基于贝叶斯网络的梅州市公路边坡灾害危险性评价

Risk assessment of geological disasters along active highways in Meizhou City based on Bayesian network model

摘要

受地形和气候的影响，梅州市公路边坡灾害风险突出. 以梅州市在役干线公路两侧500 m范围为研究区域，选取高程、坡度、曲率、岩性、NDVI、TWI、年均降雨量和月最大降雨量8个评价因子，构建公路边坡灾害易发性指标评价体系. 基于历史公路边坡灾害数据，建立贝叶斯网络模型预测公路边坡灾害易发性，并进一步讨论不同降雨情景下滑坡灾害危险性分布特征. 结论如下：1）基于贝叶斯网络模型的公路边坡灾害易发性评价的ROC曲线下的面积A_UC=0.832，具有良好的可靠性，基于特征的可解释性表明对梅州市公路边坡灾害影响最大的三个因子是岩性、坡度和月最大降雨量；2）分别考虑十年一遇、五十年一遇和一百年一遇三种降雨情况，极高危险性区域面积占比逐渐升高，分别为13%、19%和22%；3）基于网络爬虫工具检索社交媒体得到的梅州地区历史公路边坡灾害案例均位于危险性等级高和极高区域.

Abstract

Due to the influence of terrain and climate， the risk of highway slope disasters in Meizhou City is prominent. This study focuses on a 500-meter range on either side of the existing mainline highways in Meizhou， selecting eight evaluation factors—elevation， slope， curvature， lithology， NDVI， TWI， annual average rainfall， and maximum monthly rainfall—to construct a highway slope disaster susceptibility index evaluation system. Based on historical highway slope disaster data， a Bayesian network model is established to predict the susceptibility of highway slopes to disasters and further to analyze the distribution characteristics of landslide hazards under different rainfall scenarios. The conclusions are as follows： 1） The Bayesian network model for highway slope disaster susceptibility evaluation achieves an A_UC of 0.832， indicating good reliability. Additionally， the SHAP values from the Bayesian network model show that lithology， slope， and maximum monthly rainfall are the three most influential factors affecting highway slope disasters in Meizhou City. 2） Considering three rainfall scenarios （1-in-10， 1-in-50， and 1-in-100-year events）， the areas of extremely high-risk regions gradually increased， accounting for 13%， 19%， and 22%， respectively. 3） Based on web scraping tools to retrieve social media data， all historical highway slope disaster cases in Meizhou are located in regions classified as high and extremely high hazard levels. The findings of this study provide a valuable reference for the prevention and control of highway slope disasters in Meizhou City.

Graphical abstract

关键词

滑坡易发性 / 贝叶斯网络 / 公路滑坡 / 降雨工况 / 滑坡

Key words

landslide susceptibility / Bayesian networks / highway landslide / rainfall condition / landslide

山区公路一般依山地地形铺设，在建设过程中，会形成大量高填深挖的边坡，在外力扰动，如强降雨、地震等作用下，可能诱发滑坡、崩塌等地质灾害^［1］. 根据《第一次全国自然灾害综合风险普查公报》，全国国省干线公路沿线现有崩塌风险点5万余处，滑坡风险点2万余处，泥石流风险点3千余处，沉陷与塌陷风险点1万余处. 密布且频发的地质灾害已严重威胁公路网络的正常运行和沿线居民的生命财产安全.

滑坡易发性评价起源于20世纪60年代，已衍生出众多预测模型和方法，大致可分为经验推断模型、确定性模型和数理统计模型^［2-4］. 其中，以数理统计为基础的滑坡易发性预测模型由于预测范围广、预测精度高和操作简单等特点受到众多学者青睐^［5］. 传统数理统计模型如逻辑回归、层次分析等可以进行大范围滑坡预测并提供相对可靠的定量结果^［6］. Chakrabortty等^［7］使用逻辑回归对印度山区的滑坡易发性进行评估. 周苏华等^［8］则使用了主成分分析和熵权法相结合的主客观评价方法. 同时，研究者们开始不断探索逻辑回归与证据权^［7］、数理统计模型与朴素贝叶斯^［9］、卷积神经网络^［10］等模型的组合使用，并验证了组合方法对模型预测性能的提升作用. 机器学习模型如支持向量机（support vector machine， SVM）^［11］、神经网络^［12］、贝叶斯网络^［13］等模型的发展大大改善了传统模型数据信息的利用情况，为数理统计模型注入新的活力. 贝叶斯网络通过揭示各种因子间的因果依赖关系，以图论表述方式帮助学者更直观地观察自然灾害系统及其灾害链的演变方式，对自然灾害的评估具有其独特的适应性^［13-15］.

滑坡危险性评价的研究重点由单纯的易发性评价扩展至考虑降雨、地震等外部触发因素的综合分析^［16-17］. 姬永涛等^［18］在易发性评价的基础上进行了不同概率降雨下的危险性评价. 王灿星等^［19］通过分析历史降雨的皮尔逊Ⅲ型曲线得到多年一遇降雨量，为滑坡的危险性评估提供理论依据. 尽管已有研究提出了多种降雨和滑坡关系模型，但这些方法仍未能充分考虑地区性的差异，且在空间分布和时效性方面的预测精度仍有待提升.

