Development characteristics and risk assessment of geological hazards along the Lan-Cheng-Yu refined oil pipeline based on machine learning
-
摘要:
以兰成渝成品油管道途径区域为研究对象，基于实际调查编录的管道沿线地质灾害点，分析管道沿线地质灾害发育特征，从地形地貌、地质环境、水文条件和生态环境四个方面选取了高程、坡度、剖面曲率、工程岩组、距离断层的距离、水系、年均降雨量、植被覆盖率、土地利用类型及地质峰值加速度等10个评价因子，利用信息量模型和BP神经网络，获取不同模型下管道沿线的地质灾害易发性分区，最后结合地质灾害隐患点风险等级和发育密度进行管道沿线的风险性评价。结果表明：管道沿线灾害类型为水毁类为主，主要分布于甘肃省陇南市；坡度、地层岩性、距断层的距离及水系是影响地质灾害发育的主要因子；管道沿线无高风险段，较高、中、较、低风险段各占管道全长21.8%、6.9%、15.7% 以及55.6%。基于信息量+神经网络模型的AUC=0.936，高、较高易发区的地质灾害隐患点总占比为71.2%。说明信息量+神经网络模型更适合本区域的地质灾害易发性评价。研究结果对兰成渝成品油管道的长期安全运营和防灾减灾具有重要指导作用，同时也为其他管道的地质灾害风险评价提供了有益的参考和借鉴。
Abstract:Abstrac: This study focuses on the region along the Lanzhou-Chengdu-Chongqing (Lan-cheng-yu) refined oil pipeline, analyzing the development characteristics of geological hazards based on field-surveyed disaster points along the pipeline. The analysis considers ten evaluation factors across four aspects: from topography, geological environment, hydrological conditions, and ecological environment. These factors include elevation, slope, profile curvature, engineering rock group, distance from faults, water systems, annual rainfall, vegetation cover, land use types, and geological peak ground acceleration. By utilizing an information model and BP neural network, the study identifies the susceptibility zoning of geological hazards along the pipeline for different models. Subsequently, the risk assessment is then conducted based on the risk level and development density of geological hazard hidden points along the pipeline. The types of disasters along the pipeline are primarily water-induced, mainly distributed in Longnan City, Gansu Province. Slope gradient, rock type of the strata, distance to faults, and the drainage system are the main factors affecting the development of geological disasters. There are no high-risk sections along the pipeline, with high, moderate, low, and very low-risk sections accounting for 21.8%, 6.9%, 15.7%, and 55.6% of the total pipeline length, respectively. The AUC value of 0.936 for the information model + neural network approach shows that 71.2% of the hazard points fall within high and relatively high susceptibility zones, suggesting that this combined model is more suitable for evaluating geological hazard susceptibility in this area. The research results provide valuable guidance for ensuring the long-term safe operation and enhancing disaster prevention and mitigation efforts of the Lan-Cheng-Yu refined oil pipeline. Additionally, they provide a beneficial reference and example for conducting geological disaster risk assessments for other pipelines.
-
0. 引言
兰成渝成品油管道作为我国首条大口径、高压力、长距离成品油输送管道，被誉为西北西南地区的“能源大动脉”[1]。相较于公路和铁路，长输油气管道因其特有的浅埋设计、薄壳结构、易燃易爆的特性，一旦发生事故则后果更为严重。兰成渝成品管道途径地区的工程地质条件复杂且恶劣，地质灾害频发，对管道的长期安全稳定运营构成了巨大的挑战和威胁[2 − 3]。因此，减少管道沿线地质灾害的潜在威胁，明确管道沿线地质灾害的分布规律，采取科学有效的风险评价方法，减少管道沿线地质灾害的潜在威胁，对于油气管道的安全运营至关重要。
地质灾害的风险评价经历了从早期的定性描述到半定量研究，再到如今复杂的定量评估模型的演变[4]。关于油气管道的地质灾害风险评价，学者们多通过统计分析类方法来实现，如模糊数学[5 − 6]，逻辑回归[7]，层次分析法（AHP）[8 − 9]和信息量法[10 − 11]等。例如，潘禹臣等[12]运用加权信息模型的方法对中缅天然气管道途径区域进行了地质灾害风险评估；张海磊等[13]基于改进层次分析法和逼近理想解排序法，提出了考虑滑坡与油气管道相互作用等评估指标的山区油气管道滑坡灾害风险评估模型和方法。多数研究表明，传统的统计分析模型在处理评价因子间的非线性关系时往往存在一定的局限性，相对而言，机器学习模型在处理这类复杂非线性关系上展现出卓越的能力，如随机森林模型[14]、支持向量机[15 − 16]、人工神经网络[17 − 18]及决策树[19 − 20]等。尽管机器学习模型在多个领域内已被证明有效且应用广泛，但鉴于各种评价方法的独特性和局限性，实际操作中倾向于综合运用多种方法。信息量法作为一种广泛使用的成熟统计分析类方法，能量化和分析各种与地质灾害相关的因素和信息，在区域地质灾害风险评估中发挥了重要作用。然而，信息量法只考虑了评价因子分类分级状态下的权重，无法体现所选取的评价因子的权重，其权重分配仍可能受到主观判断的影响。相比之下，BP神经网络能够有效地消除各因子权重赋值过程中的主观性影响，从而使评价结果更加客观[21]。
尽管机器学习技术在区域地质灾害风险评估领域已经得到了深入的研究[22 − 24]，但其在输油管道等长输工程地质灾害风险评价方面的应用研究仍然较为有限，本文考虑地质灾害的位置及影响范围，选取兰成渝成品油管道沿线左右5 km范围为研究区域，基于管道沿线地质灾害点的编录与野外踏勘调查，分析管道沿线地质灾害发育分布特征，融合信息量与神经网络模型方法，对管道沿线进行地质灾害易发性评价，并结合地质灾害点的风险等级及发育密度进行地质灾害风险评价。研究结果对兰成渝成品油管道的长期安全运营及防灾减灾提供科学的依据，并为同类型长输工程的地质灾害防治及预防预警提供参考。
