Research on prediction model of landslide creep displacement on genetic algorithm
-
摘要:
滑坡位移预测是预报滑坡灾害的重要依据，以往的滑坡位移预测模型多数为时间序列预测模型、BP神经网络预测模型、Gaussian拟合预测模型以及其他一些非线性预测模型。这些滑坡位移预测模型在建立上缺乏力学理论支撑，对不同力学特性产生的滑坡位移预测分析上没有针对性。文章针对力学特性为重力蠕变型滑坡位移的预测，提出一种基于遗传优化算法的滑坡蠕滑位移非线性预测模型。以鲁家坡滑坡东侧J05监测点的累计水平位移为例，划定测试区域与预测区域进行模型预测分析，并将新模型预测结果与Gaussian拟合预测模型、BP神经网络预测模型预测结果进行对比分析。结果表明，相较于传统预测模型，新模型的预测效果有所提升，有一定的工程价值与实践价值。
Abstract:Landslide displacement prediction is an important basis of predicting landslide disasters. Most of the previous landslide displacement prediction models include time series prediction models, BP neural network prediction models, Gaussian fitting prediction models, and various other nonlinear prediction models. However, these landslide displacement prediction models lack the foundation of mechanical theory in the establishment and have no pertinence in the prediction and analysis of landslide displacement resulting from diverse mechanical properties. In this paper, a nonlinear prediction model of landslide creep displacement based on genetic optimization algorithm is proposed for the prediction of gravity creep landslide displacement. Using the cumulative horizontal displacement data from monitoring point J05 on the eastern side of the Lujiapo landslide as a case study, the test area and prediction area are delimited for model prediction analysis. The results of the new model are compared with those of Gaussian fitting model and BP neural network model. The results indicate that, in comparison to the traditional prediction models, the new model exhibits improved predictive performance, offering a certain engineering value and practical value.
-
Keywords:
- landslide /
- displacement prediction /
- genetic algorithm /
- creep displacement /
- function model
-
0. 引言
岩溶塌陷是最主要的地质灾害类型之一[1-7]，因其隐蔽性和突发性强，通常危险性较大，破坏性很强。岩溶地质学和地质工程学领域历来重视对岩溶塌陷的理论和防治技术研究与实践总结，形成了大量的研究成果[8-12]。然而，既有的这些研究工作和成果，主要是针对具体的岩溶塌陷点或地段开展的特征和机制研究，主要目的是解决工程建设项目治理和防范岩溶塌陷威胁或危害所面临的问题[13-16]。对于岩溶高原宏观尺度的岩溶塌陷形成条件、发育特征及内在成因机制的研究则很少，且多较为肤浅和缺乏系统性。云南高原岩溶分布面积达11.09×104 km2，占云南省总面积的28.14%，但在最新完成的云南省1∶50000地质灾害详细调查所查明的34408处地质灾害点中，岩溶塌陷475处，仅占滑坡、崩塌、泥石流、地面塌陷、地裂缝、地面沉降6大类地质灾害点总数的1.38%，且区域上分布零星，地段上呈现“点状”特征，并主要集中发育于岩溶断陷盆地、岩溶槽谷（洼）地、岩溶台地或古高原面等特定的岩溶地质环境单元[17]。研究清楚这些特征及其成因机制，对于正确认识高原岩溶塌陷灾害风险和危害性，科学合理地制定高原岩溶塌陷防治战略和规划部署是非常必要的[18]。文中从研究云南高原岩溶发育条件和岩溶塌陷的宏观及微观特征出发，系统而深入地剖析高原岩溶塌陷的主控因素和成因机制，以期揭示高原岩溶塌陷的区域性发育规律，正确评价区域性的岩溶塌陷发展趋势及灾害风险，为高原岩溶塌陷的易发性和风险评价提供科学的依据。
1. 岩溶地质环境条件
云南省岩溶区主要分布于东经102°以东、元江以北的滇东岩溶高原区，滇西北横断山中段至南缘的高山中山峡谷盆地区，以及滇西保山至沧源等褶断带中山宽谷盆地区[19]。岩溶高原山区多为基岩裸露、地下水深埋的岩溶石山和峡谷区，仅在岩溶断陷盆地、岩溶槽谷（洼）地、岩溶台地或古高原面等次级地貌单元存在产生岩溶塌陷的松散土覆盖层和岩溶化地层构成的浅表层岩土体双层结构，易于产生岩溶塌陷。
1.1 岩溶断陷盆地
