Deformation prediction of the Northern Mountain landslide in Lijie Town of Zhouqu, Gansu Province based on long-short term memory network
-
摘要:
立节镇北山滑坡长期处于蠕动变形状态，已多次发生滑坡、泥石流灾害。监测地表形变，以掌握灾害体地表形变规律，是实现地质灾害预警预报的可靠依据。文章引入一种机器学习模型——长短期记忆网络，通过立节北山监测点位移数据，运用该方法对立节北山滑坡变形进行预测，并且将预测结果与实际数据进行比对和分析。文章预测结果评价指标选用均方根误差、平均绝对误差、决定系数以及可解释方差，其中决定系数和可解释方差均达到0.99，预测值和真实值的拟合均方根误差和平均绝对误差也表现较低，说明长短期记忆网络在立节北山滑坡变形的预测中达到了良好的预测性能。
Abstract:The North Mountain landslide in Lijie Town has been in a long-term creeping deformation state and has experienced multiple landslide and debris flow disasters. Monitoring the surface deformation of landslide to grasp the surface deformation pattern of disaster body is a reliable basis for realizing early warning prediction of geological disaster. In this paper, a machine learning model is introduced to predict the relevant data, and a long and short-term memory network is used to predict the landslide deformation by monitoring the displacement data of North Mountain in Lijie, and the prediction results are compared with the actual data and analyzed. In this paper, root mean square error , mean absolute error , coefficient of determination and explainable variance are used to evaluate the prediction results, among which the coefficient of determination and explainable variance reach 0.99. It shows that the long short-term memory network used in this paper achieves good prediction performance in the prediction of landslide deformation in the North Mountain of Lijie.
-
Key words:
- landslide /
- LSTM neural network /
- predictive analysis /
- North Mountain of Lijie /
- machine learning
-
随着社会经济的发展和人口的增长，我国城市建设用地的短缺和交通拥堵严重制约了许多新兴城市的可持续发展[1]。在土地资源有限的情况下，城市地下空间的开发利用已成为城市发展的必然选择[2-3]。深圳市是粤港澳大湾区的核心城市之一，也是我国最早的经济特区[4]。改革开放以来，深圳市在产业经济、城市建设和人居环境等方面都取得了巨大的成就。随着城市建设的迅速发展和人口的急剧增长，深圳市土地资源逐渐紧缺，合理开发城市地下空间资源，对提升城市综合承载能力有重要作用[5]。
城市地下空间的开发与周围地质环境密切相关。因此，科学的地质适宜性评价是规划和利用城市地下空间的必要前提[6，7]。前人研究显示[8]，地质适宜性评价可通过地质适宜性分区和多个地质指标权重的叠加计算实现。其中，通常利用层次分析法（AHP）、熵权法和梯形模糊数定权法确定评价体系及指标权重[9-11]。地质适宜性评价模型主要包括经验分值法、模糊综合评价法、优劣解距离法（TOPSIS）和神经网络法等[12-14]。
科学合理的评价体系是地质适宜性评价的重要条件。在地质适宜性评价过程中，通常会根据研究区实际情况选取相应的评价体系与指标[15-16]。除地形地貌、地质构造、水文地质、工程地质等常规地质因素，部分约束性地质因素仍在很大程度上制约着城市地下空间的开发利用，且表现出明显的地区差异性。例如北京、郑州地区主要敏感地质因素为地面沉降和断裂带[7，17]；武汉地区主要为砂土液化和河流冲蚀[11]；昆明地区主要为岩溶和地面塌陷[18]；咸阳地区主要为黄土湿陷、地裂缝等[19]。然而，以往研究通常将各个约束性地质因素作为一级评价指标不良地质作用下的二级指标[11，20]，一定程度上削弱了各个约束性地质因素对评价结果的制约，使得最终的地质适宜性评价结果不符合实际地质条件的限制。