本文综合考虑了梅州市地形地貌、工程地质和气候水文等方面的影响，选取8个因子构建梅州市公路边坡沿线滑坡易发性评价指标体系，并结合贝叶斯网络模型对滑坡易发性进行分析. 本文还从易发性评价出发，对梅州市公路沿线500 m范围内边坡进行不同降雨工况下的危险性分析，揭示降雨等外部因素对滑坡发生的触发作用，填补了现有研究在时空演变方面的不足. 最后以历史公路边坡灾害作为验证，可为梅州市公路边坡灾害防控提供参考.

1 研究区概况及数据来源

1.1 研究区概况

梅州市位于武夷山与莲花山之间的粤东丘陵地带，是闽、粤、赣三省交会处的重要城市. 市内公路交通网络四通八达，以广梅汕高速公路和G205、G206国道为骨架，形成了辐射周边地区的便捷交通网，如图1所示.

梅州市位于华南褶皱系的南部，总体地势呈北高南低的走向. 市内地形地貌复杂，以山地丘陵为主，占全市总面积的80.9%^［20］. 梅州市变质岩组和坚硬岩组发育，分布面积广泛. 变质岩组变质程度较高，其内节理、裂隙发育，在坡体形成5~10 m的碎石层；坚硬岩源于岩浆作用，易风化，风化后可形成10 m以上的松散土层覆盖在坡体表面^［21］. 梅州市气候类型为亚热带季风气候，气候温暖，降雨充沛，年均降雨量1 400~1 800 mm. 梅州市地质灾害类型以崩塌和滑坡为主，发生主要受地形地貌、地质条件和水文气候等因素的综合影响^［22］. 其滑坡在空间分布上主要集中于市内东南部和西北部边界区域，而市中心区域的滑坡数量相对较少，总体呈现出围绕市中心的“V”形滑坡带特征^［16］，如图2所示. 梅州市内的公路多穿越滑坡聚集区的内部和边缘地带，滑坡灾害极易对公路交通产生严重影响，包括道路封闭、车辆绕行等问题，从而进一步影响市内外的交通通行能力和效率.

梅州市2024年4月份平均降雨量达628 mm，为有记录以来最大的月最大降雨量.2024年5月1日，梅州市大埔县茶阳镇梅大高速路段发生路面塌陷灾害，受灾路面塌方长约17.9 m，面积约184.3 m²，事故造成48人遇难.

1.2 数据来源

本文采用的数据：1）梅州市历史灾害数据来自中国科学院资源环境科学与数据中心历史灾害公开数据；2）数字高程模型（digital elevation model， DEM）取自哥白尼数字高程模型（COP-DEM），坡度、曲率及地形湿度指数均来自DEM；3）地层岩性数据取自国际土壤参考和信息中心（ISRIC）；4）植被覆盖信息取自地球资源数据云；（5）降雨量数据取自水文气象与遥感中心（CHRS data portal）.

2 研究方法

2.1 贝叶斯网络模型

贝叶斯网络（Bayesian network， BN）是一种结合了贝叶斯定理和图论的概率图模型，在处理不确定性和概率推理问题上具有其独特的优势^［13］. 贝叶斯网络模型基于先验知识和客观证据进行推理. 贝叶斯网络由两部分组成：网络结构和网络参数，即\mathrm{B}\mathrm{N}=〈G,\theta 〉.

2.1.1 网络结构

网络结构是一个有向无环图（directed acyclic graph， DAG），其节点通常表示随机变量，有向边代表这些变量之间的依赖关系. 本文基于梅州市历史灾害点及评价因子数据，采用树增强朴素贝叶斯（tree-augmented naive Bayes，TAN）确定网络结构. 与朴素贝叶斯相比，TAN在关联性较强的节点之间添加有向弧，能够在良好地利用各节点依赖关系的同时，减缓复杂网络结构导致的计算力增长^［15］. 贝叶斯网络结构中所有节点均独立于其他非子孙节点，即满足联合分布概率，如式（1）所示：

p(\mathit{U}|\mathit{\Theta })={\displaystyle \prod _{i=\mathrm{1}}^n}p\left[A_i|O(A_i),{\Theta }_i\right]（1）

式中：随机变量A_i 表示节点，i=\mathrm{1,2},\cdots ,n；O\left(A_i\right)=\left\{B\right\}表示节点B为节点A_i 的父节点；\mathit{U}=\left\{A_{\mathrm{1}},A_{\mathrm{2}},\cdots ,A_n\right\}；\mathit{\Theta }=\left\{{\Theta }_{\mathrm{1}},{\Theta }_{\mathrm{2}},\cdots ,{\Theta }_n\right\}为变量集 U 的分布参数向量.

2.1.2 条件概率

在BN的网络结构中，每个节点都关联一个条件概率表（conditional probability table，CPT），条件概率表描述了在给定其父节点状态下节点变量的概率分布^［23］. 本文使用贝叶斯估计进行参数学习并确定各节点的条件概率. 在独立同分布的情况下，参数学习通常采用两种方法：最大似然估计和贝叶斯估计. 贝叶斯估计利用先验参数分布和选择原则，有效缓解了最大似然估计固有的过度拟合风险. 贝叶斯估计的超参数集成使其即使在处理小样本数据时也具有鲁棒性和稳定性.