岩溶断陷盆地通常由断裂作用产生下陷并伴随着侵蚀、溶蚀作用形成，展布方向受区域构造控制，大多呈不规则形。盆地底部地形平坦宽阔，坡度小于5°，为地表水的径流汇集带，地表水系发育，一般分布有湖、塘、湿地等地表水体，水深几米至几百米，如昆明岩溶断陷盆地，见图1（a）。
盆底覆盖层形成年代主要为更新世及以前，岩性多为冲积、湖积土层，土层固结度高，稳定性强，厚几米至几十米，由盆地边缘向中心逐渐增加，最厚可达几百米甚至上千米。周边基岩以广泛分布碳酸盐岩为主，连片或条带状分布，与非可溶岩交互产出。
受主干断裂导水、碎屑岩阻隔及断裂控制，盆地边缘大泉、暗河发育，部分地下水在盆地底部富集形成富水块段，地下水位埋深在10 m左右，局部覆盖层厚度在30 m以内，属浅覆盖型岩溶含水层。钻井开采时，水位的波动容易诱发潜蚀、真空吸蚀等作用，形成地下土洞、地面差异沉降及岩溶塌陷。
1.2 岩溶槽谷（洼）地
受构造和溶蚀作用控制，岩溶槽谷两侧多由峰丛、孤峰组成正地形，横向上则较为开阔，多呈“U”型谷地。
岩溶槽谷底部的第四系残坡积红土层，厚2～30 m，基岩零星出露。岩溶洼地底部常有黏性土松散堆积物覆盖，局部有少量残坡积层，厚度0～10 m不等，岩溶槽谷（洼）地周边碳酸盐岩大多裸露地表。如罗平县阿岗岩溶槽谷，见图1（b）。
岩溶洼地规模大小不一，平面形态多呈椭圆、圆形、长条形以及不规则形状，长、宽数十米至数千米不等，深10～60 m，剖面形态多呈碟状、盆状以及深陷的漏斗状，大多沿构造线及地层走向线呈串珠状排列。如罗平县四方石岩溶峰丛洼地区，见图1（c）。
岩溶槽谷底部的第四系残坡积红土层，厚2～30 m，基岩零星出露。岩溶洼地底部常有黏性土松散堆积物覆盖，局部有少量残坡积层，厚度0～10 m不等。岩溶槽谷（洼）地周边碳酸盐岩大多裸露地表。
岩溶槽谷区易在底部形成饱水带储水构造，峰丛洼地区岩溶发育强烈但不均匀，地表落水洞、天窗分布较多，地下岩溶管道发育，很少形成区域性的地下水富集区。岩溶水位埋深一般小于30 m。钻井开采地下水引起水位波动较大时，若覆盖层以砂土、粉土类为主，较容易诱发产生岩溶塌陷。
1.3 岩溶台地或古高原面
岩溶台地或古高原面为高原大幅隆升与流水强烈下蚀作用的残留地貌形态，分布或出露海拔高，主要分布在2000～3000 m的分水岭地带，高原面上总体地形起伏不大，地形坡度10°～25°，如泸沽湖机场岩溶古高原面，见图1（d）。
高原面上表层残坡积土层的分布随地形起伏而变化，一般连续分布面积不大，厚度大多小于10 m。岩溶洼地、落水洞、溶洞管道较发育，为地表水产流区、地下水补给区。
降水从洼地、落水洞灌入式补给地下水，以垂直岩溶管隙和深部陡降的梯级状溶洞管道为径流通道，形成季节性急变管道流，地下水储存量小。岩溶塌陷的形成主要是人为开垦、挖填和线状工程建设、地下工程和矿山开采疏排水导致天然径流状态改变，使得地表水下渗和地下水潜蚀增强所致。
2. 岩溶塌陷特征
云南已发生岩溶塌陷事件1000余起，累计造成经济损失超过5000万元[20]，现状有一定规模的岩溶塌陷共291处，主要分布于曲靖、红河、昭通、文山和昆明等地。
2.1 区域分布特征
受碳酸盐岩分布、岩溶发育特征、覆盖层结构特性、水文地质条件等自然因素和地下水开采、矿山开采、地下工程开凿、地表工程扰动等人类工程活动的影响，云南高原岩溶塌陷点的区域分布，总体上呈现零星分散、点状分布的特点（图1）。
（1）主要发育于岩溶断陷盆地、岩溶槽谷（洼）地、岩溶台地或古高原面等特定的岩溶地质环境单元，盆地中心一般岩溶塌陷发育较少。盆地中心覆盖层一般多以冲积、湖积为主，土体类型以黏性土为主，通常厚度大、塑性好、抗剪强度高，因而产生岩溶塌陷的可能性较低。盆地边缘和山区覆盖层一般多以冲积、洪积、残坡积为主，土体类型以砂土、粉土居多，通常厚度变化大。在覆盖层较薄的地带，若下部岩溶发育程度较高，分布有较大的溶孔、溶洞，容易产生岩溶塌陷。据统计，覆盖层厚度小于30 m的浅覆盖岩溶发育区，现状岩溶塌陷占比达90%以上。
（2）易发区面积占比小，现状岩溶塌陷零星分散、点状分布，成区、成带趋势不明显。云南省国土面积中，山区约占94%，平坝仅占6%[21]。具备岩溶塌陷条件的浅覆盖岩溶平坝区面积约占平坝区的16%，其中岩溶塌陷易发区面积占比更小。在有限的岩溶塌陷易发区中，地下岩溶发育不均匀，岩溶管道、溶洞等分布较为孤立分散，故形成了现状岩溶塌陷的分布宏观上呈现零星分散、点状分布的特点，未发现成区、成带规律和趋势。
（3）主要分布于滇东岩溶区。滇东岩溶高原岩溶断陷盆地和宽缓槽谷发育，山体残留高原面较多，其中冲湖积成因的松散盖层岩性变化大，结构稳定性差，含透镜状分布的砂质、淤泥质土，覆盖层厚度小于30 m的浅覆盖区岩溶发育，往往地下水位在土石分界面附近。在人类活动影响下，易形成岩溶塌陷。滇西岩溶塌陷分布较少，主要因人为影响作用强度较弱。据统计，291处岩溶塌陷点中，有245处位于滇东岩溶区，占84.19%，有46处位于滇西岩溶区，占15.81%。
2.2 典型岩溶塌陷点剖析
2.2.1 昆明地区岩溶塌陷
昆明城区处于岩溶断陷盆地底部沉积平坝区，是产生岩溶塌陷最多的地区。
（1）地质环境条件
昆明岩溶断陷盆地碳酸盐岩分布面积较广，约占盆地面积的32%，呈片状出露或是呈条带状与非碳酸盐岩相间分布。新构造运动强烈，褶皱及断裂构造发育，主要有南北向、北东向、北西向、东西向4组断裂。新生界松散层主要分布在盆地底部和山间谷地、山前台地，面积约占盆地的20%。盆地中部覆盖层厚度多大于50 m，由于间歇性的断陷与抬升交替进行，基底上多为更新统地层，土层固结度高，超固结比OCR多大于1，因此塌陷很少发生。盆地边缘和丘峰谷地区覆盖层厚度小于30 m的浅覆盖区主要分布在翠湖、金马寺、马街、海口、大板桥等区域，基底上多为全新统地层覆盖，土层固结度和力学强度较低（表1）。这些区域下伏基岩岩溶化程度高，以孤立分散的溶隙、溶孔、管道、溶洞为主。地下水位埋深一般小于20 m，近滇池时仅1 m左右。
表 1 昆明盆地浅覆盖区土层基本物理力学指标[22]Table 1. Basic physical and mechanical indexes of soil layers in shallow coverage area of Kunming Basin性质 指标 γ/（g·cm−3） W/% e Ip IL C/kPa ψ/（°） a1−2/kPa−1 Es/kPa R/kPa 残坡积