深圳市地下空间资源开发涉及的约束性地质因素包括地表水体、断裂带、地质灾害易发性等[21]。地质适宜性评价中，着重考虑约束性地质条件可使评价结果更加符合当地实际情况[22]。深圳市现有地下空间资源利用规划侧重考虑已有设施等社会经济因素，仍需深入开展地质适宜性评价以指导地下空间的开发利用。为此，本文以深圳市南山区为研究区，结合研究区地质条件，选取恰当的评价指标，将地表水体、断裂带、砂土液化和地质灾害易发性等约束条件作为一级评价指标，建立约束评价体系；采用经验分值法和模糊综合评价法，评价常规体系和约束体系的地下空间地质适宜性；对比分析评价结果，阐明研究区不同区域地下空间开发的地质适宜性，厘清规划中重点开发区地下空间开发时应该注意的地质环境问题，为深圳市南山区地下空间资源开发利用规划提供有力支撑。
1. 研究区概况
1.1 地理位置
研究区为深圳市南山区的主要陆域范围，位于广东省深圳市西南部，陆地面积187.5 km2。地处亚热带，年平均气温22.3 ℃，年平均相对湿度79%，年平均降水量1924.7 mm。此外，南山区是深圳的科研、教育、体育中心。截至2020年11月，南山区常住人口约180万，人口密度约9700人/ km2。
1.2 地质条件
研究区位于深圳市西南部，北部高、南部低。地貌类型主要有丘陵、残丘、台地、平原和人工地貌（图1）。丘陵面积约34.57 km2，坡度40°～70°。研究区残丘零散分布，面积较小，约6.33 km2，坡度10°～30°。台地是一种由平原向丘陵和低山过渡的地形，主要分布在研究区中北部平原和丘陵之间，海拔10～50 m，总面积39.33 km2，该区地形相对平坦，坡度0°～10°。平原分布较为广泛，总面积约44.54 km2。该地区地貌为以河流冲积、海相冲积和江海相互作用沉积为主的三角洲地貌，坡度0°～5°。人工地貌以人工挖填区和填海区为主，分布在研究区南部沿海地区，总面积35.89 km2。
研究区地下水按储存条件可分为松散岩孔隙水和基岩裂隙水。第四系松散岩孔隙水主要分布在中南部平原和人工地貌区，单井涌水量10.7～452.74 m³/d，整体水质较差，地下水化学类型为HCO3·Cl—Na型。白垩、奥陶系基岩裂隙水为层状基岩裂隙水和块状基岩裂隙水，主要分布在丘陵、台地地区，水质一般较好。该区地下水类型为Cl·HCO3—Na·Ca型和Cl·HCO3—Na·Ca型。
南山区工程地质条件主要分为 2 个大区，分别为丘陵、台地隆起岩土工程地质区和丘陵、台地平原沉降岩土工程地质区。其中，丘陵、台地隆起岩土工程地质区又分为侵入岩岩土亚区和变质岩岩土亚区。侵入岩岩土亚区在南山区分布较广，为浅肉红色中细粒斑状黑云母二长花岗岩、灰白色片麻状细粒斑状黑云母二长花岗岩。变质岩岩土亚区主要为变粒岩、混合花岗岩。丘陵、台地平原沉降岩土工程地质区又分为丘间谷地冲洪积土亚区和平原海-河冲积土亚区。其中，丘间谷地冲洪积土亚区多为单一结构黏性土。平原海-河冲积土亚区包括软土地段、液化砂土地段和一般沉积土地段。
此外，研究区还存在若干不利于地下空间开发利用的约束性地质因素。例如，该地区潜在的地质灾害广泛分布，现有地质灾害点和地质灾害隐患点共60处，包括崩塌、滑坡、不稳定斜坡等；断裂带有21个，主要分布在山区和丘陵地区，大部分为活动断裂，宽度以2～10 m为主；砂土液化区面积约为27.19 km2，主要分布在南部平原第四系地区。
2. 评价方法
2.1 评价体系
深圳市地下空间资源利用规划提出深层地下空间是资源能源储备与运输、大型物流通道和安全设施等功能空间的预留空间，需要谨慎利用[21]。因此，本次研究只针对浅层地层（0～15 m）和次浅层地层（>15～30 m）地下空间开展地质适宜性评价。基于研究区地质概况与深圳市地下空间资源利用规划，科学合理的确定评价指标，然后将选取的评价指标因子按照不同属性加权，建立评价体系。本研究分别建立常规评价体系和约束评价体系。
2.1.1 常规体系
结合研究区地质条件，浅层地质适宜性评价是以城市地下空间浅层地质适宜性评价为目标层；以地形地貌、水文地质、工程地质和敏感地质因素为准则层；以地貌类型、地形坡度、水位埋深、地表水体、腐蚀性、水质、工程分区、第四系厚度、软土厚度、土体结构、断裂带、砂土液化、地质灾害易发性为指标层，建立层次评价体系。
次浅层地质适宜性评价是以城市地下空间次浅层地质适宜性评价为目标层；以水文地质、工程地质和敏感地质因素为准则层；以地表水体、腐蚀性、水质、工程分区、第四系厚度、断裂带、砂土液化、地质灾害易发性为指标层，建立层次评价体系。
2.1.2 约束体系
深圳市地下空间资源利用规划中的禁止开采区涉及的主要地质因素为地表水体、断裂带、砂土液化和地质灾害易发性。其中地表水体主要考虑水库等水源地区域。断裂带考虑距断裂带水平距离300 m 以内，大于300 m无影响。砂土液化根据液化程度划分为重度、中度、轻度和无液化区。地质灾害易发性根据易发程度分为高发区、中发区、低发区和不发区。本研究将以上4个指标作为约束条件划分到准则层，构建约束评价体系（表1、表2）。
表 1. 研究区浅层地质适宜性的约束评价体系Table 1. Constraint system of shallow geological suitability evaluation in the study area目标层 准则层 指标层 城市地下空间
浅层地质适宜性
评价地形地貌 地貌类型 地形坡度 水文地质 水位埋深 腐蚀性 水质 工程地质 工程分区 第四系厚度 软土厚度 土质结构 地表水体 地表水体 断裂带 断裂带 砂土液化 砂土液化 地质灾害易发性 地质灾害易发性 | Show Table
DownLoad:
CSV
表 2. 研究区次浅层地质适宜性评价的约束体系Table 2. Constraint system of sub-shallow geological suitability evaluation in the study area目标层 准则层 指标层 城市地下空间
次浅层地质适宜性
评价水文地质 腐蚀性 水质 工程地质 工程分区 第四系厚度 地表水体 地表水体 断裂带 断裂带 砂土液化 砂土液化 地质灾害易发性 地质灾害易发性 | Show TableDownLoad:
CSV
2.1.3 指标权重的确定
各个层次的评价因子对目标层的影响程度不同，表现为权重不同。对于评价因子权重的确定，需要依据同一层次中所有评价因子对上一层因素的重要程度两两进行比较，按照数字1～9标度进行衡量，构造判断矩阵[20]。采用经验分值法确定比较标度，经过不断调整，最终分层次确定判断矩阵。确定判断矩阵后，计算出矩阵最大特征值对应的特征向量，将特征向量归一化处理后作为相应的权重值[20]。
通过构建判断矩阵，得到了研究区常规体系和约束体系下不同层次指标的权重值（表3、表4）。结果显示，常规体系中浅层的地表水体、断裂带、砂土液化和地质灾害易发性的权重排名分别为4、1、7和3，而约束体系中其排名分别为1、3、4和2。相对于常规体系，约束体系中砂土液化和地质灾害易发性的权重均有所提升，使得地表水体、断裂带、砂土液化和地质灾害易发性成为权重最大的4个指标。权重计算结果显示，约束评价体系一定程度上提高了常规评价体系中地表水体、断裂带、砂土液化和地质灾害易发性4个指标的权重，增强了其对地下空间开发利用影响的程度。
表 3. 常规体系下浅层指标权重Table 3. Index weights of the conventional evaluation system for shallow layers准则层因素 准则层权重 指标层因素 指标层权重 总权重 权重排序 地形地貌 0.1070 地貌类型 0.3333 0.0357 10 地形坡度 0.6667 0.0713 6 水文地质 0.1849 水位埋深 0.2968 0.0549 8 地表水体 0.4852 0.0897 4 腐蚀性 0.1090 0.0202 12 水质 0.1090 0.0202 13 工程地质 0.2926 工程分区 0.1564 0.0458 9 第四系厚度 0.2938 0.0860 5 软土厚度 0.4621 0.1352 2 土体结构 0.0877 0.0257 11 敏感地质因素 0.4155 断裂带 0.6301 0.2618 1 砂土液化 0.1515 0.0629 7 地质灾害易发性 0.2184 0.0907 3 注：总权重=准则层权重×指标层权重。 | Show TableDownLoad:
CSV
表 4. 约束体系下浅层指标权重Table 4. Index weights of the constraint system for shallow layers准则层因素 准则层权重 指标层因素 指标层权重 总权重 权重排序 地形地貌 0.0381 地貌类型 0.3333 0.0127 12 地形坡度 0.6667 0.0254 8 水文地质 0.0676 水位埋深 0.6000 0.0406 6 腐蚀性 0.2000 0.0135 10 水质 0.2000 0.0135 11 工程地质 0.0942 工程分区 0.1564 0.0147 9 第四系厚度 0.2938 0.0277 7 软土厚度 0.4621 0.0435 5 土质结构 0.0877 0.0083 13 地表水体 0.2268 地表水体 1 0.2268 1 断裂带 0.2136 断裂带 1 0.2136 3 砂土液化 0.1329 砂土液化 1 0.1329 4 地质灾害易发性 0.2268 地质灾害易发性 1 0.2268 2 | Show TableDownLoad:
CSV
2.2 赋值方法
2.2.1 经验分值法
基于相关地质条件，每个评价指标划分成若干区域。根据各个指标不同分区对地下空间开发的影响程度，利用经验分值法对评价指标的不同分区进行评分，评分范围为1～10分（表5）。分数越高，表明该区域越不利于地下空间的开发利用；反之，该区域越适宜地下空间的开发利用。
表 5. 各个指标不同分区的评分Table 5. Scores of each index in different zones一级指标 二级
指标评 分 10 9 8 7 6 5 4 3 2 1 地形地貌 地貌类型 填海 人工挖填 丘陵 残丘 台地 平原 地形坡度 >80° >70°～80° >60°～70° >50°～60° >40°～50° >30°～40° >20°～30° >10°～20° 5°～10° <5° 水文地质 水位埋深 <2 m 2～<3 m 3～<4 m 4～<5 m 5～<6 m 6～<7 m 7～<8 m 8～<9 m 9～11 m 地表水体 有 无 腐蚀性 强腐蚀性 中腐蚀性 弱腐蚀性 无腐蚀性 水质 较差 较好 良好 工程地质 工程分区 人工填土地段 丘间谷地 侵入岩岩土亚区 一般沉积地段 变质岩岩土亚区 第四系厚度 >15 m >10～15 m 5～10 m <5 m 软土厚度 >16 m >14～16 m >12～14 m >10～12 m >8～10 m >6～8 m >4～6 m >2～4 m 0～2 m 土体结构 多层 单层 敏感地质
因素断裂带 ≤300 m >300m 砂土液化 严重 中等 轻微 其他 地质灾害
易发性高发 中发 低发 不发 | Show TableDownLoad:
CSV
根据评分规则对所有指标的不同区域进行了赋分。然后将各个指标图层剖分成250 m×250 m的栅格图，利用栅格叠加功能将各个指标图层按照权重进行叠加计算，每个栅格将会得到一个最终得分。最后，将各个栅格分数值进行聚类分析，重新划分为4类，根据分值从小到大，将4类区域的地下空间开发地质适宜性依次评定为适宜、较适宜、适宜性差和不适宜。
2.2.2 模糊综合评价法
模糊综合评价是根据模糊数学的隶属度原理论，把定性评价转化为定量评价的一种方法，是用模糊数学对受到多种因素制约的对象做出总结评价[15]。城市地下空间地质适宜性评价中，通常采用梯形隶属函数确定各个区域在不同等级的隶属度，再根据最大隶属度原则综合评价各区域的地质适宜性等级。上述评价指标有定量指标和定性指标2种。其中，地形坡度、水位埋深、第四系厚度和软土厚度为定量指标，其梯形隶属函数如式（1）所示，按照赋值标准给出评定值，并采用梯形隶属函数计算隶属度。