2.2 SHAP算法

与传统数理统计模型相比，机器学习模型通常能够更快速、准确地完成预测任务，但其内部结构及相互作用关系复杂，模型预测机制难以解释^［24］. SHAP（shapley additive explanation）算法基于博弈论S_HAP值构建不同特征对于机器学习模型的贡献度，从而增加模型的可解释性^［25］. S_HAP值是特征归因工程中的可加性解释算法，计算方法为：

{\phi }_i=\sum _{S\subseteq F\backslash \left\{i\right\}}\frac{\left|S\right|!\left(\left|F\right|-\left|S\right|-\mathrm{1}\right)!}{\left|F\right|!}\left[f_x\left(S\bigcup \left\{i\right\}\right)-f_x\left(S\right)\right]（2）

式中：S是不包含i的特征子集；|S|是集合S中的元素特征数；F是所有特征的集合；|F|是所有特征的总数；f_x\left(S\bigcup \left\{i\right\}\right)是基于特征子集S和i对x的预测.

当模型含有多个特征变量时，S_HAP值通过特征变量的线性叠加表示其贡献值，即：

g\left({\mathit{z}}_i^{\text{'}}\right)={\phi }_{\mathrm{0}}+{\displaystyle \sum _{i=\mathrm{1}}^{\left|F\right|}}{\phi }_i{\mathit{z}}_i^{\text{'}}（3）

式中：φ₀为无特征变量时所有样本的均值；φ_i 为特征i的S_HAP值；{\mathit{z}}_i^{\text{'}}为原始输入简化后的向量.

2.3 危险性评价方法

地质灾害危险性评价在易发性评价的基础上增加了空间概率、时间概率和频率等的计算，不仅考虑了地质灾害易发性的静态因素，还综合评估了特定时间段内可能发生的诱发因素及其对灾害形成和发展的影响，从而提供更全面和动态的风险评估^［18］. 本文考虑降雨对梅州市滑坡的触发作用，基于易发性指数和极值降雨假设计算栅格单元危险性指数.

H_i=\frac{Y_i}{Y_{\mathrm{m}\mathrm{a}\mathrm{x}}}{P}_i（4）

P_i=L/L_{\mathrm{m}\mathrm{a}\mathrm{x}}（5）

式中：H_i 为第i个栅格单元的危险性指数；Y_i 为第i个栅格单元的易发性指数；Y_max为最大易发性指数；P_i 为斜坡失稳概率；L为不同工况下的降雨量；L_max为研究区历史记录中月最大降雨量.

3 评价指标体系

滑坡等地质灾害的发生受到地形地貌、综合地质、气象水文等因素的综合影响. 陡峭的地形和松散的上覆层是滑坡发生的基础条件，降雨、台风和人类活动等外界因素往往是滑坡的诱发条件.

本文综合考虑了地形地貌、综合地质、气象水文等因素对研究区地质灾害的诱发性，选取高程、坡度、曲率、岩性、归一化植被指数（normalized difference vegetation index， NDVI）、地形湿度指数（topographic wetness index， TWI）、年均降雨量和月最大降雨量8个评价因子进行梅州市公路边坡滑坡易发性评价，如图3所示.

如图4所示，对8个评价因子分别进行分级量化（图中各分级边界均为左闭右开），以分析因子不同分级对滑坡的影响. 频率比可用来表示不同因子分级对滑坡产生的影响，其公式为F_{ij}=\frac{n_{ij}/N}{A_{ij}/A}，其中，A为研究区总面积，A_ij 为第i个评价因子中处于第j个因子分级区间的面积，N表示滑坡点总数量，n_ij 表示滑坡点位置处第i个评价因子中处于第j个因子分级区间的数量. 频率比大于1时，表明该因子分级对滑坡具有正向影响；频率比小于1时，表明该因子分级对滑坡具有负向影响. 频率比以1为分界线，频率比与1的差值越大，代表不同分级对滑坡的影响程度越高.

3.1 高程

降雨情况、植被覆盖以及岩石风化程度在不同高程区间均呈现出不同的属性状态，从而影响滑坡发育.如图4（a）所示，研究区地质灾害主要集中在海拔100~500 m的地区，占总数量的90%以上.该区间主要为山地丘陵地区，具有一定的坡度且坡面上覆较厚的松散土层，为滑坡的发生提供必要的基础条件.

3.2 坡度

当坡度较小时，坡面难以获得足够的动力向下滑动；对于坡度较大的区域而言，虽然可以满足坡面滑动的动力需求，但陡峭的地形同时表示该区域拥有较为坚硬的岩组. 如图4（b）所示，坡度在25°以下的更容易出现滑坡，其中15°~25°的中等坡度地区滑坡发生的概率最高.

3.3 曲率

曲率影响滑坡的类型和规模特征. 一般而言，平坡面难以满足滑坡发生的动力需求，较少发生滑坡. 图4（c）中，平坡面的频率比明显低于凸坡面和凹坡面，且凹坡面的频率比最高. 这表明凹坡面更容易聚集滑坡发生的条件，导致滑坡事件的发生频率增加.

3.4 岩性

如图4（d）所示，坚硬岩组及变质岩组占梅州市总面积的70%以上. 两种岩组均结构松散且易风化，一般可在坡面形成5 m以上的松散上覆层，为滑坡发育提供了必要的物质条件.

3.5 NDVI

植被的根系能够在土壤中形成复杂的纤维网，从而增强土壤的抗剪强度，形成较为稳定的边坡. 此外，粗大的根系能够深入基岩，作为浅层土壤的锚固元件进一步促进边坡的稳定性.一般可认为植被覆盖率对边坡稳定具有正向作用.图4（e）中，NDVI>0.8的区域滑坡发生较少.