（Qdl+el）最大平均值 1.96 33.86 0.98 20.54 0.40 69 21.10 0.00033 12464 270 最小平均值 1.83 26.37 0.76 16.04 0.11 42 16.10 0.00017 7364 180 算术平均值 1.89 29.73 0.87 18.08 0.21 56 18.20 0.00023 9728 220 冲洪积
（Qal+pl）最大平均值 1.95 29.00 0.91 15.29 0.58 50 17.93 0.00028 9298 206 最小平均值 1.89 25.62 0.76 11.00 0.31 37 16.30 0.00020 6928 174 算术平均值 1.92 28.23 0.81 13.00 0.44 47 17.37 0.00024 8056 193 （2）基本特征
昆明地区岩溶塌陷主要分布于翠湖—圆通山、马街、金马寺、浑水塘—秧田冲、海口、大板桥和贵昆铁路沿线等地段，此外大普吉、吴家营等地段零星分布。这些岩溶塌陷集中发生于20世纪70—80年代，进入2000年后，塌陷零星、局部发生。据统计，全区已形成塌陷坑405个，大多数面积在100～1000 m2，平面形态以圆状、椭圆状为主，坑口直径1～20 m（87%直径≤5 m），剖面形态多为漏斗状、鼓状、桶状和碟状[22-23]（表2、图2）。因地下岩溶发育的不均匀性，易形成塌陷的管道、溶洞发育分布离散，控制了岩溶塌陷的分布难以成群、成排发育，总体上呈“点状”分布的特征，很少有群、成排发育。
表 2 昆明地区岩溶塌陷坑分布情况表Table 2. Distribution of karst collapse pits in Kunming area塌陷地段 翠湖—圆通山 金马寺 浑水塘—秧田冲 大板桥 马街 庄科山 明朗水库 海口 其他 合计 塌陷坑数/处 116 33 79 24 11 21 76 37 8 405 百分比/% 28.64 8.15 19.51 5.93 2.72 5.19 18.77 9.14 1.98 100 ![]()
图 2 昆明地区岩溶塌陷分布图及庄科山岩溶塌陷剖面图Figure 2. Karst collapse distribution map in Kunming area and Zhuangkeshan karst collapse profile（3）成因机制
昆明地区岩溶塌陷基本发生在盆地边缘浅覆盖型岩溶含水层分布区，已发生的岩溶塌陷的形成，多数情况下是多重因素复合叠加作用的结果，诱发因素主要有大气降水、地下水作用和人类工程活动。大气降水在通过覆盖层下渗补给地下水时有利于土洞的形成和发展，最终诱发岩溶塌陷。据统计，岩溶塌陷发生频次最高的时段为1978—1982年和1985—1989年，这两个时段恰好是丰水年；岩溶塌陷大多发生于6—9月，对应降雨集中的时段。工程建设破坏松散层的结构、地下水开采造成的水位下降、地面建筑物加载、建设过程对覆盖层的扰动、工程建设引起的振动等因素，都是已发生岩溶塌陷的主要诱发因素。主要成因机制：一是基坑、防空洞等地下工程强力排水导致松散覆盖层潜蚀形成土洞，甚至产生流沙、流土效应，最终溃决发生地面塌陷；二是地下水集中开采强度过大，造成地下水位快速下降，导致覆盖层潜蚀形成土洞以及水位波动产生的真空吸蚀作用，最后发展为地面塌陷；三是工程建筑截断或改变了天然径流途径导致积水以及各种散乱排水造成下渗增强，导致覆盖土层有效应力降低、侵蚀作用增强、土洞或裂缝发展，在洼地、漏斗和落水洞上形成塌陷。
2.2.2 阿岗槽谷岩溶塌陷
阿岗岩溶槽谷位于云贵高原向广西平原过渡的斜坡地带，行政区划属罗平县，流域面积1226.52 km2。
（1）地质环境条件
阿岗槽谷两侧均为中山，与谷底高差150～400 m，地形坡度20°～25°，山体完整，呈脊状。谷底呈北东—南西向展布，北部狭窄，南部宽缓，长约63 km，宽1～31.5 km，底部面积约105 km2，地势相对平坦，坡度在5°左右。谷底内的微地貌形态发育，表现为洼地、溶丘、孤峰、落水洞、天窗的地貌组合特征，洼地多呈浅碟状，落水洞、天窗多沿暗河管道呈串珠状分布，深度一般8～40 m。谷底覆盖层为第四系冲洪积、残坡积层，岩性主要为红土、粉砂质黏土，结构松散，厚度一般小于6 m，主要分布于谷底洼地内。下伏基岩以泥盆系、石炭系灰岩为主，水平岩溶十分发育，发育较少的溶洞、管道被发育相对均匀的溶隙、溶孔相互贯通，形成树枝状的地下暗河洞管系统。槽谷谷底富水块段内地下水富集而浅埋，但暗河管道流显示急变流的特征，动态变化幅度15～30 m。雨季地下管道泄水不及，水流从暗河天窗溢出，使一些落水洞变成冒水洞，低凹地段被淹没。
（2）基本特征
根据最新调查资料，槽谷中现状发育有岩溶塌陷9处（图3），多为自然条件下由降雨引发的土层塌陷，塌陷坑多呈近圆形或椭圆形，长轴长0.50～5 m，平均长3 m，短轴长0.3～3 m，平均长2 m，塌陷深度0.7～6.0 m，平均深3 m。塌陷坑零星分布于槽谷底部和边缘浅覆盖区域，未见成群、成片发育规律。
![]()
图 3 阿岗槽谷岩溶塌陷分布图及剖面图Figure 3. Agang trough karst collapse distribution map and section view（3）成因机制
阿岗槽谷岩溶塌陷主要分布在北部槽谷底部边缘浅覆盖型岩溶含水层分布区，已发生的岩溶塌陷的形成和发展主要受降雨、地下水位变化诱发和加剧。主要成因机制：降雨和地表水在沿覆盖层的孔隙、裂隙下渗补给地下水过程中，浸润、软化、冲刷、携带走上覆土层松散土体中的细小颗粒，在岩溶管道、溶洞等岩溶发育强度高的土岩接触带形成规模大小不一的土洞，降低了覆盖层的稳定性；地下水位变化时，流向、流速、水力坡度等随之改变，岩溶裂隙、管道、溶洞等中充填物被冲刷的同时，地下水对土岩界面附近的土体掏蚀作用也随之加强，土洞进一步扩大，覆盖层的结构和稳定性被彻底破坏，土洞发展至地表，形成岩溶塌陷。
