楊光輝,簡文星,張樹坡,付智勇

(中國地質(zhì)大學(xué)(武漢)工程學(xué)院，湖北 武漢 430074)

0 引言

三峽庫區(qū)地質(zhì)災(zāi)害眾多，其中滑坡是三峽庫區(qū)內(nèi)最為常見的地質(zhì)災(zāi)害。據(jù)不完全統(tǒng)計(jì)，庫區(qū)內(nèi)滑坡分布多達(dá)4 200多處[1]，這些滑坡嚴(yán)重威脅到社會經(jīng)濟(jì)發(fā)展和群眾生命財(cái)產(chǎn)安全。

三峽庫區(qū)滑坡的穩(wěn)定性受季節(jié)性降雨和庫水位漲落影響，其中一類滑坡的位移監(jiān)測曲線在降雨、庫水位等外界作用下近似為臺階型，即累積位移—時間曲線在極端降雨或者大幅水位波動作用下變形顯著增加，隨著外界影響因素的作用減弱，逐漸平穩(wěn)，整個變形曲線表現(xiàn)為臺階狀，此類滑坡被稱為階躍型滑坡。針對階躍型滑坡累積位移—時間曲線這一臺階狀特征，基于誘發(fā)因素的滑坡—位移預(yù)測模型被提出[2]。該模型將滑坡位移分解為趨勢項(xiàng)和波動項(xiàng)，認(rèn)為波動項(xiàng)是由降雨和庫水位等環(huán)境因素所引發(fā)[3-4]。隨著機(jī)器學(xué)習(xí)理論的興起，BP神經(jīng)網(wǎng)絡(luò)[5]、支持向量機(jī)(SVM)[6]、極限學(xué)習(xí)機(jī)(ELM)[7]等非線性模型被廣泛用于滑坡位移預(yù)測。為了進(jìn)一步提高機(jī)器學(xué)習(xí)模型的預(yù)測精度，越來越多學(xué)者開展群優(yōu)化算法的機(jī)器學(xué)習(xí)模型研究[8-9]。繆海波等[10]采用非平穩(wěn)時間序列、Pearl曲線和BP人工神經(jīng)網(wǎng)絡(luò)這三種模型預(yù)測八字門滑坡位移。向玲等[11]將BP神經(jīng)網(wǎng)絡(luò)運(yùn)用于白家包滑坡位移預(yù)測，預(yù)測趨勢與位移真實(shí)值趨勢基本一致。鄧冬梅等[12]提出了基于時間序列集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和粒子群優(yōu)化的支持向量機(jī)回歸(PSO-SVR)位移預(yù)測方法，并對三峽庫區(qū)內(nèi)幾個階躍型滑坡位移進(jìn)行了預(yù)測，預(yù)測結(jié)果與實(shí)測位移較吻合。周超等[13]提出了一種基于誘發(fā)因素響應(yīng)分析的進(jìn)化支持向量機(jī)位移預(yù)測模型，并以三峽庫區(qū)典型的階躍式滑坡—八字門滑坡為例進(jìn)行位移的預(yù)測模型，取得了較好的預(yù)測效果。彭令等[14]基于時間序列分析與進(jìn)化支持向量機(jī)的滑坡位移預(yù)測模型，研究了階躍型滑坡位移變化規(guī)律與季節(jié)性影響因素之間的響應(yīng)關(guān)系，結(jié)果表明此模型是一種行之有效的滑坡位移預(yù)測方法。以上研究均側(cè)重階躍型滑坡的位移預(yù)測，而關(guān)于階躍型滑坡的階躍點(diǎn)的研究較少。階躍點(diǎn)是滑坡位移大幅增加的點(diǎn)，此時滑坡可能失穩(wěn)并造成一定的經(jīng)濟(jì)損失。故本文針對階躍型滑坡階躍點(diǎn)判別進(jìn)行研究。

1 理論方法

1.1 聚類分析

聚類分析是將數(shù)據(jù)集中的樣本盡可能劃分為彼此并不相交的子集，每個子集被稱之為“簇”。通過聚類分析，可以通過無標(biāo)記訓(xùn)練樣本的來揭示數(shù)據(jù)內(nèi)在的性質(zhì)及規(guī)律，為后續(xù)數(shù)據(jù)分析提供基礎(chǔ)。目前常用聚類分析算法主要包括K均值算法、兩步聚類算法、密度聚類算法和高斯混合聚類等聚類算法[15]。兩步聚類分析既可以處理連續(xù)數(shù)據(jù)又可以處理離散型數(shù)據(jù)，并且可以根據(jù)一定的準(zhǔn)則自動確定聚類數(shù)目，因此被廣泛利用[16]。