3.6 TWI

雨季河流水位的暴涨暴落对地表的强烈冲刷是滑坡发生的重要诱因之一. 图4（f）中，TWI<15时，频率比逐渐升高，表明地表水的变化对滑坡发育提供了条件.

3.7 年均降雨量

降雨是滑坡的重要诱发因素之一. 雨水下渗导致坡面上覆土层含水率升高，增加坡体自重的同时削弱土体抗剪强度，使坡面失稳.图4（g）中，频率比随降雨量的升高，总体呈现出逐步上升的趋势，这一趋势表明降雨对滑坡的诱发性.

3.8 月最大降雨量

雨季持续性强降雨是滑坡发生的重要诱因之一. 强降雨不仅会影响土体重力及强度，其产生的地表径流对坡面土层还具有强烈的冲刷作用. 强降雨的发生使滑坡灾害呈现时间聚集性. 梅州市降雨量分布存在较大的空间差异，暴雨多集中于西南部地区.

频率比的大小反映了不同因子分级对滑坡发育的贡献作用. NDVI、年均降雨量和月最大降雨量对滑坡的发育具有较为显著的正向作用. 高程和坡度对滑坡发育起到一定的抑制作用. 评价因子在部分极值区间呈现出与整体趋势相反的作用，如高程、坡度、NDVI等的较低或较高分级区间可能对滑坡形成产生不同的影响. 这种现象可能是由于极值区间样本数量过少对滑坡发育具有特殊的作用机制.

4 研究区易发性分析

4.1 评价因子相关性分析

评价指标体系的选择不仅需要全面地考虑滑坡的诱发因素，还需要检验评价因子之间的独立性. 较高的因子相关性会严重影响模型的准确性. 本文采用皮尔逊相关性系数（Pearson correlation coefficient）C_PC评估因子相关性. C_PC值处于-1~1之间，正值表示因子之间存在正相关性，负值表示因子之间存在负相关性，C_PC绝对值越大，表明因子之间的相关性越高. 一般认为，时，因子之间的线性关联度较弱，相关性较低，不会对模型产生明显的影响.

本文采用皮尔逊相关性系数分析评价指标体系中各因子的相关性. 如图5所示，坡度和TWI之间的相关系数为-0.48，为中等相关，可作为评价因子纳入评价指标体系.除NDVI和TWI之间的相关系数为0.31，其余各因子之间的相关系数均小于0.3，属于弱相关. 因此，本文选取的评价因子满足均相关性要求，可全部采用.

4.2 历史公路边坡灾害数据集

随着网络技术的发展，各种社交媒体逐渐渗入民众的生活中，民众在社交媒体上浏览、评价、分享信息，政府部门通过社交媒体发送通知. 社交媒体已经成为获取和分享信息不可或缺的工具. 本文使用爬虫工具系统检索抖音、微博、微信等社交媒体信息. 检索关键词为“梅州”“公路”“道路”“滑坡”“地质灾害”. 检索步骤包括两部分：一是对平台全部内容进行大范围检索；二是针对性地对梅州市官方媒体发布的通知进行检索.通过人工目视解译及筛选，得到梅州市历史公路边坡灾害24处，其中高速公路8处、国道5处、省道及其他道路11处. 尽管存在样本不全面的问题，但这些数据在一定程度上反映了研究区域内滑坡分布的实际情况，仍能够为模型预测结果提供验证支持.

4.3 滑坡易发性评价

本文综合考虑了地形地貌、工程地质和气候水文对滑坡发育的影响，选取高程、坡度、曲率、岩性、NDVI、TWI、年均降雨量和月最大降雨量8个评价因子搭建了一个较为完整的评价指标体系. 由于现有滑坡数据集中，公路滑坡仅有207例，样本量较少，难以支持贝叶斯网络模型的有效训练，故本文使用梅州市1 162例历史滑坡灾害点构建样本集. 将 1 162例历史滑坡点数据作为正样本，同时从滑坡点周围1 km范围外的研究区内随机选取等量的非滑坡点作为负样本构建样本集，按7∶3随机划分训练集与测试集，使用贝叶斯网络模型学习网络结构和网络参数并进行推理.

图6展示了贝叶斯网络模型的网络结构及节点的相互关系. 网络结构学习中TAN模型的应用可以有效挖掘节点之间的数值因果关系，同时规避复杂网络带来计算资源的指数级增长.

图7为梅州市公路沿线1 km范围内滑坡易发性区划图. 从整体上看，梅州市内环公路以极低和低易发性等级为主，滑坡发生概率较小；外环公路易发性等级以高和极高为主，滑坡发生概率较大. 内环公路围绕着梅州市主城区，地形平坦，岩性以花岗岩等坚硬岩组为主，降雨量明显低于梅州市东南和西南边界附近区域，不利于滑坡的形成和发育；梅州市外环公路距离主城区较远，多为山地丘陵地带，地势陡峭，市内东南及西南区域降雨量较大，雨季极易造成坡面失稳和集中性滑坡灾害的发生.