区内覆盖层主要分布在槽谷底部的洼地中，没有连片发育，厚度变化大，岩性主要为冲洪积、残坡积的红黏土、砂土，结构比较单一，在饱水后稳定性差。下伏基岩为纯度高的碳酸盐岩，水平和垂直岩溶发育程度高，天窗、落水洞、溶洞、管道、溶孔、裂隙等岩溶形态常见，相互间多已贯通，为地下水的快速运移提供了有利空间条件。覆盖层和岩溶管道、溶洞等不均匀分布的特征，控制了该区岩溶塌陷的点状分布特征。
2.2.3 泸沽湖机场岩溶塌陷
泸沽湖机场位于云南省宁蒗县与四川省盐源县交界处，行政区划属云南省宁蒗县永宁乡石佛山村。
（1）地质环境条件
机场位于青藏高原向云贵高原过渡地带，区域地貌基本形态结构是具夷平面的中等切割中—中高山，总体地势北东高南西低。机场区上部覆盖层为第四系残坡积层，岩性主要为黏性土，广泛分布于山坡地、岩溶漏斗、溶蚀洼地等地段，厚度1.0～22.3 m，结构松散，富水性弱。下伏地层分布最广的为二叠统阳新组厚层—块状灰岩，岩溶发育强度中—强烈发育，地表发育漏斗、落水洞、溶沟、溶槽，地下溶洞、岩溶管道发育但分布不均匀，垂向裂隙发育导致垂直岩溶较水平岩溶更为发育。机场区及外围地表岩溶发育、大气降水在地表径流途径短，通过岩溶裂隙、漏斗、落水洞等通道下渗补给岩溶地下水，地下水沿大小不等的溶隙、溶孔、溶洞向主岩溶通道汇集，总体向东南方向径流，于山脚地形转折处出露成泉。岩溶含水层中的地下水埋藏较深，水位埋深在地表400～500 m以下（水位标高低于2765 m，比跑道整平标高3265 m低500 m），受季节影响水量变化较大，但无暴涨暴落现象[24]。
（2）基本特征
机场建设前在机场及外围已发育23处塌陷，分布于道槽区1个，土面区11个，其中有15个是新近塌陷（图4）。场区内塌陷一般为土层塌陷，土层的塌陷深度一般0.6～3.6 m，平均深度约2 m，形状大多为不规则圆形或椭圆形，长轴长1.2～50 m，平均长11 m，短轴长1.1～20 m，平均4.7 m。近年以来，机场外围和飞行区的土面区发生多处岩溶塌陷，对机场的构成很大威胁，2020年底调查发现新形成岩溶塌陷8处，均发育在机场跑道北端的北西测[25]。总体来看，塌陷集中分布于中部西侧区域和飞行区土面区，呈现出北东—西南带状展布特征，为地下水的强径流带所引发。
![]()
图 4 泸沽湖机场岩溶塌陷平面及剖面图Figure 4. Plan and section view of karst collapse in Lugu Lake Airport（3）成因机制
机场区为古高原面岩溶强发育区，洼地、落水洞密布，地下岩溶以垂直发育为主，为岩溶水的垂向渗入、灌入补给带，天然状态下即有地面塌陷现象，是岩溶塌陷的高易发区。主要成因机制：因表层垂直渗入带岩溶十分发育，大气降水沿地表落水洞和表层垂直裂隙以灌入式和面状垂向渗入快速补给地下水，水力坡度大，进入地下水后循环径流速度快，水动力作用强，不断掏蚀和潜蚀地表土层形成土洞；雨季降雨的集中快速补给使地下水位波动大，造成沿岩溶强发育带上覆土层潜蚀用作加强，土洞逐渐发展；机场建设改变了原降水、地表和地下水径流的途径和转换关系，造成沿岩溶强发育带上覆土层潜蚀作用进一步加强，土洞不断发展至地表形成岩溶塌陷。
该区覆盖层第四系残坡积层岩性以黏性土为主，含少量碎石，硬塑—可塑状，结构以一元结构和二元结构为主，此类岩性和结构组合，在松散层厚度越小时越容易产生岩溶塌陷。下伏基岩为灰岩，岩溶发育强烈但不均匀，地下岩溶裂隙、管道、溶洞发育，为地表水快速转化为地下水、地下水的快速运移以及形成岩溶塌陷提供了空间条件。该区岩溶塌陷的分布与地下岩溶空间分布不均匀相对应，主要表现为“点状”特征，没有成群、成排发育规律。
3. 影响及控制因素分析
云南高原岩溶塌陷的基本特征，是在岩溶高原特定的地质环境、岩溶发育、水文地质、水文气象、人类工程活动等因素综合影响和控制作用下形成的，通过这些因素及其作用机制的分析，有助于深入认识高原岩溶塌陷的基本特征、发育规律、发展趋势，为易发性评价和风险评价提供依据。
3.1 宏观地貌影响
宏观地貌成因形态的区域影响作用显著。高原山区、高山峡谷区因高原强烈隆升，大部分岩溶区域为裸露型基岩山区，江河深切，垂直岩溶发育，形成巨厚的垂向径流带，地下水埋藏普遍较深，多数水、气流变化波及不到覆盖层，岩溶塌陷不发育。岩溶区内断陷盆地、岩溶槽谷、岩溶洼地区内覆盖层的厚度和结构特征、基岩岩溶发育特征、水文地质特征等为岩溶塌陷的形成和发展提供了基本条件，发育分布着全省95%以上的岩溶塌陷。
3.2 新生代沉积特征制约
新生代沉积特征的制约作用突出。岩溶塌陷易发的岩溶断陷盆地、岩溶槽谷（洼）地、岩溶台地或古高原面，其中沉积的新生界半成岩或松散土覆盖层，在中心地带覆盖层大多厚度较大，多以冲积、洪积、湖积为主，黏性土层占比高，可塑性好、土体固结度高，在地下水开采等致塌因素强烈影响下，可能会出现地面沉降，但发展形成岩溶塌陷的可能性较小。在边缘地带，覆盖层厚度一般较小，松散覆盖层形成年代短，固结度地，结构较为松散，在地下水位波动、工程活动扰动强烈时，形成岩溶塌陷的可能性较高。但因覆盖层厚度和结构特征不均匀分布、地下岩溶发育强度不均匀、水文地质特征不一致等因素的综合作用，形成的岩溶塌陷多呈点状零星分布，成区、成带趋势不明显，不易产生区（带）性的大规模岩溶塌陷。
3.3 岩溶发育特征限制
岩溶发育特征的限制作用显著。岩溶洞隙为塌陷的塌落物提供了存储运移空间，在一定程度上决定了塌陷发生的位置，下伏基岩岩溶发育强度是地下岩溶洞隙发育数量和规模的重要指标之一。云南岩溶高原总体上岩溶发育不均匀，各向异性突出，局部地下溶洞、岩溶管道、岩溶裂隙发育，但总体上地下岩溶率并不高，引发岩溶塌陷的溶洞、岩溶管道较为孤立分散，限制着岩溶塌陷的形成、发展和分布。
4. 结论
（1）云南高原岩溶塌陷主要形成于岩溶断陷盆地、岩溶槽谷（洼）地、岩溶台地或古高原面等松散土覆盖层发育、浅层岩溶洞管发育、汇水条件较好、人类工程活动和地下水开采强度较大的地段。
（2）高原大部分区域为裸露型基岩山区，江河深切，垂直岩溶发育，形成巨厚的垂向径流带，地下水埋藏普遍较深，多数水、气流变化波及不到覆盖层。
（3）岩溶塌陷易发的岩溶断陷盆地、岩溶槽谷（洼）地、岩溶台地或古高原面松散土覆盖层除边缘地带，大多厚度较大，且黏性土层占比高，土体固结度较高，不易产生区（带）性的大规模岩溶塌陷。
（4）岩溶高原总体上岩溶发育不均匀，各向异性突出，岩溶洞、管发育，但总体上地下岩溶率并不高，引发岩溶塌陷的洞、管较为孤立分散。