2001年CHIU等[17]對傳統(tǒng)BIRCH算法進(jìn)行改進(jìn)，提出了一種能處理大規(guī)模數(shù)據(jù)的兩步聚類分析算法。該方法主要通過預(yù)聚類和聚類兩個子步驟實(shí)現(xiàn)對數(shù)據(jù)的聚類。首先通過“序貫”方式對樣本進(jìn)行粗略劃分，然后依據(jù)數(shù)據(jù)“親疏程度”判定選中的樣本是否納入新的子類，或者創(chuàng)建另一個子類。與傳統(tǒng)聚類算法相比，兩步聚類算法采用距離測度樣本之間的親疏程度。針對數(shù)值型變量，采用歐式距離對其進(jìn)行判別；當(dāng)樣本中含有離散型變量時，采用對數(shù)似然法進(jìn)行衡量。最后反復(fù)執(zhí)行此步驟，將數(shù)據(jù)分為N個類別。隨著聚類的進(jìn)行，聚類數(shù)目逐漸減少，最后完成整個數(shù)據(jù)的分類。

1.2 集成學(xué)習(xí)

集成學(xué)習(xí)是通過構(gòu)建并且結(jié)合多個學(xué)習(xí)機(jī)來完成分類或者回歸任務(wù)的一類機(jī)器學(xué)習(xí)方法。其中，基于自助采樣法(bootstrap sampling)的Bagging算法是并行式集成學(xué)習(xí)的代表。假定包含n個樣本的數(shù)據(jù)集K，每次從K中都抽取一個樣本，將其復(fù)制到數(shù)據(jù)集K’，然后放回原數(shù)據(jù)集K中。重復(fù)n次抽取，則每個樣本不被抽到的概率可用式(1)計(jì)算：

(1)

對式(1)取極限，得到每個樣本不被抽到的概率，如式(2)：

(2)

式(2)表明，約有36.8%的樣本沒有出現(xiàn)在數(shù)據(jù)集K’中。因此，可以利用數(shù)據(jù)集K’對模型進(jìn)行訓(xùn)練，然后利用沒有出現(xiàn)在數(shù)據(jù)集K’中的數(shù)據(jù)(包外數(shù)據(jù))對模型進(jìn)行測試，檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確性。依據(jù)上述流程，假定共有n個樣本，每次在數(shù)據(jù)集D中采出m個樣本組成s個訓(xùn)練集和測試集，然后利用訓(xùn)練集數(shù)據(jù)訓(xùn)練得到s個問題模型，最后利用問題模型對測試集進(jìn)行預(yù)測并將預(yù)測結(jié)果進(jìn)行結(jié)合，這就是Bagging算法的基本流程。Bagging算法利用投票法解決分類問題，而利用簡單平均法解決回歸問題。

隨機(jī)森林(Random Forest)是以決策樹為基學(xué)習(xí)器的一種Bagging算法的擴(kuò)展變體。不同于傳統(tǒng)的決策樹算法，隨機(jī)森林引入了隨機(jī)屬性選擇。傳統(tǒng)的決策樹在當(dāng)前節(jié)點(diǎn)進(jìn)行屬性劃分時，在屬性集合(假設(shè)有m個屬性)中選擇一個最優(yōu)的屬性進(jìn)行劃分。而隨機(jī)森林中每顆樹的節(jié)點(diǎn)，先從屬性集合中隨機(jī)選擇一個包含k個屬性的集合，然后再從k個屬性集合中選擇最優(yōu)的屬性進(jìn)行劃分。隨機(jī)森林通過多個屬性擾動的方式提高了個體學(xué)習(xí)器的泛化性能。隨機(jī)森林計(jì)算量小、魯棒性高、對數(shù)據(jù)集數(shù)量和質(zhì)量要求不高，并且在具體實(shí)際應(yīng)用過程中展現(xiàn)出了強(qiáng)大預(yù)測能力。本文運(yùn)用聚類分析和集成學(xué)習(xí)的方法建立了階躍型滑坡識別和判別模型(圖1)。