1. 研究区概况
兰成渝成品油管道，起于兰州，途经四川成都，终于重庆，全长
1250 km，它横贯甘肃、陕西、四川、重庆四省市，穿越40个县市区，地理位置如图1所示。管道沿线依次途经秦巴山地、成都平原以及川渝丘陵等多个地貌单元，地形地貌极为复杂多变，地形起伏显著，且气候条件多变。此外，管道横跨我国黄河流域和长江流域，境内河流分别隶属于黄河和长江两大水系[25]。![]()
图 1 兰成渝管道地理位置及地质灾害点空间分布图Figure 1. Geographical location and spatial distribution of geological disaster points along the Lanzhou-Chengdu-Chongqing pipeline管道沿线所经地区的地层发育相对完整，仅石炭系地层有所缺失。在甘肃境内，洛门镇以北地区主要为黄土堆积和冲洪积地貌，呈现出黄土高原的典型特征；洛门镇以南及陕西境内则以秦岭地区的沉积岩、花岗岩和变质岩为主；四川、重庆境内岩性则主要表现为沉积岩和第四系松散堆积层。整体而言，管道沿线通过区域岩性类型复杂多样，岩相变化显著，即便是同一时代的地层，在不同地区也展现出截然不同的岩性特征。总体上，兰成渝成品油管道沿线地形极其复杂多变，地势落差显著，构造强烈，岩性多变。同时，复杂多变的天气条件进一步加剧了地质灾害的风险。这些因素共同作用下，造就了兰成渝管道沿线地质灾害频发的孕灾环境，对管道的安全运营构成了严重威胁。
2. 数据和研究方法
2.1 数据来源
本文以兰成渝成品油管道为轴线，选取管道两侧5 km缓冲区为研究区，研究区的单元划分中，栅格与斜坡单元应用较多，但斜坡单元划分存在一些不足之处，如操作繁琐、需要人工干预纠正等。鉴于这些问题，本文选择栅格单元作为研究区的主要划分方式。栅格单元具有划分简单、自动化程度高、误差小等优势，能够更准确地反映研究区域内的地质地貌特征。
本文主要用到的基础数据涵盖了DEM高程数据（30*30 m）、地质图等。其中，地质灾害点数据通过野外实地调查收集得到的，高程、坡度、剖面曲率等孕灾因子通过GIS软件对DEM数据提取；断层及地层数据通过1：100万比例尺地质图矢量化获取；此外，通过国家地球系统科学数据共享平台（www.geodata.cn）获取了包括降雨强度、植被覆盖率、水系、土地利用类型等在内的数据。地震峰值加速度则通过《中国地震动参数区划图》（GB18306－2015）矢量化获得。
2.2 研究方法
2.2.1 信息量模型
信息量模型是一种基于信息量值的统计评价方法，已被广泛用于地质灾害风险评价中[26]，通过获取已知地质灾害信息数量来判别地灾的发生概率，预测是否发生灾害，评价因子的信息量值越大，说明的地质灾害易发程度越高。计算公式如下：
$$ I({{x}}_{i},H)=\ln\left(\frac{{N}_{{i}}/N}{{S}_{i}/S}\right) $$ (1) 式中：I(xi, H)——各因素xi对地灾发生事件H提供的信 息量值；
S——研究区内评价单元总数；
Si——评价指标的评价单元数；
N——研究区内地灾总数；
Ni——评价指标的地灾单元数。
2.2.2 BP神经网络模型
BP神经网络模型对于数据分析具有强大的非线性能力，其结构由输入层、中间层（或称为隐含层）以及输出层这三大部分构成[27]，其结构如图2所示。该模型以大脑组织的运作方式为灵感，神经元作为网络的基本单元，通过神经元之间的相互连接和交互来模拟大脑的工作机制，每个不同神经网络单元相互连接，单向传递信息，信息在不同神经元上传递是以权重的方式来确定的[28]，可以表示为：
$$ {y_i} = f\left(\sum_i {{w_{ij}}} {x_i} + {b_j}\right) $$ (2) 式中：wij——连接神经元i和神经元j的权重；
bj——神经元j的偏置项；
f——sigmoid形式的激励函数：
$$ f(x) = \frac{1}{{1 + Exp( - x)}} $$ (3) 2.2.3 信息量+神经网络模型
信息量+神经网络模型具体步骤如下：
（1）通过资料收集和文献查阅，对环境因子进行相关性分析，确定选取与地质灾害相关的评价因子；
（2）利用信息量模型和GIS平台对研究区评价因子进行地质灾害易发性评价，获得研究区地质灾害易发性分区图；
（3）在低易发区选取非地质灾害点单元，将灾害点与选取的非灾害点栅格单元组成训练集与测试集，输入神经网络模型进行训练模型；
（4）获取每个因子的权重，重新分配评价因子权重，与研究区栅格连接，用GIS重新计算易发性，运用自然断点法进行易发性分区，得到易发性分区图。
（5）最后在信息量-神经网络的易发程度分段的基础上，结合地质灾害点的单点风险分级等级评价，获取管道沿线风险等级分段
管道基于信息量-神经网络模型完整的风险评价流程图3所示。
![]()
图 3 兰成渝管道风险评价流程图Figure 3. Flow chart of the risk assessment of the Lanzhou-Chengdu-Chongqing pipeline3. 管道沿线地质灾害分布及风险评价
3.1 管道沿线地质灾害分布特征
3.1.1 总体分布特征
兰成渝管道沿线地质环境条件复杂，多发生滑坡、崩塌、泥石流、不稳定斜坡、水毁和塌陷等地质灾害[29]，其中水毁类灾害通常指的是由暴雨、洪水等水力作用对管道周围埋土造成破坏，导致原本埋在地下的管道暴露，使管道更容易受到机械损伤和腐蚀，进而增加管道破坏的风险，根据水毁灾害发生位置的微地貌形态可分为坡面水毁、河沟道水毁和台田地水毁三类。由于这些地质灾害类型多样，它们的发育分布特征也各不相同，呈现出独特的规律，如图1所示，这些地质灾害在管道沿线具有明显的聚集性。本文共统计了管道2020及2023年沿线排查出的372处地质灾害隐患点，统计结果如图4所示，水毁类地质灾害是最主要的类型，共计246处，占到了总隐患点数的66.1%。其中，坡面水毁有45处，河沟道水毁135处，台田地水毁66处。其次为崩塌和滑坡，分别有49处和61处。相比之下，泥石流、地面塌陷及不稳定斜坡的地质灾害发育较少，均少于10处。
![]()
图 4 兰成渝管道沿线地质灾害类型统计图Figure 4. Statistical chart of geological disaster types along the Lanzhou-Chengdu-Chongqing pipeline3.1.2 空间分布特征
由图5可知，兰成渝管道沿线地质灾害隐患点主要集中分布于甘肃省陇南市，共有156处，占地灾点总数41.94%，灾害类型以河沟道水毁、滑坡以及崩塌为主；此外，定西市、江油市和广元市也是地质灾害的较为严重的地区。其中，定西市和江油市的地灾点数量分别为43和47，占比分别为11.56%和12.63%。广元市的地灾点数量最多，达到61处，占比16.4%。在定西市和江油市，水毁类灾害是主要类型，占据了该地区地灾总数的90%以上，而广元市除了水毁类灾害外，滑坡也较为发育。值得注意的是，广元市和陇南市是整条兰成渝管道沿线滑坡主要发育地区。其余65处灾害点零散分布于管道途径的行政区。
![]()
图 5 兰成渝管道沿线地质灾害行政区统计图Figure 5. Statistical chart of geological disasters by Administrative Regions along the Lanzhou-Chengdu-Chongqing pipeline3.2 管道沿线地质灾害易发性评价
3.2.1 评价因子的选取与分级
兰成渝管道沿线地质灾害类型多样，这些灾害的形成是众多致灾因子相互共同作用的结果。因此，合理的选取适合研究区域评价因子是地质灾害易发性评价结果是否准确的关键。为了确保评价结果的精确性与科学性，本文在野外调查工作的基础上，结合国内外广泛认可的评价因子，从地形地貌、地质环境、水文条件和生态环境四个方面选取了高程、坡度、剖面曲率、工程岩组、距离断层的距离、水系、年均降雨量、植被覆盖率、土地利用类型及地质峰值加速度10个地质灾害易发性评价因子。
利用信息量模型，通过公式（1）计算出各个因子的信息值（图6），对各指标因子计算出的信息量值进行统计分析，结果表明坡度、地层岩性、距断层的距离及距水系的距离是影响研究区地质灾害发育的主要影响因子，各指标因子的结果与分析如下。
1、 地形地貌因子