因此，云南高原岩溶塌陷零星分散，具点状分布特点，总体分布没有成区、成带趋势。
-
![]()
图 5 监测点水平位移-时间散点分布
Figure 5. Scatter distribution of horizontal displacement vs. time at monitoring points
![]()
图 6 监测点水平位移-时间散点区域分布
Figure 6. Scatter area distribution of horizontal displacement vs. time at monitoring points
![]()
图 7 测试数据统一决定系数迭代过程
Figure 7. Iteration process of determination for the test data iterative process
![]()
图 11 三种预测模型的原始数据拟合曲线
Figure 11. Fitting curves of original data for three prediction models
![]()
图 12 三种预测模型的预测数据拟合曲线
Figure 12. Fitting curves of predicted data for three prediction models
![]()
图 13 三种预测模型绝对误差统计
Figure 13. Statistical analysis of absolute errors for three prediction models
表 1 遗传算法迭代参数
Table 1 Iteration parameter of genetic algorithm
参数名称 符号 种群数量 npop 迭代次数 maxit 染色体数 nv 交叉概率 npc 变异概率 nmu 子代数量 nc 
下载: 导出CSV
表 2 遗传算法迭代参数设定表
Table 2 Genetic algorithm iteration parameter configuration table
迭代参数 数值 npop 30 maxit 500 nvar 23 npc 0.9 nmu 0.1 nc 27
下载: 导出CSV
表 3 测试数据拟合模型迭代进化表
Table 3 Iterative evolution table of test data fitting models
进化阶段 迭代次数 统一决定系数RNL 0 1 0.828 0 1 101 0.839 6 2 106 0.839 8 3 151 0.840 6 4 221 0.845 0
下载: 导出CSV
表 4 拟合模型各进化阶段求解参数
Table 4 Parameters solutions at each evolution stage of the fit model
参数 a1 b1 c1 d1 D RNL 进化阶段 0 +388.3 −1.351×10−2 −3.786×101 +2.179×10−2 −383.2 0.828 0 1 +421.8 −1.937×10−1 −1.003×10−3 −1.770×10−2 −351.0 0.839 6 2 +454.2 −9.954×10−2 −1.257×10−3 −5.410×10−3 −411.1 0.839 8 3 +136.4 −8.182×10−1 −1.667×10−3 −2.010×10−2 −72.96 0.840 6 4 +6.379 −2.524×104 −4.264×10−2 +1.620×10−2 +3.167 0.845 0
下载: 导出CSV
表 5 三种预测模型预测区域统计学指标
Table 5 Statistical metrics for prediction regions of three prediction models
预测方法 遗传算法拟合预测 高斯拟合预测 BP神经网络预测 统计学
指标RNL 0.897 5 0.817 4 0.888 2 RMSE 2.596 7 4.639 1 2.790 4 FR 0.994 9 0.992 7 0.994 8 R2 0.991 2 −1.216 2 0.826 7
下载: 导出CSV
-
[1] 吴明辕,罗明,刘岁海. 基于光学遥感与InSAR技术的潜在滑坡与老滑坡综合识别——以滇西北地区为例[J]. 中国地质灾害与防治学报,2022,33(3):84 − 93. [WU Mingyuan,LUO Ming,LIU Suihai. Comprehensive identification of potential and old landslides based on optical remote sensing and InSAR technologies:A case study in northwestern Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2022,33(3):84 − 93. (in Chinese with English abstract)] WU Mingyuan, LUO Ming, LIU Suihai . Comprehensive identification of potential and old landslides based on optical remote sensing and InSAR technologies: A case study in northwestern Yunnan Province［J］. The Chinese Journal of Geological Hazard and Control,2022 ,33 （3 ）:84 −93 . （in Chinese with English abstract）[2] 曹博,汪帅,宋丹青,等. 基于蚁群算法优化极限学习机模型的滑坡位移预测[J]. 