u(x)={0x⩽a1x−a1a2−a1a1<x⩽a21a2<x⩽a3a4−xa4−a3a3<x⩽a40x>a4 (1) 式中：a1、a2、a3、a4——不同指标隶属度分区临界值；
x——各网格的分值；
u——隶属度。
其他指标为定性指标，需要按照分级法进行量化处理。按照以下标准将指标不同区域分为4个等级并附分值：适宜Ⅰ（0.2分）、较适宜Ⅱ（0.4分）、适宜性差Ⅲ（0.7分）和不适宜Ⅳ（0.9分）。并采用梯形隶属函数计算隶属度，具体见式（2）—（5）。
按照250 m×250 m的网格精度，本次将研究区剖分为2899个网格。将每个网格对应的所有二级指标量化值代入对应的隶属函数，均得到相应的隶属度评价矩阵。其中，浅层13个指标得到的隶属度评价矩阵为B13×4，权向量矩阵为A1×13；次浅层8个指标得到的隶属度评价矩阵为B8×4，权向量矩阵为A1×8，则综合评价结果为C1×4=AB。根据最大隶属度原则，在C1×4矩阵中取最大值对应的评价等级i为相应网格的适宜性等级，即Ci=max(CI, CII,CIII, CIV)。
uⅠ(x)={1x⩽0.23−10x0.2<x⩽0.30x>0.3 (2) uⅡ(x)={0x⩽0.210x−20.2<x⩽0.310.3<x⩽0.56−10x0.5<x⩽0.60x>0.6 (3) uⅢ(x)={0x≤0.510x−50.5<x⩽0.610.6<x⩽0.89−10x0.8<x⩽0.90x>0.9 (4) uⅣ(x)={0x⩽0.810x−80.8<x⩽0.91x>0.9 (5) 式中：uⅠ——隶属于适宜区的程度；
uⅡ——隶属于较适宜区的程度；
uⅢ——隶属于适宜性差区的程度；
uⅣ——隶属于不适宜区的程度。
3. 评价结果
3.1 经验分值法评价结果
常规评价体系的经验分值法评价结果见图2（a）（b），研究区以适宜区和较适宜区为主。其中，浅层适宜区域主要为研究区北部麻凹南、大密山、石光山、桃源街道以及中部的直升机场—南山街道，面积约为78.31 km2，约占研究区总面积的46%。较适宜区域主要为研究区中南部沙河桥至招商街道、西站天桥和兴海街道，面积约为35.00 km2，约占总面积的21%。研究区适宜性差和不适宜区域主要受砂土液化和断裂带影响。其中，适宜性差的区域主要分布在直升机场北部、西站天桥西南和沙河街道，面积约为39.13 km2，约占总面积的23%。不适宜区域面积较小，主要位于桃园路口、蛇口街道和南山至狮山区域，面积约为16.31 km2，约占总面积的10%。
图 2. 基于经验分值法 2 种体系的评价结果Figure 2. Results of the two systems from empirical score evaluation method次浅层地质适宜性评价结果同样以适宜区和较适宜区为主。其中，适宜区域主要分布在研究区北部台地、丘陵地区，包括麻凹南、石光山、麒麟山、下围岭和中山桥区域，面积为77.81 km2，约占研究区总面积的46%。较适宜区域主要分布在研究区北部的西丽水库、桃源街道和南部的科技园、西站桥和兴海街区域，面积约为25.06 km2，约占总面积的15%。研究区适宜性差和不适宜区域同样主要受砂土液化和断裂带影响。其中，适宜性差的区域主要分布在沙河街道、沙河南至招商街道和西站桥西南区域，面积约为42.38 km2，约占总面积的25%。不适宜地区主要分布在桃园路口、蛇口街道和南山至狮山区域，面积约为23.50 km2，约占总面积的14%。
而约束评价体系的经验分值法得到的浅层和次浅层地质适宜性评价结果相似，见图2（c）（d）。其中，适宜区域主要为研究区北部麒麟山、桃源街道、西丽中学和中部的中山桥和深圳大学区域，面积约占研究区总面积的36%。较适宜区域主要为西站天桥至兴海街、沙河街道至粤海街道以及麻凹南至石光山区域，约占总面积的32%。适宜性差和不适宜的区域主要分布在西丽水库、长岭皮水库、留仙小学南部、桃园路口和南山至狮山区域，面积分别占总面积的20%和12%，该区主要有水库、断裂带分布，且为地质灾害高发区。
3.2 模糊综合法评价结果
常规评价体系的浅层模糊综合评价结果见图3（a），可知研究区地质适宜性以适宜和较适宜为主。其中地下空间开发适宜区域面积约为71.81 km2，占研究区总面积的43%，主要分布在桃源街道、西丽中学、南头街道、沙河街道和粤海街道区域；较适宜区域面积为73.94 km2，占总面积的44%，分布在大密山、西丽水库、下围岭和西站天桥至兴海街区域，并在研究区中部有零星分布。适宜性差和不适宜区域面积约为23.00 km2，占总面积的13%，主要分布在桃源路口、南山、狮山和蛇口街道的断裂带分布区。
图 3. 基于模糊综合评价法 2 种体系的评价结果Figure 3. Results of the two systems from fuzzy comprehensive evaluation method如图3（b）所示，次浅层地下空间开发适宜区域面积较小，约为30.63 km2，占研究区总面积的18%，主要分布在大密山西部、桃源街道、西丽中学和沙河街道，呈带状分布。较适宜区域面积较大，约为99.81 km2，占总面积的59%，主要分布在麻凹南、西丽水库、下围岭、中山桥至兴海街和科技园区域。适宜性差和不适宜区域主要分布在粤海街道东部砂土液化区域、桃园路口和南山至狮山的断裂带分布区，面积约为38.31 km2，占总面积的23%。