地形地貌很大程度决定了地质灾害的空间分布特征，是地质灾害空间分布的重要影响因素。通过GIS平台利用DEM高程数据提取出该区域的高程、坡度、剖面曲率3个因子，由图6a可知，该区域地质灾害点主要分布在海拔500至
1000 m范围内的岩土体上；由图6b所示，随着地形坡度的增加，地质灾害的发生频率有所降低，尤其是坡度<10°的区域，地质灾害数量最多；由图6c可知，管道沿线地质灾害主要分布在凸形坡中，即剖面曲率大于0的地带。2、地质环境因子
地层岩性在地质灾害的孕育和发展中起着重要作用。本文根据《工程岩体分级标准》将研究区内的岩性分为土体、软岩体、较软岩体、较坚硬岩体、坚硬岩体五类。管道沿线研究区内出露的工程岩组较坚硬岩、较软岩体类为主，由图6d所示，地质灾害主要发生在较软岩组地区，尤其是白垩系上统、侏罗系上统及三叠系下统的岩层中。
断层作为地质构造的薄弱环节，断层的切割导致岩体完整性变差，促进岩体风化和地下水活动，降低了岩土体的不稳定性，管道沿线跨越了南北构造带的中北段，地质构造复杂，图6e可以反应出地质子灾害点主要分布与距断层2.5 km以外，但是从信息量值可以看出，距断层1～1.5 km的距离区间最利于灾害的发育。
3、水文条件
降水和河流是诱发地质灾害频发的一个重要因素，一方面，降水影响岩土体的力学性能，降低其稳定性，另一方面持续及高强度降水导致河流、沟谷地表水暴涨暴落，进一步导致造成水土流失、坡面侵蚀。由图6f、g可以看出管道沿线灾害多分布于降水量600～700 mm、800～900 mm范围地区。此外，地质灾害的发生与河流的邻近程度密切相关，距离河流越近，地质灾害的发育越为有利。
4、生态环境
兰成渝管道沿线途径了多个地震活动频繁的区域，包括了六盘山—祁连山地震带、龙门山地震带及长江中游地震带。由图6h可知，研究区地区地震动峰值加速度多在0.05～0.2 g区间内，在此范围内，地质灾害分布的数量也随着峰值加速度的增加而增加，特别是在峰值加速度达到0.2 g的地区，地质灾害的分布尤为集中。
植被覆盖对地面径流、雨水渗透以及岩土体稳定性有着显著的影响。植被根系可以加固边坡并增加边坡稳定性。由图6i可知，地质灾害主要分布在植被覆盖率为0.8～0.9的区域内。从图6j可以看出地质灾害主要分布于农田和耕地地区。
3.2.2 因子相关性分析
地质灾害影响因子间的强相关性会造成数据冗余，影响评价模型的性能，因此在进行易发性建模之前，需要检验所选因子之间的相关性。本文使用皮尔逊相关系数对地质灾害影响因子之间的相关性进行检验，具体来说，若皮尔逊相关系数的绝对值小于0.5，那么认为各评价指标间没有明显的相关性；反之，若绝对值大于0.5，则表明评价指标之间存在一定的相关性[30]，皮尔逊相关系数的公式如下所示：
$$ P = \frac{{\displaystyle\sum\limits_{i = 1}^n {({X_i} - \bar X)({Y_i} - \bar Y)} }}{{\sqrt {\displaystyle\sum\limits_{i = 1}^n {{{({X_i} - \bar X)}^2}} \displaystyle\sum\limits_{i = 1}^n {{{({Y_i} - \bar Y)}^2}} } }} $$ 式中：P——皮尔逊相关系数；
Xi——变量X的第i个数据点；
Yi——变量Y的第i个数据点；
$ \bar{X}、\bar{Y} $——变量X、Y的均值。
从图7中可以看出，本文选取10个评价因子之间相关性较弱。
![]()
图 7 不同评价因子的皮尔逊相关系数矩阵Figure 7. Pearson correlation coefficient matrix of different evaluation factors3.2.3 训练及测试样本选取
通过信息量模型计算出研究区每个栅格单元的的信息量值，将随机选取的372处非地灾点和372处地质灾害点作为训练样本数据，并利用ArcGIS提取出各评价指标的信息量值，在MATLAB中作为神经网络模型的输入层参数，而易发性等级作为输出层目标。其中随机选取样本数据中的70%作为训练样本，15%作为测试样本，15%作为验证样本。本文的输入层Ni的神经元为10个，输入层No神经元为1个，隐含层节点的推荐上限为（2Ni + 1），下限为（Ni + No）/2[2]，因此本文研究中，考虑的隐含层神经元的数量应该在6-21个范围内，最终选取隐含层神经元的数量为15个，得出神经网络的训练结果如表1所示。从图8中可知，训练后的R相关系数均大于0.98，表明输入层和输出层高度相关，评价精度基本符合实际工程需要。
表 1 神经网络各神经元权值系数表Table 1. Weight coefficients of each neuron in the neural network隐含层
单元输入层单元 输出层
单元高程 坡度 剖面曲率 工程岩组 距断层距离 距水系距离 年均降水量 地震峰值加速度 土地利用类型 植被覆盖率 1 1.210 −0.089 −0.424 −0.985 −0.436 −0.199 −1.397 −0.150 −1.180 −0.150 −0.208 2 0.716 0.109 −0.840 0.245 0.901 −0.012 −1.553 0.144 −0.313 0.747 −0.090 3 0.073 0.041 0.973 −1.740 −0.753 −0.638 0.520 0.269 0.164 −0.075 −0.128 4 1.068 −0.769 0.388 −0.870 −0.018 −1.368 0.152 0.230 −1.955 −0.518 0.004 5 0.040 1.189 −0.890 −0.872 −1.170 0.805 0.740 −0.377 0.148 0.289 −0.108 6 −0.855 −0.347 −0.190 0.065 −0.285 0.723 0.567 1.278 2.250 −0.251 −0.048 7 −1.191 −1.338 −0.403 −0.336 1.801 0.140 2.037 1.385 −0.996 −0.182 −0.155 8 2.883 2.128 1.728 0.631 −0.978 −0.148 0.373 −0.541 0.153 −0.461 0.192 9 −0.121 0.743 −0.459 −0.364 0.299 0.566 0.820 0.753 0.623 0.375 0.435 10 −0.584 1.687 −0.852 0.843 0.369 1.528 −1.296 0.222 0.592 1.153 0.124 11 −1.014 −0.026 0.764 1.135 −1.063 0.096 −0.521 −0.183 1.087 1.152 −0.167 12 0.981 0.123 0.725 0.295 1.107 0.685 0.679 2.566 −1.454 0.288 0.252 13 −0.270 0.098 1.234 0.619 −1.565 0.742 −1.592 −1.162 −1.252 0.039 −0.062 14 0.919 1.821 0.387 1.501 1.428 0.330 −0.139 −0.204 −0.334 −2.014 −0.105 15 −0.408 −0.497 −0.397 −0.659 −1.137 0.040 1.200 0.223 −0.923 0.058 0.042 3.2.4 易发性评价
通过信息量+BP神经网络模型计算管道沿线地质灾害的易发性指数，采用了自然断点法对其划分为低、较低、中、较高和高易发区5个等级 （图9）。
由于兰成渝管道为线性工程，为了便于对易发性分区结果进行分析以及对管道沿线进行风险评价，本文结合易发性分区结果，将兰成渝管道转化成线性分段进行评价。由表2可知，基于信息量-神经网络模型的易发性分区，高和较高易发段共400.1 km，占管道全长34.6%，有71.2%的灾害点落在高与较高易发区，说明信息量+BP神经网络模型模型能较好的适用于该区域的地质灾害易发性评价，具有较高的准确性和正确性。
表 2 信息量+BP神经网络模型模型的易发性分段结果Table 2. Susceptibility segmentation results based on information model + BP neural network model模型 易发性
分段长度 占管道
的比例地灾
数量占总地灾
的比例地灾发育
线密度
（处/km）信息量+