水资源与水工程学报,2022,33(2):172 − 178. [CAO Bo,WANG Shuai,SONG Danqing,et al. Landslide displacement prediction based on extreme learning machine optimized by ant colony algorithm[J]. Journal of Water Resources and Water Engineering,2022,33(2):172 − 178. (in Chinese with English abstract)] CAO Bo, WANG Shuai, SONG Danqing, et al . Landslide displacement prediction based on extreme learning machine optimized by ant colony algorithm［J］. Journal of Water Resources and Water Engineering,2022 ,33 （2 ）:172 −178 . （in Chinese with English abstract）[3] 陈嘉伟. 基于ARIMA模型与PSO-BP神经网络算法的滑坡位移预测及研究[D]. 宜昌:三峡大学,2020. [CHEN Jiawei. Displacement forecast and research based on ARIMA model and PSO-BP neural network[D]. Yichang:China Three Gorges University,2020. (in Chinese with English abstract)] CHEN Jiawei. Displacement forecast and research based on ARIMA model and PSO-BP neural network[D]. Yichang: China Three Gorges University, 2020. （in Chinese with English abstract）
[4] 王江荣. 高斯函数模型在变形监测数据处理中的应用[J]. 金属矿山,2015(4):178 − 181. [WANG Jiangrong. Application of the Gauss function model in data processing of deformation monitoring[J]. Metal Mine,2015(4):178 − 181. (in Chinese with English abstract)] WANG Jiangrong . Application of the Gauss function model in data processing of deformation monitoring［J］. Metal Mine,2015 （4 ）:178 −181 . （in Chinese with English abstract）[5] 杨伟东,王再旺,赵涵卓,等. 基于APSO-SVR-GRU模型的白水河滑坡周期项位移预测[J]. 中国地质灾害与防治学报,2022,33(6):20 − 28. [YANG Weidong,WANG Zaiwang,ZHAO Hanzhuo,et al. Displacement prediction of periodic term of Baishuihe landslide based on APSO-SVR-GRU model[J]. The Chinese Journal of Geological Hazard and Control,2022,33(6):20 − 28. (in Chinese with English abstract)] YANG Weidong, WANG Zaiwang, ZHAO Hanzhuo, et al . Displacement prediction of periodic term of Baishuihe landslide based on APSO-SVR-GRU model［J］. The Chinese Journal of Geological Hazard and Control,2022 ,33 （6 ）:20 −28 . （in Chinese with English abstract）[6] 袁于思,冯小鹏,李勇,等. 基于PSO-DSRVM的边坡变形预测[J]. 中国地质灾害与防治学报,2023,34(1):1 − 7. [YUAN Yusi,FENG Xiaopeng,LI Yong,et al. Prediction of mine slope deformation based on PSO-DSRVM[J]. The Chinese Journal of Geological Hazard and Control,2023,34(1):1 − 7. (in Chinese with English abstract)] YUAN Yusi, FENG Xiaopeng, LI Yong, et al . Prediction of mine slope deformation based on PSO-DSRVM［J］. The Chinese Journal of Geological Hazard and Control,2023 ,34 （1 ）:1 −7 . （in Chinese with English abstract）[7] 胡鹏,文章,胡新丽,等. 基于遗传算法-支持向量机的滑坡渗透系数反演[J]. 水文地质工程地质,2021,48(4):160 − 168. [HU Peng,WEN Zhang,HU Xinli,et al. Estimation of hydraulic conductivity of landslides based on support vector machine method optimized with genetic algorithm[J]. Hydrogeology & Engineering Geology,2021,48(4):160 − 168. (in Chinese with English abstract)] HU Peng, WEN Zhang, HU Xinli, et al . Estimation of hydraulic conductivity of landslides based on support vector machine method optimized with genetic algorithm［J］. Hydrogeology & Engineering Geology,2021 ,48 （4 ）:160 −168 . （in Chinese with English abstract）[8] 张艳,宦飞. 