圖1 模型流程圖Fig.1 Flow chart of the model

2 案例分析

2.1 八字門滑坡

圖2 八字門滑坡平面圖[18]Fig.2 Plan of Bazimen Landslide

八字門滑坡處于三峽庫區(qū)秭歸縣境內(nèi)，香溪河右岸。八字門滑坡為切層堆積層滑坡，地勢呈階梯狀，西高東低，前后緣高差約150 m，東西長約550 m，滑坡地面平均坡度40°～60°?；轮骰较蚣sSE110°，平均滑體厚度約30 m，總體積約4×106m3(圖2)[18]?；w主要為松散的崩坡積、殘坡積物，滑體自上而下可分為填筑土、粉質(zhì)黏土夾碎石層、碎石土層，滑坡主要存在兩層滑帶：主滑帶和次級滑帶(圖3)[19]。

圖3 八字門滑坡工程地質(zhì)剖面圖[19]Fig.3 Geological profile of Bazimen Landslide

自三峽庫區(qū)2003年蓄水開始，滑坡體就出現(xiàn)了明顯的變形。由于滑坡前緣在庫水位以下，庫水位的變化對滑坡體的穩(wěn)定性影響較顯著，在庫水位變化和降雨等因素影響下滑坡位移速率有增大的趨勢。三峽庫水位2009年9月首次達(dá)到175 m，故本文選取2010年4月至2016年12月共80個滑坡位移和相應(yīng)的庫水位、降雨監(jiān)測數(shù)據(jù)進(jìn)行分析(圖4)。

2.2 位移速率的聚類分析

階躍型滑坡不同于其他滑坡，其位移曲線表現(xiàn)出明顯的臺階型特征。即在水庫正常運(yùn)行時期，滑坡位移增加緩慢或者幾乎不增加；在庫水位急劇下降和極端降雨時期，滑坡位移急劇增加。因此，在滑坡位移速率曲線中出現(xiàn)明顯異常點(diǎn)。聚類分析依據(jù)數(shù)據(jù)內(nèi)部本身屬性對數(shù)據(jù)進(jìn)行分類，因此可以采用聚類分析對八字門滑坡位移速率進(jìn)行分類。本文采用SPSS軟件對位移速率進(jìn)行兩步聚類分析(表1)。由表1所示，滑坡處于穩(wěn)定性變形階段被劃分為第3類，共有63個點(diǎn)；滑坡處于急劇變形階段，被劃分為第1類，共有15個點(diǎn)。其中2010年7月滑坡位移速率超過研究階段所有位移速率，兩步聚類算法中將其劃分為第2類，顯然該點(diǎn)為階躍點(diǎn)，為此合并第1類和第2類見表2。

圖4 八字門滑坡降雨、庫水位及位移監(jiān)測數(shù)據(jù)Fig.4 Monitoring data of rainfall, reservoir water level and displacement of Bazimen Landslide

類別單位位移增加速率/(mm·month-1)均值方差個數(shù)164.9726.45152204.99/13-0.6712.8563組合14.3937.6579

表2 合并后聚類分析結(jié)果

圖5 人工篩選驗(yàn)證聚類分析結(jié)果Fig.5 Analysis results of verification and clustering by manual screening

為了敘述方便和更好地區(qū)分階躍點(diǎn)，將同一個臺階內(nèi)的階躍點(diǎn)稱之為組內(nèi)階躍點(diǎn)，兩個臺階分界點(diǎn)的階躍點(diǎn)稱之為組外階躍點(diǎn)。最后，通過人工篩選階躍點(diǎn)驗(yàn)證聚類分析結(jié)果。如圖5所示，滑坡所有的組外階躍點(diǎn)(共8個)全部被識別為第1類，表明聚類分析算法具有較高的準(zhǔn)確性。同時為了進(jìn)一步證明兩步聚類分析的準(zhǔn)確性，采用K值聚類分析算法對滑坡位移增加速率再次進(jìn)行聚類分析。結(jié)果表明，K值聚類分析與兩步聚類分析約有99%的重合，表明兩步聚類結(jié)果分析對階躍點(diǎn)識別具有較好的辨識能力。但2015年9月點(diǎn)判別結(jié)果出現(xiàn)較大差異，K值聚類分析結(jié)果認(rèn)為該點(diǎn)為第3類點(diǎn)，兩步聚類認(rèn)為該點(diǎn)為第1類點(diǎn)。究其原因，該點(diǎn)位移增加速率為31.92 mm/month，大致位于第1類和第3類數(shù)據(jù)均值點(diǎn)附近。按照聚類分析中“距離定義”，既可以認(rèn)為該數(shù)據(jù)點(diǎn)第1類點(diǎn)又可以認(rèn)為該數(shù)據(jù)為第2類點(diǎn)，使得算法對該點(diǎn)進(jìn)行判別時出現(xiàn)混亂。該點(diǎn)位于滑坡穩(wěn)定變形階段，但該點(diǎn)前后位移增加速率幾乎為0。因此，作者認(rèn)為該點(diǎn)為滑坡位移階躍點(diǎn)。