如图3（c）（d）所示，约束体系下的模糊综合评价结果中，浅层和次浅层地下空间开发适宜性较为一致。其中适宜性差和不适宜区域面积约为21.50 km2，占总面积的13%，主要分布在桃园路口、南山、狮山和蛇口街道，为断裂带和地质灾害高发区域。较适宜区域面积约为32.31 km2，占总面积的19%，主要分布在大密山、西丽水库和下围岭。其他区域均为适宜区，分布面积较大，约为114.94 km2，占研究区总面积的68%。
4. 讨论
4.1 约束评价体系的构建
地下空间地质适宜性评价通常是自然因素对地下空间开发的影响，进一步考虑社会经济因素的影响[23]，即可得到地下空间综合质量评价结果[24]，指导城市地下空间资源开发利用。前人研究表明，针对不同研究区，选取合适的评价指标和体系是地质适宜性评价的关键[15，25]。结合研究区地质特点，本次将地表水体、断裂带、砂土液化和地质灾害易发性作为一级评价指标，得到约束评价体系。约束体系中砂土液化和地质灾害易发性的权重相对于常规体系均有所提升，该体系下地表水体、断裂带、砂土液化和地质灾害易发性为权重最大的四个指标，增强了约束性地质因素对地下空间开发利用的制约性。
4.2 地质适宜性评价结果对比
本次研究结合常规评价体系和约束评价体系，利用经验分值法和模糊综合法分别评价了研究区浅层和次浅层地下空间开发的地质适宜性，如图4所示。其中，经验分值法常规体系和约束体系评价结果有所不同。常规评价体系适宜性差和不适宜区域受地表水体影响较弱，在禁止开发的西丽水库和长岭皮水库区域评价结果为适宜和较适宜区，该结果不符合地下空间开发的地质条件要求。而约束体系下评价结果中适宜性差和不适宜区域主要分布在断裂带、地质灾害高发区以及水库分布区，例如西丽水库，长岭皮水库和南山。各个程度的地质适宜性较为符合地表水体等约束性地质因素对地下空间开发的制约性。因此，约束体系下经验分值法的评价结果更加符合实际地质条件，更能有效指导研究区地下空间开发利用规划。
图 4. 包含禁止开发区和重点开发区的约束体系下 2 种方法的评价结果Figure 4. Results of the two methods of the constraint system, including forbidden development zones and key development zones此外，模糊综合法地质适宜性评价结果中，常规体系和约束体系下均以适宜和较适宜区为主，占研究区总面的70%以上。但各类区域在空间分布上也具有一定差异。其中，常规体系浅层评价结果显示，适宜区和较适宜区域分布凌乱，适宜性差和不适宜区主要受断裂带的影响。常规体系次浅层适宜性差和不适宜区域面积有所增加，主要分布在断裂带和砂土液化区域。而在考虑约束条件时，适宜区和较适宜区分布较为集中。研究区以适宜区为主，较适宜区主要分布在西丽水库、长岭皮水库和下围岭区域。适宜性差和不适宜区主要分布在桃园路口、南山和蛇口街道的断裂带分布区。总体上讲，模糊综合评价法 2 个体系的适宜性差和不适宜区均受约束条件影响，而约束体系评价结果能够更集中的圈定不同评价级别的范围，相比常规体系评价结果更具有指导意义。综上所述，约束评价体系较常规评价体系更加适用于研究区地质适宜性评价，可为深圳市地质适宜性规划提供有力支撑。
4.3 地下空间开发利用建议
城市地质适宜性评价阐明了地下空间开发利用过程中地质环境因素的影响，能够合理指导城市地下空间资源的开发利用[26]。结合约束体系评价结果，本次研究阐明了深圳市地下空间资源利用规划中的地下空间重点开发区的地质环境问题。
经验分值法评价结果显示规划中的重点开发区主要位于适宜区和较适宜区，部分重点开发区包含适宜性差和不适宜区，见图4（a）（b）。位于西站天桥、南山街道和科技园南部的重点开发区包含较适宜区，该区域需注意砂土液化引起的地层失稳、地面塌陷等地质问题。星海街道、蛇口街道、白石洲和西丽中学附近的重点开发区的部分区域为适宜性差和不适宜区，地下空间开发时应该注意活动断裂带区域岩体破碎和地下水富集等不利于施工的因素。此外，重点开发区的水位埋深均小于5 m，需建造必要的防水工程。位于西站桥和粤海街道以南的重点开发区还需注意防护地下水的强腐蚀作用。
模糊综合评价结果显示规划中的重点开发区域均位于适宜开发区，见图4（c）（d），仅有兴海街道西部和蛇口街道的重点开发区包含部分不适宜区，该区域需注意活动断裂带区域岩体破碎和地下水富集等不利于施工的因素。但是进一步结合模糊综合评价在大密山、长岭皮水库和西丽水库等禁止开发区的评价结果为较适宜区，模糊综合评价结果趋于乐观，在地下空间开发过程中还需根据实际地质条件采取相应防护措施。另外，地质适宜性评价显示，除了规划中的禁止开发区，桃源路口、蛇口街道、小南山和狮山区域均为不适宜开发区，主要受活动断裂带影响。如无特别需要，该区域地下空间需禁止开发利用。
5. 结论
（1）相对于常规体系，约束体系提高了地表水体、断裂带、砂土液化和地质灾害易发性的评价权重。
（2）约束体系下适宜性差和不适宜区域主要分布在断裂带、地质灾害高发区以及水源地区域，比常规体系评价结果更加符合实际约束性地质条件。
（3）深圳市地下空间资源利用规划中地下空间重点开发区在开发利用过程中应该注意不适宜地区约束性砂土液化引起的地层失稳、地面塌陷等地质问题，合理规避约束性活动断裂带区域岩体破碎、地下水富集等地质问题。
-
表 1 GNSS1垂直位移精度评价指标
Table 1. Evaluation metrics for vertical displacement precision of GNSS1
评价指标 RMSE/mm MAE/mm R2 Evar 数值 12.88 6.56 0.99 0.99
下载: 导出CSV
表 2 GNSS8垂直位移精度评价指标
Table 2. Evaluation metrics for vertical displacement precision of GNSS8
评价指标 RMSE/mm MAE/mm R2 Evar 数值 6.63 5.66 0.99 0.99
下载: 导出CSV
表 3 GNSS8水平位移精度评价指标