一种应用遗传算法的彩色图像分割方法[J]. 计算机应用与软件,2011,28(3):237 − 239. [ZHANG Yan,HUAN Fei. A colour image segmentation method using genetic algorithm[J]. Computer Applications and Software,2011,28(3):237 − 239. (in Chinese with English abstract)] ZHANG Yan, HUAN Fei . A colour image segmentation method using genetic algorithm［J］. Computer Applications and Software,2011 ,28 （3 ）:237 −239 . （in Chinese with English abstract）[9] 王晓峰,石东伟. 数值分析[M]. 郑州:河南大学出版社,2019. [WANG Xiaofeng,SHI Dongwei. Numerical analysis[M]. Zhengzhou,China:Henan University Press,2019. (in Chinese)] WANG Xiaofeng, SHI Dongwei. Numerical analysis[M]. Zhengzhou, China: Henan University Press, 2019. （in Chinese）
[10] 张世强. 曲线回归的拟合优度指标的探讨[J]. 中国卫生统计,2002,19(1):9 − 11. [ZHANG Shiqiang. Approach on the fitting optimization index of curve regression[J]. Chinese Journal of Health Statistics,2002,19(1):9 − 11. (in Chinese with English abstract)] ZHANG Shiqiang . Approach on the fitting optimization index of curve regression［J］. Chinese Journal of Health Statistics,2002 ,19 （1 ）:9 −11 . （in Chinese with English abstract）[11] 张倬元,王士天,王兰生. 工程地质分析原理[M]. 4版. 北京:地质出版社,2016. [ZHANG Zhuoyuan,WANG Shitian,WANG Lansheng. Principles of engineering geological analysis[M]. 4th ed. Beijing:Geological Publishing House,2016. (in Chinese)] ZHANG Zhuoyuan, WANG Shitian, WANG Lansheng. Principles of engineering geological analysis[M]. 4th ed. Beijing: Geological Publishing House, 2016. （in Chinese）
[12] 许强,汤明高,黄润秋,等. 大型滑坡监测预警与应急处置[M]. 北京:科学出版社,2015. [XU Qiang,TANG Minggao,HUANG Runqiu,et al. Monitoring,early warning and emergency disposal of large landslide[M]. Beijing:Science Press,2015. (in Chinese)] XU Qiang, TANG Minggao, HUANG Runqiu, et al. Monitoring, early warning and emergency disposal of large landslide[M]. Beijing: Science Press, 2015. （in Chinese）
[13] 陈浩,杨春和,任伟中. 蠕动滑坡变形机制的理论分析与模型试验研究[J]. 岩石力学与工程学报,2008,27(增刊2):3705 − 3711. [CHEN Hao,YANG Chunhe,REN Weizhong. Theoretical analysis and model test study on deformation mechanism of creep landslide[J]. Chinese Journal of Rock Mechanics and Engineering,2008,27(Sup 2):3705 − 3711. (in Chinese with English abstract)] CHEN Hao, YANG Chunhe, REN Weizhong. Theoretical analysis and model test study on deformation mechanism of creep landslide[J]. Chinese Journal of Rock Mechanics and Engineering, 2008, 27（Sup 2）: 3705 − 3711. （in Chinese with English abstract）