BP模型低 265.4 22.96% 17 4.57% 0.06 较低 361.4 31.27% 42 11.29% 0.12 中 128.9 11.15% 48 12.90% 0.37 较高 137.8 11.92% 54 14.52% 0.39 高 262.3 22.69% 211 56.72% 0.80 易发性评价模型的准确度是评估模型性能的重要指标，本文采用了ROC曲线（受试者工作特征曲线）及其下方的面积（AUC值）作为评估模型准确度的主要手段。随机选取30%的地质灾害数据点作为测试样本，分别对两种模型进行检验，如图10所示，单独的信息量模型其AUC=0.896，结合信息量模型与神经网络模型的灾害易发性评价的AUC=0.936，AUC值提高了0.04。这表明，结合信息量模型与神经网络模型模型的灾害易发性评价相较于单独使用信息量模型有更好的评价结果。
3.3 管道沿线地质灾害风险性评价
根据《油气管道地质灾害风险管理技术规范》（SY/T6828—2011）的相关要求，我们综合考虑了管道的敷设方式、埋深以及单点地质灾害的易发性、管道易损性和环境影响后果等多个因素，在此基础上，对野外勘察获取的372处地质灾害隐患点进行了风险分级评价，确定了各点的风险等级，管道沿线地质灾害隐患点风险等级分布如图13所示。最后结合信息量-神经网络的易发程度的分段的结果，按地质灾害隐患点风险等级的高低和风险隐患点分布密度再次进行风险等级分段，如表3所示。
表 3 风险等级分段标准Table 3. Risk level Segmentation Criteria”风险等级 易发程度 风险隐患点分布密度 风险隐患点风险等级 高 高易发 1.5～3.5 点/km 以高、较高为主 较高 高、中易发 1.0～1.5 点/km 以较高、中为主 中 中、低易发 0.5～1.0 点/km 以中、较低为主 较低 中、低、不易发 0.2～0.5 点/km 以较低、低为主 低 低、不易发 <0.2 点/km 低 ![]()
图 11 兰成渝管道沿线地质灾害点风险等级分布图Figure 11. Risk level Distribution Map of Geological Hazard points along the Lan-Cheng-Yu Pipeline兰成渝管道的风险性结果如图12所示，管道沿线无高风险段存在，其中较高风险段总长249.7 km，约占管道全长21.8%，该风险段灾害点主要集中于江油市、广元及陇南市等管道敷设山区段。该区域地形复杂，一般相对高差大于200 m，构造复杂，岩体各种构造裂隙发育，在汛期及雨季，滑坡、崩塌、泥石流及水毁等地质灾害较易发生；中风险段总计79.3 km，约占管道全长6.9%，主要位于甘肃省定西市及天水市，地貌类型较简单，河谷阶地、台地地段，地形开阔平坦；较低风险段总计187.1 km，占管道全长15.7%，低风险段总计640.6 km，占管道全长55.6%，低和较低易发段主要分布于成都平原和川渝丘陵区，该区域岩性岩相差异性较小，岩土体结构相对简单，使得该区域的地质环境表现出较高的稳定性，不利于地质灾害的发生。
4. 结论
传统的地质灾害评估多基于经验公式和专家知识，可能带有主观性。机器学习通过分析大量数据，自动提取特征，处理非线性关系，提高预测的准确性和效率，使评估更客观。本文以兰成渝成品油管道沿线两侧5 km范围为研究区，采用信息量和神经网络模型，对地质灾害易发性进行评价，并结合风险等级和发育密度进行风险评价。主要成果如下：
（1）管道沿线地灾类型多样，主要发育灾害类型为水毁类，共246处，占地灾点总数66.1%；地质灾害隐患点主要分布于甘肃省陇南市，共有156处，占地灾点总数41.94%，灾害类型以河沟道水毁、滑坡以及崩塌为主。
（2）经过对两种模型进行精度验证，通过ROC曲线分析，结果显示这两种模型在研究区的地质灾害易发性评价中均表现出较高的精度，信息量模型AUC值为0.896、信息量+BP神经网络模型的AUC值为0.936，经BP神经网络模型优化后的AUC值高了0.04，说明信息量+BP神经网络模型更适合本区域的地质灾害易发性评价。
（3）管道沿线无地质灾害高风险段存在。较高、中、较、低风险段各占管道全长21.8%、6.9%、15.7%以及55.6%。较高风险段主要为山区段，这类地区地形起伏大，工程地质复杂；中风险段主要位于定西及天水市，地质条件相对复杂的河谷阶地、台地地段；低和较低易发段主要分布于成都平原和川渝丘陵区，该区域岩性岩相差异性较小，岩土体结构也相对简单，地质条件稳定。
-
![]()
图 1 兰成渝管道地理位置及地质灾害点空间分布图
Figure 1. Geographical location and spatial distribution of geological disaster points along the Lanzhou-Chengdu-Chongqing pipeline
![]()
图 3 兰成渝管道风险评价流程图
Figure 3. Flow chart of the risk assessment of the Lanzhou-Chengdu-Chongqing pipeline
![]()
图 4 兰成渝管道沿线地质灾害类型统计图
Figure 4. Statistical chart of geological disaster types along the Lanzhou-Chengdu-Chongqing pipeline
![]()
图 5 兰成渝管道沿线地质灾害行政区统计图
Figure 5. Statistical chart of geological disasters by Administrative Regions along the Lanzhou-Chengdu-Chongqing pipeline
![]()
图 7 不同评价因子的皮尔逊相关系数矩阵
Figure 7. Pearson correlation coefficient matrix of different evaluation factors
![]()
图 11 兰成渝管道沿线地质灾害点风险等级分布图
Figure 11. Risk level Distribution Map of Geological Hazard points along the Lan-Cheng-Yu Pipeline
表 1 神经网络各神经元权值系数表
Table 1 Weight coefficients of each neuron in the neural network
隐含层
单元输入层单元 输出层
单元高程 坡度 剖面曲率 工程岩组 距断层距离 距水系距离 年均降水量 地震峰值加速度 土地利用类型 植被覆盖率 1 1.210 −0.089 −0.424 −0.985 −0.436 −0.199 −1.397 −0.150 −1.180 −0.150 −0.208 2 0.716 0.109 −0.840 0.245 0.901 −0.012 −1.553 0.144 −0.313 0.747 −0.090 3 0.073 0.041 0.973 −1.740 −0.753 −0.638 0.520 0.269 0.164 −0.075 −0.128 4 1.068 −0.769 0.388 −0.870 −0.018 −1.368 0.152 0.230 −1.955 −0.518 0.004 5 0.040 1.189 −0.890 −0.872 −1.170 0.805 0.740 −0.377 0.148 0.289 −0.108 6 −0.855 −0.347 −0.190 0.065 −0.285 0.723 0.567 1.278 2.250 −0.251 −0.048 7 −1.191 −1.338 −0.403 −0.336 1.801 0.140 2.037 1.385 −0.996 −0.182 −0.155 8 2.883 2.128 1.728 0.631 −0.978 −0.148 0.373 −0.541 0.153 −0.461 0.192 9 −0.121 0.743 −0.459 −0.364 0.299 0.566 0.820 0.753 0.623 0.375 0.435 10 −0.584 1.687 −0.852 0.843 0.369 1.528 −1.296 0.222 0.592 1.153 0.124 11 −1.014 −0.026 0.764 1.135 −1.063 0.096 −0.521 −0.183 1.087 1.152 −0.167 12 0.981 0.123 0.725 0.295 1.107 0.685 0.679 2.566 −1.454 0.288 0.252 13 −0.270 0.098 1.234 0.619 −1.565 0.742 −1.592 −1.162 −1.252 0.039 −0.062 14 0.919 1.821 0.387 1.501 1.428 0.330 −0.139 −0.204 −0.334 −2.014 −0.105 15 −0.408 −0.497 −0.397 −0.659 −1.137 0.040 1.200 0.223 −0.923 0.058 0.042 