2.3 多場信息變形判別

眾多研究表明，滑坡位移受降雨和庫水位波動控制。降雨量較大的月份，滑坡位移增加速率增大，降雨量較小的月份，滑坡位移增加速率減小，位移幾乎保持不變。例如，在2013年7月，滑坡區(qū)域普遍下起暴雨，月降雨量達(dá)到206.1 mm，直接導(dǎo)致滑坡單月位移速率由-0.07 mm/month增加到83.17 mm/month。隨著降雨量降低，滑坡波動項(xiàng)位移逐步降低，總位移幾乎保持不變。

庫水位波動也是影響滑坡穩(wěn)定性的一個重要因素。一方面庫水位上升導(dǎo)致滑面巖土體被庫水淹沒，抗剪強(qiáng)度降低，滑坡穩(wěn)定性降低，累計(jì)位移增大；另一方面庫水位下降時所產(chǎn)生的滲透壓力和孔隙水壓力，使得滑坡下滑力增加，變形加劇。如在2013年6月，月降雨量58.1 mm，與5月累計(jì)降雨量56.3 mm接近相等，但該月的位移增加速率急劇增加到12.15 mm。一個可能原因是在5月到6月期間三峽水庫水位平均下降了約10 m，導(dǎo)致滑坡體發(fā)生較大變形，累計(jì)位移突然增大。

目前月平均降雨量(R1)，連續(xù)兩月累計(jì)降雨量(R2)，前后三個月平均降雨量(R3)，月庫水位變化最大量(W1)、平均月庫水位(W2)等誘發(fā)因素常被用于滑坡預(yù)測[20]?；疑到y(tǒng)理論[21]是1982年由鄧聚龍創(chuàng)立的一門邊緣性學(xué)科，灰色關(guān)聯(lián)分析是灰色系統(tǒng)理論的一個重要分支，被廣泛用于計(jì)算滑坡誘發(fā)因素與滑坡位移間關(guān)聯(lián)性的強(qiáng)弱。灰色關(guān)聯(lián)分析一般分為三個步驟：①對原始數(shù)據(jù)列初值化處理；②求關(guān)聯(lián)系數(shù)；③求關(guān)聯(lián)度并排關(guān)聯(lián)序列。利用位移速率的聚類分析結(jié)果和滑坡誘發(fā)因素構(gòu)建灰色關(guān)聯(lián)分析的子母矩陣，采用極差變化對數(shù)據(jù)進(jìn)行歸一化處理。將歸一化處理后的結(jié)果代入公式(3)，計(jì)算得到關(guān)聯(lián)系數(shù)矩陣。最后利用公式(4)，求解得到各個影響因子的關(guān)聯(lián)度。

(3)

(4)

式中：ξi(k)——關(guān)聯(lián)系數(shù)；

A(k)——降雨歷時因子歸一化后矩陣；

Bi(k)——其他影響因子歸一化后矩陣；

ρ——分辨系數(shù)，一般計(jì)算中常取ρ=0.5；

Ri——各個影響因子的關(guān)聯(lián)度。

計(jì)算得到各個誘發(fā)因素關(guān)聯(lián)度分別為0.75，0.73，0.73，0.70，0.53。當(dāng)誘發(fā)因素與滑坡位移關(guān)聯(lián)度超過0.6，認(rèn)為該因素對滑坡變形有著較強(qiáng)的控制作用。由于平均月庫水位(W2)關(guān)聯(lián)系數(shù)小于0.6，因此剔除平均月庫水位誘發(fā)因素，則影響該滑坡的誘發(fā)因素為月平均降雨量(R1)、連續(xù)兩月累計(jì)降雨量(R2)、前后三個月平均降雨量(R3)和月庫水位變化最大量(W1)。

