【ZiDongHua之“自动化学院派”收录关键词：兰州大学   应急管理   监测预警 】
 
　　兰州大学地灾团队在泥石流降雨阈值模型构建方面取得系列研究成果
 
　　为了解决区域泥石流降雨监测预警精度不足的问题并提高提前预报时间，兰州大学地质灾害研究团队于2012年在白龙江流域建立了地质灾害野外科学观测研究站。基于10余年的长期连续观测数据，在新降雨特征提取、新泥石流降雨阈值模型构建等方面取得了系列研究成果，包括：
 
　　（1）首次提出“能量雨强”和“综合雨强”的概念，并构建了新型综合降雨强度-历时阈值曲线；
 
　　（2）首次将从降雨数据中提取的“绝对能量”等参数用于泥石流智能预报模型构建中，显著提高了模型的精确度和提前预报时间。
 
　　相关成果已发表论文包括两篇一区Top期刊《Engineering Geology》和两篇二区期刊《Bulletin of Engineering Geology and the Environment》、《Landslides》，第一作者为赵岩-青年研究员，通讯作者包括孟兴民教授和李亚军讲师。详细内容见：
 
　　[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触发因素之一，降雨强度-历时（I−D）阈值曲线是目前滑坡泥石流早期预警模型中应用广泛的模型。但它有一个明显的缺陷，即当两次降雨事件的降雨历时和累计雨量相近时，它无法区分具有不同峰值的降雨过程。图1为白龙江流域构林坪沟367个降雨事件的logD–logI散点图，存在一些误报和漏报的降雨事件，为探究原因选取降雨历时接近、降雨强度相等的两次降雨事件，观察其降雨过程可知，虽然平均雨强相同，但触发泥石流和未触发泥石流的降雨过程差异较大（图1b），为定量描述这一差异，需探索新的雨强参数来反映降雨过程的差异。
 
　　目前尚无成熟、可靠、适用范围广的泥石流阈值模型可供推广，这是目前泥石流降雨触发阈值研究的瓶颈问题。造成这个瓶颈问题的原因之一是模型使用的降雨特征参数较少，无法反映降雨过程所蕴含的其他特征信息，所以从降雨数据中探索对触发泥石流更敏感的特征参数，对泥石流阈值模型的构建很有价值。另一方面，传统泥石流阈值模型过于简单，随着人工智能技术的快速发展，为构建复杂的泥石流智能预报模型提供了新的解决方案。
 
 
　　图1白龙江流域构林坪泥石流沟logD–logI阈值线
 
　　02
 
　　新降雨特征参数挖掘
 
　　目前泥石流阈值模型常用的降雨特征参数包括①累积降雨量（cumulative rainfall，C）②有效降雨量（effective rainfall，Re）③降雨强度（rainfall intensity，I），包括平均降雨强度（I）、最大降雨强度（Im）、触发降雨强度（It）和峰值降雨强度（Ip）④降雨历时（rainfall duration，D）⑤日降雨量（daily rainfall，Rd）⑥平均降雨量（average rainfall，Ra）⑦平均面积降雨量（mean areal rainfall，Rma）。
 
　　本研究采用时序数据处理Python库tsfresh，从降雨数据中提取了141个特征参数，通过特征重要性分析（图2），发现了对泥石流预报较为敏感的“绝对能量”等特征参数。并基于此，首次提出能量雨强的概念，以期构建精度更高的泥石流阈值模型。对于降雨事件序列Rn=[r1,r2,r3,···,rn]，则：
 
　　降雨历时：D=n/12(h)；
 
　　累积雨量：C=r1+r2+···+rn(mm)；
 
　　平均雨强：I=C/D(mm/h)；
 
　　最大雨强：Im=max(Rn)(mm/5min)；
 
　　绝对能量：E（E=r12+r22+···+rn2）；
 
　　能量雨强：Ie=E/D(mm2/h)。
 
 
　　图2降雨特征参数重要性排序
 
　　03
 
　　新型泥石流I-D阈值曲线构建
 
　　基于平均雨强（I）、能量雨强（Ie）和最大雨强（Im）三个雨强参数，设计了11种组合（表1），包括4个但参数雨强参数和7个综合雨强参数。分别构建了降雨强度–历时曲线，统计误报、漏报次数可知，错报最少的组合是IIe–D、(I+Im)–D和(I+Ie)–D模型（10次），与I–D模型（13次）相比，降低了23%的误报和漏报次数。
 
　　表1不同雨强参数组合的误报和漏报次数
 
 
　　以图1b中两次降雨事件为例，对比降雨事件的不同雨强参数，结果见表2。可知，触发和未触发泥石流的这两次降雨事件的平均雨强仅相差0.1，导致I−D阈值曲线无法将二者有效区分，但两次降雨事件的能量雨强Ie和最大雨强Im相差较大，且IIe差异更大，弥补了传统I−D阈值曲线的不足。
 
　　表2不同降雨过程雨强参数对比
 
　　04
 
　　泥石流智能预报模型构建
 
　　虽然提出了新的雨强参数并构建了新型I-D阈值曲线，但仍存在较多的误报和漏报情况，所以本研究尝试借助机器学习方法构建泥石流智能预报模型，仍然采用白龙江流域构林坪沟为例，测试了17种机器学习算法，根据构林坪沟5个雨量计2012-12至2015-4确定的367个降雨事件（其中46个降雨事件触发了泥石流，321个降雨事件没有触发泥石流），建立了降雨触发泥石流的智能预报模型，该模型可以自动评估任何给定降雨序列触发泥石流的可能性。
 
　　通过模型评估和优化，最终Extra Trees模型表现最好（图3），在模拟真实降雨监测情况的16968个降雨滚动序列的检验下，模型没有误报和漏报，虽然其精度排名第二，但在对比模型对泥石流事件的提前预报能力时Extra Trees模型表现最好（表3）。以2012年5月11日的泥石流事件做验证，该模型在泥石流到达集水区出口前35分钟准确预测了泥石流事件（图4），可为早期预警提供宝贵的时间。
 
　　图3模型预测精度排序
 
　　表3模型性能评估（灰色表示优化前的模型，蓝色表示优化后的模型，367T和16968T分别表示367和16968个降雨序列；13D分别表示13次泥石流事件）
 
 
　　图4模型对2012-5-11泥石流事件降雨事件的预测结果