下载: 导出CSV
表 2 信息量+BP神经网络模型模型的易发性分段结果
Table 2 Susceptibility segmentation results based on information model + BP neural network model
模型 易发性
分段长度 占管道
的比例地灾
数量占总地灾
的比例地灾发育
线密度
（处/km）信息量+
BP模型低 265.4 22.96% 17 4.57% 0.06 较低 361.4 31.27% 42 11.29% 0.12 中 128.9 11.15% 48 12.90% 0.37 较高 137.8 11.92% 54 14.52% 0.39 高 262.3 22.69% 211 56.72% 0.80
下载: 导出CSV
表 3 风险等级分段标准
Table 3 Risk level Segmentation Criteria”
风险等级 易发程度 风险隐患点分布密度 风险隐患点风险等级 高 高易发 1.5～3.5 点/km 以高、较高为主 较高 高、中易发 1.0～1.5 点/km 以较高、中为主 中 中、低易发 0.5～1.0 点/km 以中、较低为主 较低 中、低、不易发 0.2～0.5 点/km 以较低、低为主 低 低、不易发 <0.2 点/km 低
下载: 导出CSV
-
[1] 胡载彬. 天然气长输管道安全运行监管研究——以西气东输一线长输管道项目为例[D]. 上海:华东师范大学,2020. [HU Zaibin. Study on safety operation supervision of long-distance natural gas pipeline:Taking the long-distance natural gas pipeline project of west-east gas pipeline as an example[D]. Shanghai:East China Normal University,2020. (in Chinese with English abstract)] HU Zaibin. Study on safety operation supervision of long-distance natural gas pipeline: Taking the long-distance natural gas pipeline project of west-east gas pipeline as an example［D］. Shanghai: East China Normal University, 2020. （in Chinese with English abstract）
[2] HE Bohu,BAI Mingzhou,SHI Hai,et al. Risk assessment of pipeline engineering geological disaster based on GIS and WOE-GA-BP models[J]. Applied Sciences,2021,11(21):9919. DOI: 10.3390/app11219919
[3] 王子,王栋,姜帅,等. 西气东输管道工程陕西岭湾村滑坡变形特征及成因机制分析[J]. 中国地质灾害与防治学报,2023,34(3):8 − 19. [WANG Zi,WANG Dong,JIANG Shuai,et al. Analysis on deformation mechanism of the Lingwan Village landslide in Shaanxi Province section of the West-East Gas Pipeline Project[J]. The Chinese Journal of Geological Hazard and Control,2023,34(3):8 − 19. (in Chinese with English abstract)] WANG Zi, WANG Dong, JIANG Shuai, et al. Analysis on deformation mechanism of the Lingwan Village landslide in Shaanxi Province section of the West-East Gas Pipeline Project［J］. The Chinese Journal of Geological Hazard and Control, 2023, 34（3）: 8 − 19. （in Chinese with English abstract）
[4] KANUNGO D P,ARORA M K,SARKAR S,et al. A comparative study of conventional,ANN black box,fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas[J]. Engineering Geology,2006,85(3/4):347 − 366.
[5] 邓人嘉. 山区段天然气管道安全风险模糊评估研究[D]. 南昌:南昌大学,2023. [DENG Renjia. Study on fuzzy evaluation of natural gas pipeline safety risk in mountainous area[D]. Nanchang:Nanchang University,2023. (in Chinese with English abstract)] DENG Renjia. Study on fuzzy evaluation of natural gas pipeline safety risk in mountainous area［D］. Nanchang: Nanchang University, 2023. （in Chinese with English abstract）
[6] 叶天宇. 基于模糊综合评价法的天然气管道风险评价研究[D]. 上海:上海交通大学,2017. [YE Tianyu. Study on risk assessment of natural gas pipeline based on fuzzy comprehensive evaluation method[D]. Shanghai:Shanghai Jiao Tong University,2017. (in Chinese with English abstract)] YE Tianyu. Study on risk assessment of natural gas pipeline based on fuzzy comprehensive evaluation method［D］. Shanghai: Shanghai Jiao Tong University, 2017. （in Chinese with English abstract）
[7] OZDEMIR A,ALTURAL T. A comparative study of frequency ratio,weights of evidence and logistic regression methods for landslide susceptibility mapping:Sultan Mountains,SW Turkey[J]. Journal of Asian Earth Sciences,2013,64:180 − 197. DOI: 10.1016/j.jseaes.2012.12.014
[8] ZHAO Hongliang,YAO Leihua,MEI Gang,et al. A fuzzy comprehensive evaluation method based on AHP and entropy for a landslide susceptibility map[J]. Entropy,2017,19(8):396. DOI: 10.3390/e19080396