需對數(shù)據(jù)進(jìn)行預(yù)處理。利用前文兩步聚類分析結(jié)果和所確定的誘發(fā)因素代入隨機(jī)森林模型對階躍型滑坡變形階段進(jìn)行判定。以80%的原始數(shù)據(jù)作為模型的訓(xùn)練集，余下20%數(shù)據(jù)作為測試集檢測模型的準(zhǔn)確度。

在Matlab2014b平臺編寫隨機(jī)森林算法，隨機(jī)森林中決策樹的初始參數(shù)設(shè)置為1 000棵，屬性值設(shè)為1，即每次只采用一個屬性對滑坡變形階段進(jìn)行判定。將訓(xùn)練集60個數(shù)據(jù)輸入隨機(jī)森林模型，然后利用測試集19個數(shù)據(jù)對模型進(jìn)行檢驗(yàn)。模型訓(xùn)練集和測試集運(yùn)行結(jié)果見表3和表4。表3表明訓(xùn)練集45個穩(wěn)定變形和15急劇變形點(diǎn)全部預(yù)測成功；表4表明測試集18個穩(wěn)定變形點(diǎn)有2個預(yù)測失敗，1個急劇變形點(diǎn)預(yù)測成功，測試集整體預(yù)測準(zhǔn)確率達(dá)89.5%。綜合測試集和訓(xùn)練集預(yù)測結(jié)果，得到模型整體預(yù)測結(jié)果(表5)。表5表明63個穩(wěn)定變形點(diǎn)中，61個穩(wěn)定變形點(diǎn)被預(yù)測成功，2個穩(wěn)定變形點(diǎn)被預(yù)測成急劇變形點(diǎn)。16個急劇變形點(diǎn)全部預(yù)測成功，預(yù)測正確率達(dá)100%，模型總體預(yù)測正確率達(dá)97.5%。表明隨機(jī)森林對滑坡變形階躍點(diǎn)判定具有較好的適用性。

表3 ZG110隨機(jī)森林模型訓(xùn)練集計(jì)算結(jié)果

表4 ZG110隨機(jī)森林模型測試集計(jì)算結(jié)果

表5 ZG110隨機(jī)森林模型整體計(jì)算結(jié)果

圖6 ZG110隨機(jī)森林模型整體預(yù)測結(jié)果圖Fig.6 Overrall prediction results of random forest model of drill ZG110

第29和48月次，即2012年9月和2014年4月數(shù)據(jù)預(yù)測出現(xiàn)錯誤(圖6)。前文已經(jīng)敘述，隨機(jī)森林通過投票對分類問題進(jìn)行解答，為了分析誤差出現(xiàn)的原因，調(diào)用隨機(jī)森林算法中投票算法對結(jié)果進(jìn)行進(jìn)一步的判定。在利用隨機(jī)森林對2012年9月進(jìn)行分類時，共有7棵決策樹認(rèn)為該點(diǎn)為穩(wěn)定點(diǎn)，993棵決策樹判定該點(diǎn)為急劇變形點(diǎn)。同理，對2014年4月進(jìn)行判定時22棵決策樹判定為穩(wěn)定點(diǎn)，978棵決策樹判定該點(diǎn)為急劇變形點(diǎn)。上述數(shù)據(jù)表明，在利用隨機(jī)森林對這兩個數(shù)據(jù)點(diǎn)進(jìn)行判定時，超過97%的基學(xué)習(xí)器(判別樹)均出現(xiàn)了錯誤。對比分析2012年9月和2014年4月及其相鄰月份的誘發(fā)因素，發(fā)現(xiàn)雖然該點(diǎn)的平均降雨量和月間庫水位變化量與急劇變形位移點(diǎn)的誘發(fā)因素差距很大，但該點(diǎn)的累計(jì)降雨量和前三月平均降雨量與急劇變形點(diǎn)相似。因此，我們認(rèn)為原始數(shù)據(jù)集數(shù)量不足和噪聲是導(dǎo)致該數(shù)據(jù)點(diǎn)預(yù)測錯誤重要原因。

