2024年5月4日发(作者：)

科技管理研究

2021年第4期

Science and Technology Management Research

2021 No. 4

doi: 10.3969/j .issn. 1000-7695.2021.04.025

基于贝叶斯网络的暴雨-地质、

暴雨-洪涝灾害链推理模型

帅敏郭海湘刘晓王德运陈卫明

(1.中国地质大学（武汉）经济与管理学院;

2.中国地质大学（武汉）工程学院，湖北武汉430074)

摘要：为解决现有的山区暴雨

-

地质、市区暴雨

-

洪涝灾害模型在链式反应推理和精度上的不足，基于贝叶斯网

络理论分析暴雨灾害演化规律，构建灾害链推理模型；根据国内暴雨灾害历史数据和相关文献总结选取暴雨灾害节

点变量，构建暴雨灾害链拓扑结构，并应用期望最大化算法求得暴雨灾害条件概率，基于因果推理实现对暴雨引发

的次生灾害和基础设施损毁等级的预测。最后以湖南省宁远县

2017

年

6

月

22

日至

7

月

1

日间因暴雨导致的滑坡洪

灾为例，运用上述暴雨

-

地质、暴雨

-

洪涝灾害链推理模型进行实例验证，预测结果与实际情况吻合较好

，Brier

检验的

B

值小于

0.6,

结果表明该灾害链推理模型具有可行性。

关键词：暴雨

-

洪涝；暴雨

-

地质；灾害链；贝叶斯网络

中图分类号：

X915.5; F224; G301

文献标志码

：A

文章编号：

1000-7695 ( 2021 ) 04-0191-07

Inference Model of Rainstorm-Geology and Rainstorm-Flood Disaster Chain

Based on Bayesian Network

Abstract: In order to solve the problems of chain reaction reasoning and precision in the existing models of rainstorm-

geology and urban rainstorm—flood disaster in mountainous areas, this paper analyzes the evolution law of rainstorm

disaster based on Bayesian network theory and constructs the reasoning model of disaster chain. Based on the historical

data of rainstorm disaster and related literature, the paper selects the node variables of rainstorm disaster, constructs the

topology of rainstorm disaster chain, and uses expectation maximization algorithm to obtain the probability of rainstorm

disaster condition, and based on causality reasoning, the prediction of secondary disasters and infrastructure damage

caused by rainstorm is realized. Finally, the paper takes the landslide flood caused by heavy rain from June 22 to July 1,

2017 in Ningyuan County, Hunan province as an example, the prediction results are in good agreement with the actual

situation, and the B value of the Brier test is less than 0.6. The results show that the disaster chain reasoning model is

feasible.

Key word

：

rainstorm—flood; rainstorm—geology; disaster chain; Bayesian network

1研究背景

份的洪涝灾害，受灾人口高达1216万人，直接经

近年来，国内多发极端强降雨天气，引发山区、

济损失257亿元。2020年6月23日，国家防汛抗旱

市区地质洪涝灾害，对电力、通信、公路等基础设

总指挥部办公室针对重庆市、贵州省的强降雨情况，

施损毁严重，甚至直接威胁群众生命财产安全。仅

重点强调防范局地强降雨引发的山洪地质灾害，切

2020年6月以来，南方持续强降雨已引发13个省

实加强雨区中小河流洪水和城市内涝防范，提前发

收稿日期：

2020-03-29,

修回日期：

2020-08-26

基金项目：国

家自然科学基金项目

“

基于数据驱动的滑坡地质灾害预测及其应急决策研究

—

以长江经济带三峡库区为例

” (71874165

)，“大

数据驱动下自然资源生态安全预测预警预案研究

”

（

72074198);

教育部哲学社会科学研究后期资助项目“应急救援队伍优化调配

与合作救援仿真研究

”

（

20JHQ094)