图7中标记了从网络媒体获取的6个具有代表性的历史公路滑坡事件.滑坡事件多位于易发性等级为中及以上区域，验证了易发性区划的可靠性. 表1详尽地列出了这6个历史公路滑坡事件的时间、行政区划以及具体路段. 这些滑坡事件均因降雨而引发，属于降雨型滑坡. 在滑坡事件发生后，相关路段进入了交通管制状态，通行的车辆必须绕行附近的其他路段，给交通带来了不便.

受试者工作特征（receiver operating characteristic，ROC）曲线是检验模型预测性能最常用的工具之一. 其曲线下的面积A_UC（area under curve）表示模型精度的大小，A_UC值越大，表示模型具有更高的精度和更可靠的预测结果.

图8为使用贝叶斯网络模型进行滑坡易发性评价的ROC曲线，其A_UC=0.832，表明贝叶斯网络模型具有良好的分类能力和推理预测性能以及对滑坡易发性区划图的可靠性.

S_HAP值可用于对模型的全局性解释，增加机器学习模型的可解释性. 在全局性解释摘要图（summary plot）中，水平轴为特征点的S_HAP值，表示对结果的影响程度，特征点距S_HAP=0基线越远，对预测结果影响越大.垂直轴则按照特征对预测结果的贡献进行排序，位于上方的特征对预测结果影响更大，同时特征点具有更广的分布范围. 重叠区域表示S_HAP值的分布密度. 对于二分类模型而言，颜色对应特征值的数值高低.

图9中岩性为分类变量，其数值大小不表示实际物理意义. 坡度因子的正负S_HAP值大小相似，且两边分布相似，表明坡度对滑坡的影响具有双重性. 月最大降雨量、年均降雨量因子虽然S_HAP值在正负两侧分布较为均衡，但其正向S_HAP值的分布区间总体上大于负向S_HAP值的分布区间，说明总体上这些因子对滑坡发育具有正向作用. 这与它们作为滑坡的重要诱发因素的机理一致.

为了进一步分析贝叶斯网络模型中特征与滑坡之间的关系，本文绘制了双因素部分依赖图（图10）. 部分依赖图可以展现两种因素对结果的复杂影响，其x、y轴分别表示两种不同的因素，颜色深浅或等值线的大小反映了特征对预测值的影响程度. 双因素部分依赖图和S_HAP摘要图的共同使用进一步增加了模型的可解释性. 从图10中可以观察到以下趋势：1）当高程处于500~900 m范围时，滑坡发生的可能性较高. 坡度处于15°~25°时，更易导致边坡失稳. 这种趋势可能与坡度变化的物理机制有关，中坡度区域滑坡风险增加，而陡或极陡边坡由于岩体普遍较为坚硬，可能对滑坡发育起到抑制作用，与摘要图中展现的双重性影响相同. 当曲率为正或负，即地形处于凸起或者凹陷而非平坦时，滑坡发生的可能性增加. 2）岩性方面，相较于花岗岩等坚硬岩石，滑坡更易发生在板岩、页岩等物理力学性质较软的泥质岩区域. 3）滑坡发生概率与NDVI的大小呈现明显的正相关关系.TWI<15时更有利于滑坡发育. 月最大降雨量与年均降雨量均对滑坡的发生起到促进作用，丰沛的降水为滑坡的发育提供了重要的触发条件.

5 地质灾害危险性评价及案例验证

5.1 危险性评价因子选取

地质灾害危险性评价以易发性评价为基础，重点研究探讨地质灾害的时间、空间概率和动态诱发因素. 梅州市地质灾害的空间格局受到地形地貌、地层岩性等因素控制，地质灾害的时间集中性则易被如人类工程活动、地震、降雨等外部环境因素触发. 据统计，梅州市近八成的地质灾害集中发生在5—8月份的雨季^［21］. 因此，本文在易发性评价结果的基础上，选取降雨量作为危险性评价因子.

本文统计了2000—2023年间月最大降雨量信息，计算其皮尔逊Ⅲ型（P-Ⅲ）曲线，如图11所示.P-Ⅲ曲线是一条概率分布曲线，可以拟合历史经验数据并计算不同概率下的数值. 根据P-Ⅲ曲线可知不同概率（10%-10年、2%-50年、1%-100年）下的月最大降雨量. 梅州市十年一遇月最大降雨量为540 mm，五十年一遇月最大降雨量为605 mm，一百年一遇月最大降雨量为627 mm. 梅州市2024年4月份平均降雨量达628 mm，为一百年一遇.

5.2 危险性评价结果

本文以地质灾害易发性评价结果为基础，根据危险性评价方法分别计算出梅州市十年一遇、五十年一遇和一百年一遇降雨工况下的危险性区划图，如图12所示. 随着降雨极值的增加，梅州市公路的危险性逐渐升高. 研究区十年一遇、五十年一遇和一百年一遇降雨量危险性区划图中，极低危险性区域面积分别为35%、25%和21%，极高危险性区域面积分别为13%、19%和22%. 图12（c）为研究区域一百年一遇的危险区划，图右侧为梅大高速茶阳收费站路段，“5·1”梅大高速路面塌方灾害处属于高和极高危险性等级. 塌方点右下方为河谷平地区域，危险性等级为低和极低，验证了危险性区划图的可靠性.