3 適用性驗(yàn)證

為了驗(yàn)證基于集成學(xué)習(xí)的階躍型滑坡變形判定方法的適用性，選用八字門滑坡中與ZG110鉆孔相同時間段的ZG111鉆孔滑坡位移時間曲線進(jìn)行驗(yàn)證。由于ZG111鉆孔與ZG110鉆孔均位于八字門滑坡體上(圖2)，因此滑坡誘發(fā)優(yōu)勢因素彼此相同，因此不再重新計(jì)算誘發(fā)因素與滑坡位移之間的關(guān)聯(lián)系數(shù)。首先，對ZG111鉆孔位移進(jìn)行處理獲得位移增加速率。然后利用兩步聚類分析對滑坡位移增加速率進(jìn)行分類，獲得滑坡穩(wěn)定變形點(diǎn)和滑坡急劇變形點(diǎn)。最后，將聚類分析結(jié)果作為隨機(jī)森林模型輸出項(xiàng)，優(yōu)勢誘發(fā)因素作為隨機(jī)森林輸入項(xiàng)建立階躍型滑坡變形判定模型。滑坡累積位移—時間曲線和聚類分析結(jié)果見圖5。由圖5和聚類分析結(jié)果可知，其中共有63個穩(wěn)定變形點(diǎn)和16個急劇變形點(diǎn)。16個急劇變形點(diǎn)中有8個變形點(diǎn)為組外變形點(diǎn)，并且與ZG111組外變形點(diǎn)完全重合。

由于滑坡各個部位的巖土體物理性質(zhì)的差異性，如變形模量、含水率和重度等，使得滑坡各個部分的變形對降雨和庫水位等誘發(fā)因素響應(yīng)不同，導(dǎo)致組內(nèi)階躍點(diǎn)將會出現(xiàn)差異。但在極端工況下，滑坡體整體將會出現(xiàn)顯著性變形，此時，坡體各個部分變形趨勢趨于一致。因此，滑坡任意位置處的變形曲線應(yīng)均能反應(yīng)出此次極端事件信息。通過兩步聚類分析算法對不同鉆孔位移曲線進(jìn)行分類，得到的組外階躍點(diǎn)相同，表明聚類分析算法在確定滑坡分類上具有較好的適用性。

將ZG111鉆孔兩步聚類分析結(jié)果和優(yōu)勢誘發(fā)因素組合代入隨機(jī)森林模型，模型預(yù)測結(jié)果見表6、表7和表8。由表6和表7知，本文建立的階躍點(diǎn)模型預(yù)測準(zhǔn)確率均達(dá)90%以上。預(yù)測模型不僅僅在訓(xùn)練集表現(xiàn)出較好的預(yù)測性能，并且在測試集中也展現(xiàn)出了卓越的預(yù)測性能。由表8可知，本文所建立的預(yù)測模型對實(shí)際穩(wěn)定變形預(yù)測準(zhǔn)確率達(dá)95%以上，對急劇變形點(diǎn)正確率超過93%，綜合預(yù)測準(zhǔn)確率近95%，表明模型有較好的適用性，整體預(yù)測結(jié)果見圖7。

表6 ZG111隨機(jī)森林模型訓(xùn)練集計(jì)算結(jié)果

表7 ZG111隨機(jī)森林模型測試集預(yù)測結(jié)果Table 7 Prediction results of testing set for random forest model of drill ZG111

表8 ZG111 隨機(jī)森林模型綜合預(yù)測結(jié)果

圖7 ZG111隨機(jī)森林模型整體預(yù)測結(jié)果圖Fig.7 Overrall prediction results of random forest model of drill ZG111

4 結(jié)論

針對階躍型滑坡階躍點(diǎn)難以判別的問題，本文采用聚類分析結(jié)合隨機(jī)森林算法，建立了基于多場信息的階躍型滑坡階躍變形判別模型，并利用八字門滑坡ZG110和ZG111鉆孔驗(yàn)證該模型的正確性。取得如下結(jié)論：

(1)提出了基于聚類分析的階躍型滑坡階躍點(diǎn)的識別模型，通過人工校核比對，發(fā)現(xiàn)該模型對識別階躍型滑坡階躍點(diǎn)的準(zhǔn)確率近100%。

(2)利用灰色關(guān)聯(lián)法確定了滑坡誘發(fā)優(yōu)勢組合，結(jié)合聚類分析結(jié)果，建立基于集成學(xué)習(xí)的階躍型滑坡滑坡階躍點(diǎn)判別模型，并對鉆孔ZG110的階躍點(diǎn)進(jìn)行判別。模型整體預(yù)測正確率達(dá)97.5%，表明模型對階躍型滑坡階躍點(diǎn)具有很好的預(yù)測效果。

(3)通過八字門滑坡ZG111位移數(shù)據(jù)對該模型進(jìn)行驗(yàn)證，模型整體預(yù)測正確率達(dá)94.9%，表明模型有較好的適用性，可為階躍型滑坡預(yù)測提供參考。