Table 3. Evaluation metrics for horizontal displacement precision of GNSS8
评价指标 RMSE/mm MAE/mm R2 Evar 数值 4.00 3.79 0.99 0.99
下载: 导出CSV
-
[1] 张勤,黄观文,杨成生. 地质灾害监测预警中的精密空间对地观测技术[J]. 测绘学报,2017,46(10):1300 − 1307. [ZHANG Qin,HUANG Guanwen,YANG Chengsheng. Precision space observation technique for geological hazard monitoring and early warning[J]. Acta Geodaetica et Cartographica Sinica,2017,46(10):1300 − 1307.(in Chinese with English abstract)
ZHANG Qin, HUANG Guanwen, YANG Chengsheng . Precision space observation technique for geological hazard monitoring and early warning［J］. Acta Geodaetica et Cartographica Sinica,2017 ,46 （10 ）:1300 −1307 .（in Chinese with English abstract）[2] FROUDE M J,PETLEY D N. Global fatal landslide occurrence from 2004 to 2016[J]. Natural Hazards and Earth System Sciences,2018,18(8):2161 − 2181. doi: 10.5194/nhess-18-2161-2018
[3] 宋昭富, 张勇, 佘涛, 等. 基于易发性分区的区域滑坡降雨预警阈值确定—以云南龙陵县为例[J]. 中国地质灾害与防治学报,2023,34(4):22 − 29. [SONG Zhaofu, ZHANG Yong, SHE Tao, et al. Determination of regional landslide rainfall warning threshold based on susceptibility zoning: A case study in Longling County of Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2023,34(4):22 − 29. (in Chinese with English abstract)
SONG Zhaofu, ZHANG Yong, SHE Tao, et al . Determination of regional landslide rainfall warning threshold based on susceptibility zoning: A case study in Longling County of Yunnan Province［J］. The Chinese Journal of Geological Hazard and Control,2023 ,34 （4 ）:22 −29 . （in Chinese with English abstract）[4] 唐亚明,张茂省,薛强,等. 滑坡监测预警国内外研究现状及评述[J]. 地质论评,2012,58(3):533 − 541. [TANG Yaming,ZHANG Maosheng,XUE Qiang,et al. Landslide monitoring and early-warning:An overview[J]. Geological Review,2012,58(3):533 − 541. (in Chinese with English abstract)
TANG Yaming, ZHANG Maosheng, XUE Qiang, et al . Landslide monitoring and early-warning: An overview［J］. Geological Review,2012 ,58 （3 ）:533 −541 . （in Chinese with English abstract）[5] GLADE T,NADIM F. Early warning systems for natural hazards and risks[J]. Natural Hazards,2014,70(3):1669 − 1671. doi: 10.1007/s11069-013-1000-8
[6] 余凯,贾磊,陈雨强,等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展,2013,50(9):1799 − 1804. [YU Kai,JIA Lei,CHEN Yuqiang,et al. Deep learning:Yesterday,today,and tomorrow[J]. Journal of Computer Research and Development,2013,50(9):1799 − 1804. (in Chinese with English abstract)