在十年一遇、五十年一遇和一百年一遇3种降雨工况下，高速公路和国道的滑坡危险性等级分布和变化情况（图13）表现出一定的差异性. 总体来看，随着降雨量的增加，极低危险性区域的面积逐渐减少，极高危险性区域的面积显著增加，而中危险性区域的面积基本保持稳定. 在国道方面，高危险性和极高危险性区域的占比相对稳定，约为30%~40%；而高速公路则表现出明显的差异性，汕湛高速的高危险性和极高危险性区域占比高达80.2%，而梅汕高速为13.8%. 上述结果清晰反映了不同道路在滑坡危险性上的空间分布特征，可为梅州市相关部门制定滑坡灾害的预防、监测和治理措施提供科学依据，提升区域公路安全管理水平.

6 讨 论

本文使用贝叶斯网络模型构建了梅州市滑坡易发性评价机制，分析了不同降雨工况下公路沿线边坡稳定状态. 机器学习算法在地质灾害预测领域极具应用价值，其强大的非线性建模能力为复杂地质过程的模拟与预测提供了新的技术手段. 在众多机器学习方法中，随机森林^［26］（random forest，RF）、支持向量机^［11］和极限梯度提升算法^［27］（extreme gradient boosting，XGB）等因其独特的优势而得到广泛应用. RF、XGB、SVM与BN的梅州市滑坡易发性预测性能对比如表2所示. RF模型A_UC值最高，其集成学习机制可有效降低模型方差；其次是XGB、BN和SVM. BN的预测性能虽然低于RF和XGB，但高于SVM，模型间A_UC值差距不大. 且BN模型在概率化评估、不确定性推理和模型可解释性方面具有独特优势. 因此，选用BN作为评价模型较为合理.

贝叶斯网络作为一种概率模型，能够有效描述评价因子的随机属性及其条件依赖性，被广泛用于解决复杂系统相关问题. 与其他机器学习模型相比，贝叶斯网络模型的显著优势包括其增量学习能力和优秀的可解释性. Huang等^［15］指出增量模型的记忆特性，贝叶斯网络可以不断学习新增的滑坡信息从而不断逼近真实滑坡模型. 这种特性使得贝叶斯网络在保持可接受预测性能的同时，能够灵活应对研究区域内滑坡事件的动态变化. Pham等^［28］表示贝叶斯网络模型能够指明变量间的不确定性和相互依赖关系. 已有研究表明，贝叶斯网络在沿海及内陆地区的地质灾害风险评价中得到了广泛应用，例如闫成林等^［17］和邬礼扬等^［29］学者在地质灾害领域取得相关研究成果.

除朴素贝叶斯等传统贝叶斯网络模型之外，动态贝叶斯推演^［30］、增量贝叶斯^［15］和基于贝叶斯网络的集成机器学习模型^［17］等也为灾害防治提供了有效的理论和实践依据. 未来的研究可以在现有模型的基础上融入更多先验知识，或结合多种模型进行集成，以进一步提高预测精度和适应性.

7 结 论

本文综合考虑了梅州市地形地貌、工程地质和气候水文等方面的影响，选取8个评价因子建立基于贝叶斯网络模型的滑坡易发性评价体系和基于降雨的危险性评价. 本文对梅州市公路沿线1 km范围内边坡进行预测和易发性分析，可为梅州市交通运输体系边坡防护和防灾减灾提供重要参考.

1）以梅州市公路沿线区域为研究对象，以高程、坡度、曲率、岩性、NDVI、TWI、年均降雨量和月最大降雨量8个评价因子构建了评价指标体系. 滑坡易发性预测结果A_UC=0.832，表明贝叶斯网络模型具备良好的分类能力和推理预测性能以及对滑坡易发性区划图的可靠性. 贝叶斯网络模型的S_HAP值表明岩性、坡度和降雨量对梅州市公路边坡灾害易发性影响更大.

2）以梅州市公路沿线区域滑坡易发性预测结果为基础，探讨了十年一遇、五十年一遇和一百年一遇降雨量下公路沿线危险性评价结果. 随着降雨量的增加，研究区滑坡危险性逐渐升高，极低危险性区域面积由35%减少至21%，极高危险性区域面积由13%增加至22%. 国道的高危险和极高危险性区域面积占比约为30%~40%；除汕湛高速的80.2%和梅汕高速的13.8%外，其余高速的高危险和极高危险性区域面积占比约20%.

3）分析了梅大高速路段滑坡易发性和危险性区划，并比对了基于网络媒体历史滑坡事件分布. 这些滑坡事件均处于中等以上易发性区域，且5·1梅大高速滑坡处危险性分布与本文结果相符. 说明本文对于易发性和危险性的分析和预测具有良好的可靠性，可为梅州市公路边坡防灾减灾提供参考.

参考文献

[1] DU G L， ZHANG Y S， YANG Z H，et al ．Estimation of seismic landslide hazard in the eastern Himalayan syntaxis region of Tibetan Plateau［J］. Acta Geologica Sinica-English Edition，2017， 91（2）： 658-668．

[2] 姚志永 ．基于SINMAP和TRIGRS模型的辰溪县暴雨型浅层滑坡易发性评价研究［D］. 北京： 中国地质大学（北京）， 2018．

[3] YAO Z Y. Susceptibility assessment of shallow landslides in Chenxi County based on SINMAP and TRIGRS models ［D］. Beijing：China University of Geosciences （Beijing），2018．（in Chinese）

[4] 陈丹璐， 孙德亮，文海家， 等. 基于不同因子筛选方法的LightGBM-SHAP滑坡易发性研究［J］. 北京师范大学学报（自然科学版），2024， 60（1）： 148-158．