[9] YANG Xiaojie,HAO Zhenli,LIU Keyuan,et al. An improved unascertained measure-set pair analysis model based on fuzzy AHP and entropy for landslide susceptibility zonation mapping[J]. Sustainability,2023,15(7):6205. DOI: 10.3390/su15076205
[10] 周萍,邓辉,张文江,等. 基于信息量模型和机器学习方法的滑坡易发性评价研究——以四川理县为例[J]. 地理科学,2022,42(9):1665 − 1675. [ZHOU Ping,DENG Hui,ZHANG Wenjiang,et al. Landslide susceptibility evaluation based on information value model and machine learning method:A case study of Lixian County,Sichuan Province[J]. Scientia Geographica Sinica,2022,42(9):1665 − 1675. (in Chinese)] ZHOU Ping, DENG Hui, ZHANG Wenjiang, et al. Landslide susceptibility evaluation based on information value model and machine learning method: A case study of Lixian County, Sichuan Province［J］. Scientia Geographica Sinica, 2022, 42（9）: 1665 − 1675. （in Chinese）
[11] SAAD M,KAMEL M,MOFTAH H. Landslide susceptibility mapping for the red sea mountains:A multi-criteria decision analysis approach[J]. Journal of African Earth Sciences,2024,209:105125. DOI: 10.1016/j.jafrearsci.2023.105125
[12] 潘禹臣,汤明高,倪文涛,等. 中缅天然气管道沿线地质灾害风险评价[J]. 人民长江,2022,53(10):108 − 115. [PAN Yuchen,TANG Minggao,NI Wentao,et al. Risk assessment of geological disasters along China-Myanmar natural gas pipeline[J]. Yangtze River,2022,53(10):108 − 115. (in Chinese with English abstract)] PAN Yuchen, TANG Minggao, NI Wentao, et al. Risk assessment of geological disasters along China-Myanmar natural gas pipeline［J］. Yangtze River, 2022, 53（10）: 108 − 115. （in Chinese with English abstract）
[13] 张海磊,唐茂,汤明高,等. 山区油气管道的滑坡灾害风险评估方法[J]. 地质灾害与环境保护,2022,33(3):90 − 95. [ZHANG Hailei,TANG Mao,TANG Minggao,et al. Landslide hazard risk assessment method of oil and gas pipeline in mountainous area[J]. Journal of Geological Hazards and Environment Preservation,2022,33(3):90 − 95. (in Chinese with English abstract)] ZHANG Hailei, TANG Mao, TANG Minggao, et al. Landslide hazard risk assessment method of oil and gas pipeline in mountainous area［J］. Journal of Geological Hazards and Environment Preservation, 2022, 33（3）: 90 − 95. （in Chinese with English abstract）
[14] 范壮. 基于随机森林算法的油气管道风险判定方法研究[D]. 北京:中国地质大学(北京),2021. [FAN Zhuang. Research on risk determination method of oil and gas pipeline based on random forest algorithm[D]. Beijing:China University of Geosciences,2021. (in Chinese with English abstract)] FAN Zhuang. Research on risk determination method of oil and gas pipeline based on random forest algorithm［D］. Beijing: China University of Geosciences, 2021. （in Chinese with English abstract）
[15] 武雪玲,任福,牛瑞卿,等. 斜坡单元支持下的滑坡易发性评价支持向量机模型[J]. 武汉大学学报(信息科学版),2013,38(12):1499 − 1503. [WU Xueling,REN Fu,NIU Ruiqing,et al. Landslide spatial prediction based on slope units and support vector machines[J]. Geomatics and Information Science of Wuhan University,2013,38(12):1499 − 1503. (in Chinese with English abstract)] WU Xueling, REN Fu, NIU Ruiqing, et al. Landslide spatial prediction based on slope units and support vector machines［J］. Geomatics and Information Science of Wuhan University, 2013, 38（12）: 1499 − 1503. （in Chinese with English abstract）
[16] 杨晨. 基于多种算法调优的支持向量机对滑坡易发性评价的精度影响研究[D]. 昆明:昆明理工大学,2023. [YANG Chen. Study on the influence of support vector machine based on multi-algorithm optimization on the accuracy of landslide susceptibility evaluation[D]. Kunming:Kunming University of Science and Technology,2023. (in Chinese with English abstract)] YANG Chen. Study on the influence of support vector machine based on multi-algorithm optimization on the accuracy of landslide susceptibility evaluation［D］. Kunming: Kunming University of Science and Technology, 2023. （in Chinese with English abstract）
