜坡灾害位移预测模型，预测结果相对于实际监测数据误差不超过9 %。

突变理论一般用于研究突然质变的、不连续性的、跃迁的系统，该理论把斜坡灾害看作为由各种控制变量和不同状态变量共同决定的能量系统。蠕变的过程看作为系统与外部进行能量和物质不断交换的过程。突变理论可以很好地模拟斜坡灾害蠕滑失稳过程。周小平等[16]基于突变理论，分析了单滑面滑坡的失稳机制建立滑坡时间预测模型。

1.4 宏观预报

图1 斜坡变形曲线Fig.1 Slope deformation curve

一般滑坡的变形演化过程可分为初始变形、等速变形、加速变形三个阶段(图1)。虽然存在共性，但是由于滑坡个体的独特性、复杂性及特殊性，决定了滑坡体上各点位移均可能存在差异。为了能够综合分析滑坡特点，确定主控因素，并消除某些干扰因素，许多国内外学者都倡导将斜坡变形破坏的宏观信息与滑坡监测数据有效结合起来，根据滑坡的变形特征以及诱发因素进行宏观预报。该模型是以滑坡开始变形直至失稳破坏所表现出来的前兆、迹象、特点等为依据，如滑坡后缘裂缝发育情况(数量、宽度、贯通程度)，前缘坍塌或鼓包、建筑倾斜、出露泉水情况、滑坡变形阶段。根据宏观预报模型可识别滑坡所处的变形阶段进而确定斜坡灾害的预警等级。

2 斜坡灾害预警模型适宜条件分析

通过大量文献的查阅与总结，国内外学者已提出了10余种用于判断斜坡处于临界失稳状态的预报判据，包括稳定性系数、可靠概率、变形速率及位移加速度等，详细的判据量值与适用条件如表1所示。总体可见，判据条件主要集中于变形量值、变形速率及针对性诱发因素，如降雨、库水位变化等。针对变形量值的界定，由于每个斜坡破坏模式与变形机理的差异，具体量值没有一个统一的标准，就算是制定的阈值范围，也主要是针对某一处具体的斜坡而建立的。

表1 预警模型判据及适用条件Tab.1 Criteria and applicable conditions of early warning model

3 斜坡灾害预警模型应用

3.1 深圳市福田区香蜜湖边坡

边坡位于深圳市福田区香蜜湖街道侨香路北鸿新花园西北侧，修建长约210 m，高9 m，坡度约80°的浆砌石挡墙，挡墙墙体已出现大量不规则裂缝，部分毛石墙面鼓包，最大缝宽为11 mm，存在挡墙垮塌的风险，而降雨是影响边坡安全的主要因素，所以针对边坡建立降雨预警模型对预警工作有一定的指导作用。

考虑现场勘查数据及室内实验数据全面，采用确定性预测方法具有相当大的优势，并且已布设位移监测仪器。本文耦合slope、seep和sigma模块对边坡主要剖面4-4’进行18 d有限元数值计算，以数值结果中的边坡位移为预警指标建立预警模型，前期降雨引起稳定性变化结果见图2。

如图2可知，7月份连续降雨的工况下，边坡稳定性总体呈现降低趋势，最后在极端暴雨情况下失稳破坏。

由于实际工程环境复杂，在各种因素的影响下，边坡出现变形甚至失稳，而变形切线角可以综合表征边坡的稳定性状态，通过计算结果安全系数指导，以切线角为80°、85°、89°为预警边界，从而确定相对应的位移切线角阈值，以深9 m的位移切线角建立预警模型，位移切线角预警图见图3。

图3 位移切线角预警图Fig.3 Displacement tangent angle warning chart

3.2 深圳市盐田区荔景山庄边坡

研究区位于盐田区荔景山庄西南侧，边坡长130 m，坡高3～9.3 m，坡度60°～80°。地层自上而下有人工填土层、第四系残积层或坡积土及下伏燕山期花岗岩层。综合考虑现场勘查数据、室内实验数据，采用Geo-Studio数值计算软件，耦合slope/w和seep/w模块对边坡进行有限元数值计算。

以实际累计降雨和极端降雨为边界条件进行数值模拟，计算安全系数并指导预警预报工作。根据数值模拟计算结果，以极端情况下降雨量为预警指标，安全系数为预警边界，分别取1.1、1.05、1，从而确定相对应的降雨阈值(图4)。

图4 降雨预警图Fig.4 Rainfall warning chart

地下水面抬升是降雨引起边坡失稳破坏的重要原因，水位抬升，坡体重度明显增大，最终引起灾害发生。数值模拟计算结果能够因实际结果在数值、速率和变化趋势上达到良好的拟合效果。所以采用地下水位埋深作为预警指标，通过计算结果安全系数指导，以安全系数1.1、1.05、1为预警边界，从而确定相对应的地下水位埋深阈值，通过监测地下水变动情况，指导预警预报工作的完成，地下水位预警见图5。

图5 地下水位预警图Fig.5 Groundwater level warning chart

4 结论

①根据前人研究结果，本文将确定性预报、统计预报、非线性预报和宏观预报进行说明，总结了四大类预报模型的适应条件及预警优势，并选择代表模型进行简单说明。

②根据前人研究结果总结归纳了10余种用于判断斜坡处于临界失稳状态的预报判据。

③滑坡所处滑动阶段不同，所选取的预警模型也会有所差异，当滑坡处于等速变形阶段时，预警模型选取中长期预警模型，意义在于滑坡后期的支护与防护工作，而对于短期和临滑模型而言，预警加速变形的滑坡更加准确，意义在于准确预测滑坡时间及灾害伤害，提前做出应急处理，保护人们生命财产安全。

④预警模型和判据的选取也受地质资料的完整性所确定。地质资料不全，可进行确定性预警、宏观预警、灰色预警，理论预警更具优势；对于地质资料及检测数据齐全，选择非线性预警更加准确；如今监测技术和精度不断提高，多指标监测广泛使用，综合预警得以实现。

⑤根据深圳边坡的特点及影响因素建立不同的预警模型，其中福田区香蜜湖边坡建立位移切线角预警模型，盐田区荔景山庄边坡建立地下水预警模型及降雨预警模型。