[14] 石达顺,唐朝晖. 基于统计高斯拟合的圆形光斑中心定位方法[J]. 测控技术,2020,39(7):51 − 56. [SHI Dashun,TANG Zhaohui. Circular spot center location method based on statistical Gaussian fitting[J]. Measurement & Control Technology,2020,39(7):51 − 56. (in Chinese with English abstract)] SHI Dashun, TANG Zhaohui . Circular spot center location method based on statistical Gaussian fitting［J］. Measurement & Control Technology,2020 ,39 （7 ）:51 −56 . （in Chinese with English abstract）[15] 陈航,张贝贝,旷华江,等. 基于BP神经网络反演分析的隧道塌方机理研究[J]. 水文地质工程地质,2023,50(3):149 − 158. [CHEN Hang,ZHANG Beibei,KUANG Huajiang,et al. A study of the tunnel collapse mechanism based on the BP neural network inversion analysis[J]. Hydrogeology & Engineering Geology,2023,50(3):149 − 158. (in Chinese with English abstract)] CHEN Hang, ZHANG Beibei, KUANG Huajiang, et al . A study of the tunnel collapse mechanism based on the BP neural network inversion analysis［J］. Hydrogeology & Engineering Geology,2023 ,50 （3 ）:149 −158 . （in Chinese with English abstract）[16] 邵毅明,钟颖,吴文文,等. 基于熵权TOPSIS法的短时交通流预测模型性能综合评价[J]. 重庆理工大学学报(自然科学),2020,34(7):205 − 211. [SHAO Yiming,ZHONG Ying,WU Wenwen,et al. Comprehensive evaluation of short-term traffic flow prediction model based on entropy TOPSIS model[J]. Journal of Chongqing University of Technology (Natural Science),2020,34(7):205 − 211. (in Chinese with English abstract)] SHAO Yiming, ZHONG Ying, WU Wenwen, et al . Comprehensive evaluation of short-term traffic flow prediction model based on entropy TOPSIS model［J］. Journal of Chongqing University of Technology （Natural Science）,2020 ,34 （7 ）:205 −211 . （in Chinese with English abstract）[17] 严干贵,宋薇,杨茂,等. 风电场风功率实时预测效果综合评价方法[J]. 电网与清洁能源,2012,28(5):1 − 6. [YAN Gangui,SONG Wei,YANG Mao,et al. A comprehensive evaluation method of the real-time prediction effects of wind power[J]. Power System and Clean Energy,2012,28(5):1 − 6. (in Chinese with English abstract)] YAN Gangui, SONG Wei, YANG Mao, et al . A comprehensive evaluation method of the real-time prediction effects of wind power［J］. Power System and Clean Energy,2012 ,28 （5 ）:1 −6 . （in Chinese with English abstract）[18] 殷坤龙. 滑坡灾害预测预报[M]. 武汉:中国地质大学出版社,2004:1 − 3. [YIN Kunlong. Landslide hazard prediction and evaluation[M]. Wuhan:China University of Geosciences Press,2004:1 − 3. (in Chinese)] YIN Kunlong. Landslide hazard prediction and evaluation[M]. Wuhan: China University of Geosciences Press, 2004: 1 − 3. （in Chinese）
-
期刊类型引用(2)
1. 石化波，王刚，曾怀恩. 一种ICEEMDAN-CNN-SVR滑坡位移组合预测模型. 三峡大学学报(自然科学版). 2025(01): 37-43 . 
百度学术
2. 李龙灿，吴鑫，刘永红，海英，张满，张龙梅，黄成佳. 松散堆积体斜坡变形-滑移过程的声发射特征参数演化规律. 中国地质灾害与防治学报. 2024(05): 151-159 . 本站查看
其他类型引用(2)
计量
- 文章访问数: 178
- HTML全文浏览量: 53
- PDF下载量: 118
- 被引次数: 4
邮件订阅
RSS