[17] 陈飞,蔡超,李小双,等. 基于信息量与神经网络模型的滑坡易发性评价[J]. 岩石力学与工程学报,2020,39(增刊1):2859 − 2870. [CHEN Fei,CAI Chao,LI Xiaoshuang,et al. Evaluation of landslide susceptibility based on information quantity and neural network model[J]. Chinese Journal of Rock Mechanics and Engineering,2020,39(Sup 1):2859 − 2870. (in Chinese)] CHEN Fei, CAI Chao, LI Xiaoshuang, et al. Evaluation of landslide susceptibility based on information quantity and neural network model［J］. Chinese Journal of Rock Mechanics and Engineering, 2020, 39（Sup 1）: 2859 − 2870. （in Chinese）
[18] 薛正海,冯文凯,韩靖楠,等. 基于信息量及层次分析关联法和BP神经网络耦合的滑坡易发性评价[J]. 桂林理工大学学报,2022,42(4):809 − 819. [XUE Zhenghai,FENG Wenkai,HAN Jingnan,et al. Landslide susceptibility evaluation based on information value and AHP correlation method coupled with BP neural network model[J]. Journal of Guilin University of Technology,2022,42(4):809 − 819. (in Chinese with English abstract)] XUE Zhenghai, FENG Wenkai, HAN Jingnan, et al. Landslide susceptibility evaluation based on information value and AHP correlation method coupled with BP neural network model［J］. Journal of Guilin University of Technology, 2022, 42（4）: 809 − 819. （in Chinese with English abstract）
[19] PARK I,LEE S. Spatial prediction of landslide susceptibility using a decision tree approach:A case study of the pyeongchang area,Korea[J]. International Journal of Remote Sensing,2014,35(16):6089 − 6112. DOI: 10.1080/01431161.2014.943326
[20] 郭衍昊,窦杰,向子林,等. 基于优化负样本采样策略的梯度提升决策树与随机森林的汶川同震滑坡易发性评价[J]. 地质科技通报,2024,43(3):251 − 265. [GUO Yanhao,DOU Jie,XIANG Zilin,et al. Susceptibility evaluation of Wenchuan coseismic landslides by gradient boosting decision tree and random forest based on optimal negative sample sampling strategies[J]. Bulletin of Geological Science and Technology,2024,43(3):251 − 265. (in Chinese with English abstract)] GUO Yanhao, DOU Jie, XIANG Zilin, et al. Susceptibility evaluation of Wenchuan coseismic landslides by gradient boosting decision tree and random forest based on optimal negative sample sampling strategies［J］. Bulletin of Geological Science and Technology, 2024, 43（3）: 251 − 265. （in Chinese with English abstract）
[21] 杨得虎,朱杰勇,刘帅,等. 基于信息量、加权信息量与逻辑回归耦合模型的云南罗平县崩滑灾害易发性评价对比分析[J]. 中国地质灾害与防治学报,2023,34(5):43 − 53. [YANG Dehu,ZHU Jieyong,LIU Shuai,et al. Comparative analyses of susceptibility assessment for landslide disasters based on information value,weighted information value and logistic regression coupled model in Luoping County,Yunnan Province[J]. The Chinese Journal of Geological Hazard and Control,2023,34(5):43 − 53. (in Chinese with English abstract)] YANG Dehu, ZHU Jieyong, LIU Shuai, et al. Comparative analyses of susceptibility assessment for landslide disasters based on information value, weighted information value and logistic regression coupled model in Luoping County, Yunnan Province［J］. The Chinese Journal of Geological Hazard and Control, 2023, 34（5）: 43 − 53. （in Chinese with English abstract）
[22] 张凯翔,蒋道君,吕小宁,等. 机器学习模型在地质灾害遥感调查数据分析中的应用现状[J]. 中国地质灾害与防治学报,2024,35(4):126 − 134. [ZHANG Kaixiang,JIANG Daojun,LYU Xiaoning,et al. Current application of machine learning models in the analysis of remote sensing survey data for geological hazards[J]. The Chinese Journal of Geological Hazard and Control,2024,35(4):126 − 134. (in Chinese with English abstract)] ZHANG Kaixiang, JIANG Daojun, LYU Xiaoning, et al. Current application of machine learning models in the analysis of remote sensing survey data for geological hazards［J］. The Chinese Journal of Geological Hazard and Control, 2024, 35（4）: 126 − 134. （in Chinese with English abstract）