[5] CHEN D L， SUN D L， WEN H J， et al. LightGBM-SHAP landslide susceptibility by different factor screening methods［J］. Journal of Beijing Normal University （Natural Science）， 2024， 60（1）： 148-158．（in Chinese）

[6] 钟凯， 谭晓慧， 牛漫兰， 等. 基于降雨强度-历时评价边坡稳定性：以安徽省3个边坡为例［J］. 地球科学与环境学报， 2023， 45（6）： 1380-1388．

[7] ZHONG K， TAN X H， NIU M L，et al ．Evaluation of slope stability based on rainfall intensity-duratio：taking three solpes in Anhui Province，China as examples［J］．Journal of Earth Sciences and Environment，2023，45（6）： 1380-1388．（in Chinese）

[8] AMATYA P， KIRSCHBAUM D， STANLEY T. Rainfall-induced landslide inventories for Lower Mekong based on Planet imagery and a semi-automatic mapping method［J］. Geoscience Data Journal， 2022， 9（2）： 315-327．

[9] 陶伟， 孙岳 ．基于GIS滑坡地质灾害易发性评价方法综述［J］．世界有色金属， 2020（21）： 157-159．

[10] TAO W， SUN Y. Review on the evaluation methods of landslide geological hazards based on GIS［J］. World Nonferrous Metals，2020（21）： 157-159．（in Chinese）

[11] CHAKRABORTTY R， PAL S C， ROY P， et al ．Novel ensemble approach for landslide susceptibility index assessment in a mountainous environment of India［J］. Geocarto International， 2022， 37（26）： 13311-13336．

[12] 周苏华， 付宇航， 徐智文， 等 ．基于主客观赋权法的福建省地质灾害易发性评价［J］. 安全与环境学报，2023，23（9）：3204-3214．

[13] ZHOU S H， FU Y H， XU Z W，et al ．Geological disasters susceptibility mapping in Fujian Province based on subjective and objective weighting［J］．Journal of Safety and Environment，2023，23（9）： 3204-3214．（in Chinese）

[14] CUI Y L， JIN J Z， HUANG Q B，et al ．A data-driven model for spatial shallow landslide probability of occurrence due to a typhoon in Ningguo City，Anhui Province，China［J］. Forests，2022， 13（5）： 732．

[15] YUAN R， CHEN J. A hybrid deep learning method for landslide susceptibility analysis with the application of InSAR data［J］．Natural Hazards，2022，114（2）： 1393-1426．

[16] 王芳， 殷坤龙， 桂蕾， 等. 不同日降雨工况下万州区滑坡灾害危险性分析［J］. 地质科技情报，2018，37（1）：190-195．

[17] WANG F， YIN K L， GUI L，et al. Landslide hazard analysis under different daily rainfall conditions in Wanzhou district［J］. Geological Science and Technology Information，2018，37（1）：190-195．（in Chinese）

[18] 黄发明， 潘李含， 姚池， 等 ．基于半监督机器学习的滑坡易发性预测建模［J］. 浙江大学学报（工学版）， 2021， 55（9）：1705-1713．

[19] HUANG F M， PAN L H， YAO C，et al. Landslide susceptibility prediction modelling based on semi-supervised machine learning［J］．Journal of Zhejiang University （Engineering Science），2021，55（9）：1705-1713．（in Chinese）

[20] MIHALJEVIĆ B， BIELZA C， LARRAÑAGA P. Bayesian networks for interpretable machine learning and optimization［J］. Neurocomputing，2021， 456： 648-665．

[21] VOGEL K， RIGGELSEN C， KORUP O，et al ．Bayesian network learning for natural hazard analyses［J］. Natural Hazards and Earth System Sciences， 2014， 14（9）： 2605-2626．

[22] HUANG F M， YE Z， ZHOU X T， et al ．Landslide susceptibility prediction using an incremental learning Bayesian network model considering the continuously updated landslide inventories［J］. Bulletin of Engineering Geology and the Environment， 2022， 81（6）： 250．

[23] 李秀娟， 符诗存. 梅州市人工边坡成灾规律分析及防治对策［J］. 华南地震，2020，40（2）：111-117．

[24] LI X J， FU S C ．Analysis on disaster regularity of artificial slope in Meizhou City and prevention countermeasures［J］. South China Journal of Seismology，2020，40（2）：111-117．（in Chinese）

[25] 闫成林， 郑德凤， 年廷凯， 等. 基于ANP的模糊贝叶斯网络模型及其在海岸带地质灾害风险评价中的应用［J］. 工程地质学报， 2021， 29（6）： 1862-1868．

[26] YAN C L， ZHENG D F， NIAN T K，et al. Fuzzy Bayesian network model based on ANP and its application to coastal zone geohazard risk assessment［J］. Journal of Engineering Geology，2021，29（6）： 1862-1868．（in Chinese）

[27] 姬永涛，王鲜，郝业，等 ．基于斜坡单元的陕西省城镇地质灾害风险调查评价：以西安市蒋村街道为例［J］．灾害学， 2022， 37（4）：211-219．

[28] JI Y T， WANG X， HAO Y，et al ．Investigation and evaluation of urban geo-hazards risk in Shaanxi Province based on slope unit：a case study of Jiangcun street in Xi’an［J］. Journal of Catastrophology，2022，37（4）： 211-219．（in Chinese）