YU Kai, JIA Lei, CHEN Yuqiang, et al . Deep learning: Yesterday, today, and tomorrow［J］. Journal of Computer Research and Development,2013 ,50 （9 ）:1799 −1804 . （in Chinese with English abstract）[7] 杜续,冯景瑜,吕少卿,等. 基于随机森林回归分析的PM2.5浓度预测模型[J]. 电信科学,2017,33(7):66 − 75. [DU Xu,FENG Jingyu,LYU Shaoqing,et al. PM2.5 concentration prediction model based on random forest regression analysis[J]. Telecommunications Science,2017,33(7):66 − 75(in Chinese with English abstract)
DU Xu, FENG Jingyu, LYU Shaoqing, et al . PM2.5 concentration prediction model based on random forest regression analysis［J］. Telecommunications Science,2017 ,33 （7 ）:66 −75 （in Chinese with English abstract）[8] 张品一,薛京京. 多分形互联网金融市场的风险预警模型研究[J]. 数量经济技术经济研究,2022,39(8):162 − 180. [ZHANG Pinyi,XUE Jingjing. Research on risk early warning model of multi-fractal Internet financial market[J]. The Journal of Quantitative & Technical Economics,2022,39(8):162 − 180. (in Chinese with English abstract)
ZHANG Pinyi, XUE Jingjing . Research on risk early warning model of multi-fractal Internet financial market［J］. The Journal of Quantitative & Technical Economics,2022 ,39 （8 ）:162 −180 . （in Chinese with English abstract）[9] 程宇也. 基于人工神经网络的短期电力负荷预测研究[D]. 杭州:浙江大学, 2017. [CHENG Yuye. Research on short-term power load forecasting based on artificial neural network[D]. Hangzhou:Zhejiang University, 2017. (in Chinese with English abstract)
CHENG Yuye. Research on short-term power load forecasting based on artificial neural network［D］. Hangzhou: Zhejiang University, 2017. （in Chinese with English abstract） [10] 李小妍. 基于图神经网络的交通流量预测[D]. 成都:电子科技大学, 2020. [LI Xiaoyan. Traffic flow forecast based on graph neural network[D]. Chengdu:University of Electronic Science and Technology of China, 2020. (in Chinese with English abstract)
LI Xiaoyan. Traffic flow forecast based on graph neural network［D］. Chengdu: University of Electronic Science and Technology of China, 2020. （in Chinese with English abstract） [11] 刘新,赵宁,郭金运,等. 基于LSTM神经网络的青藏高原月降水量预测[J]. 地球信息科学学报,2020,22(8):1617 − 1629. [LIU Xin,ZHAO Ning,GUO Jinyun,et al. Prediction of monthly precipitation over the Tibetan Plateau based on LSTM neural network[J]. Journal of Geo-Information Science,2020,22(8):1617 − 1629. (in Chinese with English abstract)
LIU Xin, ZHAO Ning, GUO Jinyun, et al . Prediction of monthly precipitation over the Tibetan Plateau based on LSTM neural network［J］. Journal of Geo-Information Science,2020 ,22 （8 ）:1617 −1629 . （in Chinese with English abstract）[12] 冯非凡,武雪玲,牛瑞卿,等. 一种V/S和LSTM结合的滑坡变形分析方法[J]. 武汉大学学报(信息科学版),2019,44(5):784 − 790. [FENG Feifan,WU Xueling,NIU Ruiqing,et al. A landslide deformation analysis method using V/S and LSTM[J]. Geomatics and Information Science of Wuhan University,2019,44(5):784 − 790. (in Chinese with English abstract)