[23] 高子雁,李瑞冬,石鹏卿,等. 基于长短期记忆网络的甘肃舟曲立节北山滑坡变形预测[J]. 中国地质灾害与防治学报,2023,34(6):30 − 36. [GAO Ziyan,LI Ruidong,SHI Pengqing,et al. Deformation prediction of the Northern Mountain landslide in Lijie Town of Zhouqu,Gansu Province based on long-short term memory network[J]. The Chinese Journal of Geological Hazard and Control,2023,34(6):30 − 36. (in Chinese with English abstract)] GAO Ziyan, LI Ruidong, SHI Pengqing, et al. Deformation prediction of the Northern Mountain landslide in Lijie Town of Zhouqu, Gansu Province based on long-short term memory network［J］. The Chinese Journal of Geological Hazard and Control, 2023, 34（6）: 30 − 36. （in Chinese with English abstract）
[24] 牟家琦,庄建琦,王世宝,等. 基于深度神经网络模型的雅安市滑坡易发性评价[J]. 中国地质灾害与防治学报,2023,34(3):157 − 168. [MU Jiaqi,ZHUANG Jianqi,WANG Shibao,et al. Evaluation of landslide susceptibility in Ya’an City based on depth neural network model[J]. The Chinese Journal of Geological Hazard and Control,2023,34(3):157 − 168. (in Chinese with English abstract)] MU Jiaqi, ZHUANG Jianqi, WANG Shibao, et al. Evaluation of landslide susceptibility in Ya’an City based on depth neural network model［J］. The Chinese Journal of Geological Hazard and Control, 2023, 34（3）: 157 − 168. （in Chinese with English abstract）
[25] 郝建斌,刘建平,石蕾,等. 兰成渝成品油管道沿线地质灾害危险度区划[J]. 油气储运,2008,27(4):49 − 53. [HAO Jianbin,LIU Jianping,SHI Lei,et al. Zonaion of danger degree of geological hazards over Lanzhou-Chengdu-Chongqing products pipeline[J]. Oil & Gas Storage and Transportation,2008,27(4):49 − 53. (in Chinese with English abstract)] HAO Jianbin, LIU Jianping, SHI Lei, et al. Zonaion of danger degree of geological hazards over Lanzhou-Chengdu-Chongqing products pipeline［J］. Oil & Gas Storage and Transportation, 2008, 27（4）: 49 − 53. （in Chinese with English abstract）
[26] 杨康,薛喜成,李识博. 信息量融入GA优化SVM模型下的地质灾害易发性评价[J]. 安全与环境工程,2022,29(3):109 − 118. [YANG Kang,XUE Xicheng,LI Shibo. Geological hazard susceptibility assessment by incorporating information value into GA optimized SVM model[J]. Safety and Environmental Engineering,2022,29(3):109 − 118. (in Chinese with English abstract)] YANG Kang, XUE Xicheng, LI Shibo. Geological hazard susceptibility assessment by incorporating information value into GA optimized SVM model［J］. Safety and Environmental Engineering, 2022, 29（3）: 109 − 118. （in Chinese with English abstract）
[27] YI Yaning,ZHANG Zhijie,ZHANG Wanchang,et al. Landslide susceptibility mapping using multiscale sampling strategy and convolutional neural network:A case study in Jiuzhaigou Region[J]. CATENA,2020,195:104851. DOI: 10.1016/j.catena.2020.104851
[28] CHEN Wei,ZHANG Shuai,LI Renwei,et al. Performance evaluation of the GIS-based data mining techniques of best-first decision tree,random forest,and naïve Bayes tree for landslide susceptibility modeling[J]. Science of the Total Environment,2018,644:1006 − 1018. DOI: 10.1016/j.scitotenv.2018.06.389
[29] 郭守德,王强,林影,等. 中缅油气管道沿线地质灾害分析与防治[J]. 油气储运,2019,38(9):1059 − 1064. [GUO Shoude,WANG Qiang,LIN Ying,et al. Analysis and prevention of geological hazards along the China-Myanmar Oil and Gas Pipeline[J]. Oil & Gas Storage and Transportation,2019,38(9):1059 − 1064. (in Chinese with English abstract)] GUO Shoude, WANG Qiang, LIN Ying, et al. Analysis and prevention of geological hazards along the China-Myanmar Oil and Gas Pipeline［J］. Oil & Gas Storage and Transportation, 2019, 38（9）: 1059 − 1064. （in Chinese with English abstract）
[30] DONG Jiahui,NIU Ruiqing,LI Bingquan,et al. Potential landslides identification based on temporal and spatial filtering of SBAS-InSAR results[J]. Geomatics,Natural Hazards and Risk,2023,14(1):52 − 75. DOI: 10.1080/19475705.2022.2154574
计量
- 文章访问数: 25
- HTML全文浏览量: 6
- PDF下载量: 8
邮件订阅
RSS