[29] 王灿星， 朱杰勇， 喻聪骏， 等 ．基于皮尔逊Ⅲ型曲线的不同降雨工况下的崩滑地质灾害危险性评价［J］．地质科技通报，2025，44（1）： 194-204．

[30] WANG C X， ZHU J Y， YU C J，et al ．Risk assessment of landslide geological hazards under different rainfall conditions based on the Pearson Ⅲ curves［J］. Bulletin of Geological Science and Technology，2025，44（1）： 194-204．（in Chinese）

[31] 黎俊健， 张楠， 王伟林， 等 ．梅州降雨型滑坡危害、成因及其防治对策［J］. 工程建设与设计， 2023（1）： 47-49．

[32] LI J J， ZHANG N， WANG W L，et al ．Hazards，causes and control countermeasures of rainfall-induced landslide in Meizhou［J］. Construction & Design for Engineering， 2023（1）： 47-49．（in Chinese）

[33] 尚志海， 林培松， 林妙棋 ．梅州市典型地质灾害分布特征及危害性分析［J］．国土与自然资源研究， 2012（6）： 60-62．

[34] SHANG Z H， LIN P S， LIN M Q. Distribution characteristics and hazard analysis of geological hazards in Meizhou City［J］. Territory & Natural Resources Study，2012（6）：60-62．（in Chinese）

[35] 姚勇. 梅州市地质灾害特征及防治规划［J］. 水土保持通报，2013， 33（1）： 188-191．

[36] YAO Y. Characteristics of geological disasters and their prevention planning in Meizhou City［J］. Bulletin of Soil and Water Conservation，2013，33（1）：188-191．（in Chinese）

[37] LAN M， ZHU J P，LO S. Hybrid Bayesian network-based landslide risk assessment method for modeling risk for industrial facilities subjected to landslides［J］. Reliability Engineering & System Safety， 2021， 215： 107851．

[38] 戴勇， 孟庆凯， 陈世泷， 等. 基于可解释神经网络的中巴公路沿线区域工程扰动滑坡危险性评价［J］. 工程地质学报， 2024，32（3）： 935-946.

[39] DAI Y， MENG Q K， CHEN S L， et al. Regional engineering disturbance landslide hazard evaluation along China-Pakistan highway based on interpretable neural network［J］. Journal of Engineering Geology， 2024， 32（3）： 935-946. （in Chinese）

[40] 龙潇， 孙锐， 郑桐. 基于卷积神经网络的液化预测模型及可解释性分析［J］. 岩土力学， 2024， 45（9）： 2741-2753．

[41] LONG X， SUN R， ZHENG T. Convolutional neural network-based liquefaction prediction model and interpretability analysis［J］. Rock and Soil Mechanics，2024， 45（9）：2741-2753．（in Chinese）

[42] 陈仁朋， 戴田， 张品， 等 ．基于机器学习算法的盾构掘进地表沉降预测方法［J］．湖南大学学报（自然科学版），2021，48（7）：111-118．

[43] CHEN R P， DAI T， ZHANG P，et al ．Prediction method of tunneling-induced ground settlement using machine learning algorithms［J］．Journal of Hunan University （Natural Sciences），2021， 48（7）： 111-118．（in Chinese）

[44] 许烈， 巨能攀， 邓明东， 等 ．不同评价单元的滑坡易发性评价精度对比分析［J］．工程地质学报，2024，32（5）：1640-1653．

[45] XU L， JU N P， DENG M D，et al. Comparative analysis of landslide susceptibility assessment accuracy in different evaluation units［J］. Journal of Engineering Geology，2024，32（5）：1640-1653．（in Chinese）

[46] PHAM B T， PRAKASH I， KHOSRAVI K，et al. A comparison of support vector machines and Bayesian algorithms for landslide susceptibility modelling［J］. Geocarto International，2019， 34（13）： 1385-1407．

[47] 邬礼扬，曾韬睿，刘谢攀，等 ．基于集成学习建模的滑坡易发性评价［J］．地球科学，2024，49（10）：3841-3854．

[48] WU L Y， ZENG T R， LIU X P，et al ．Landslide susceptibility assessment based on ensemble learning modeling［J］．Earth Science，2024，49（10）： 3841-3854．（in Chinese）

[49] 张润川， 林广发， 周星辰， 等 ．基于动态贝叶斯网络的福建省台风暴雨灾害链预测推理［J］．亚热带资源与环境学报，2023，18（1）： 17-25．

[50] ZHANG R C， LIN G F， ZHOU X C，et al ．Prediction and inference of typhoon rainstorm disaster chains in Fujian Province based on dynamic Bayesian network［J］．Journal of Subtropical Resources and Environment，2023，18（1）： 17-25．（in Chinese）

基金资助

贵州省交通运输厅科技项目(2025-112-018)

Science and Technology Program of Guizhou Provincial Department of Communication and Transportation(2025-112-018)

长沙市自然科学基金资助项目(kq2402072)

Natural ScienceFoundation of Changsha(kq2402072)

贵州省科技支撑计划(2020-4Y047)

Science and Technology Infrastructure Program of Guizhou Province(2020-4Y047)

国家自然科学基金资助项目(12062026)

National Natural Science Foundation of China(12062026)

广东省交通集团有限公司科技项目(JT2022YB24)

Science and Technology Program of Guangdong Transportation Group Co., Ltd(JT2022YB24)