FENG Feifan, WU Xueling, NIU Ruiqing, et al . A landslide deformation analysis method using V/S and LSTM［J］. Geomatics and Information Science of Wuhan University,2019 ,44 （5 ）:784 −790 . （in Chinese with English abstract）[13] 张宇,张鹏远,颜永红. 基于注意力LSTM和多任务学习的远场语音识别[J]. 清华大学学报(自然科学版),2018,58(3):249 − 253. [ZHANG Yu,ZHANG Pengyuan,YAN Yonghong. Long short-term memory with attention and multitask learning for distant speech recognition[J]. Journal of Tsinghua University (Science and Technology),2018,58(3):249 − 253. (in Chinese with English abstract)
ZHANG Yu, ZHANG Pengyuan, YAN Yonghong . Long short-term memory with attention and multitask learning for distant speech recognition［J］. Journal of Tsinghua University （Science and Technology）,2018 ,58 （3 ）:249 −253 . （in Chinese with English abstract）[14] 刘宇. 深度学习在图像处理中的应用——基于深度学习的视频帧预测算法研究[D]. 成都:电子科技大学, 2020. [LIU Yu. Application of deep learning in image processing:Research on video frame prediction algorithm based on deep learning[D]. Chengdu:University of Electronic Science and Technology of China, 2020. (in Chinese with English abstract)
LIU Yu. Application of deep learning in image processing: Research on video frame prediction algorithm based on deep learning［D］. Chengdu: University of Electronic Science and Technology of China, 2020. （in Chinese with English abstract） [15] 彭燕,刘宇红,张荣芬. 基于LSTM的股票价格预测建模与分析[J]. 计算机工程与应用,2019,55(11):209 − 212. [PENG Yan,LIU Yuhong,ZHANG Rongfen. Modeling and analysis of stock price forecast based on LSTM[J]. Computer Engineering and Applications,2019,55(11):209 − 212. (in Chinese with English abstract)
PENG Yan, LIU Yuhong, ZHANG Rongfen . Modeling and analysis of stock price forecast based on LSTM［J］. Computer Engineering and Applications,2019 ,55 （11 ）:209 −212 . （in Chinese with English abstract）[16] 杨青,王晨蔚. 基于深度学习LSTM神经网络的全球股票指数预测研究[J]. 统计研究,2019,36(3):65 − 77. [YANG Qing,WANG Chenwei. A study on forecast of global stock indices based on deep LSTM neural network[J]. Statistical Research,2019,36(3):65 − 77. (in Chinese with English abstract) doi: 10.19343/j.cnki.11-1302/c.2019.03.006
YANG Qing, WANG Chenwei . A study on forecast of global stock indices based on deep LSTM neural network［J］. Statistical Research,2019 ,36 （3 ）:65 −77 . （in Chinese with English abstract） -
图(9)
表(3)
计量
- 文章访问数: 696
- PDF下载数: 69
- 施引文献: 0