192

帅敏等：基于贝叶斯网络的暴雨-地质、暴雨-洪涝灾害链推理模型

布预警避险信息；6月28日，国家主席习近平对防

汛救灾作出重要指示，要求全力做好地质洪涝灾害

防御。从凝练现实向题的角度出发，考虑暴雨-地质、

暴雨-洪涝两类灾害链的链式反应，预测次生灾害

的风险等级及基础设施的损毁程度，已成为灾害应

急管理中亟待解决的关键问题。

“灾害链”的概念最早由郭增建等[1]在1987

年提出，其后文传甲[2]、史培军[3]从链式特征、

灾害链环等角度阐述了对灾害链的新的理解。2018

年Aghakmichak等[4]提出全球极端灾害的爆发是自

然灾害级联效应所致，即多米诺式的链式反应。这

其中，暴雨-地质灾害链、暴雨-洪涝灾害链作为

影响范围广、破环力大的两类灾害链引发了学者的

广泛关注，尤其山区地形地势条件复杂，市区设施

有人为修护影响，使暴雨对次生灾害的引发形式不

确定，次生灾害整体演化过程的预测预警更加复杂。

因此，基于灾害链的演化机理对灾害进行模拟预测，

已成为了灾害预测预警模型的研究重心。

暴雨-地质灾害链预测预警模型主要分为两类。

第一类应用预测预报技术，已朝着人工智能预测预

报模型、非线性预测预报模型和基于地理信息系统

(geographic information system, GIS)技术的信息模

型快速发展[5]，如王佳佳等[6]基于网络地理信息

系统（WebGIS)和“四库”（模型库、方法库、数

据仓库、知识库）一体技术开发滑坡灾害预测预报

系统，通过静态的地质灾害易发性评价和动态的降

雨预测耦合，划分危险性等级，进而确立预警阈值；

马洁华等[7]、王治华等[8]则在选取指标及预警阈

值获取方式上进行了细化。第二类利用监测预警技

术实现目标区域位移、环境变化的监测，如在技术

上雷达干涉测量在20世纪90年代就被应用于监测

地质灾[9 ]; Jahoyedoff等U°]分析了激光雷达在滑坡、

岩崩和泥石流中的不同应用，并提出从高分辨率的

数字高程模型(HRDEM))中获取更多数据，用于滑

坡的早期预警；Fan等[111研究证实采用多时间卫星

或无人机图像融合监测系统测算位移的科学性。现

有预报系统应用的危险性评价方法，评价指标受专

家人为主观影响，且地质灾害复杂，此法考虑影响

因素单一。总体来说，以上两类方法设定的最终预

警阈值都未实现对灾害全过程的动态概率推理，无

法基于实时动态数据实现灾害风险等级评估、从而

采取相应防灾措施。

暴雨-洪涝灾害链预测预警模型主要分为两类。

第一类为应用经典预测模型如人工神经网络ANNs、

自回归移动平均法ARMA、灰色预测模型GM(1，1)、

整合移动平均自回归模型ARIMA等。第二类为改进

水文模型，主要分析洪涝灾害的影响因素，得出有

关评价指标在模型中的合理权重，如杜志强等[121

将历时降雨和实时降雨数据代人ARMA模型识别异

常降雨；刘雄[131将易渍水点地形及单位面积降雨

量作为城市洪涝的影响因素，应用回归分析得到降

雨积水的关系模型。以上洪涝灾害预测模型一般针

对雨涝、内涝等单类洪涝灾害节点进行预测，对于

其他洪涝灾害节点间引发的关系有待拓展。

预测暴雨灾害对电力、水和通信等基础设施系

统的损毁程度，必须注重它们之间的级联关系和级

联效应，因为它们相互依赖，一个系统的损坏可能

会在依赖于它的所有系统甚至整个系统中产生级联

效应[14]。目前，基础设施间的级联关系及其在地

质洪涝灾害背景下的应用已有一定的理论基础，如

He等[15]度量飓风灾害下电力、水和电信系统之间

的依赖性，推测系统受损后的恢复时间对此依赖性

的敏感程度；Cheng [16]提出一种非对称关系矩阵的

数学框架，在涉及洪水地质灾害时可用以分析基础

设施之间的依赖性，从而对其重要性做优先级排序。

但如何进一步量化级联关系对基础设施的损毁程度

还需要考虑。

贝叶斯网络作为对复杂系统建模和推理的工具,

其构建的拓扑结构可用于解决洪涝灾害模型中未定

性灾害节点间引发关系的问题，参数学习得到的条

件概率表可用于定量预测地质灾害节点间的引发概

率，进而通过因果推理实现对灾害过程的动态概率

预测以及对基础设施的损毁等级推理，以弥补上述

研究内容的缺陷。目前，贝叶斯网络已应用于灾害链、

突发事件链建模、网络舆情危机等级预测等领域的

研究中，如哈斯等[17]以贝叶斯网络为工具构建因

果型草原干旱雪灾灾害链模型，预测干旱引发来年

雪灾的影响程度；罗军华等[18]构建山区公路暴雨-

洪水灾害链贝叶斯网络推理模型，研究不同情形下

公路构筑物受暴雨-洪水灾害影响的破损情况。

但目前贝叶斯网络在灾害链中的应用以单灾害

链为主体，仅设定发生与不发生两种节点状态，结

合专家经验获取先验概率和条件概率表，本研究旨

在已有研究基础上进行节点状态细分以及提升风险

概率预测精度，克服无法评估凤险级别的缺点和突

破以往应用模型中受人为因素影响的局限，构建可

普遍应用的综合灾害链模型，并以常见的地质、洪

涝灾害的山区、市区为背景，探究暴雨过程中不同

孕灾环境下引发各次生地质、洪涝灾害的概率，以

及预测由此造成的公共基础设施损毁的程度，为有

关管理部门提供有效的风险评估与决策支持。

帅敏等：基于贝叶斯网络的暴雨-地质、暴雨-洪涝灾害链推理模型

193

2研究方法

果的正确性符合要求；反之，不符合要求。

2.1贝叶斯网络、因果推理及检验

2.2贝叶斯网络建模

构建灾害链贝叶斯网络模型需先建立贝叶斯网

2

.

2.1

贝叶斯网络节点选取

络图，据此运用因果推理实现概率预测，最后在实

首先，将暴雨在山区、市区不同情景下易发生的

例检验中通过计算实际值与预测值的均方概率误差，

地质、洪涝灾害链进行节点划分；其次，根据国家减

即Brier评分来检验模型精度。

灾网、各地方政府网站、新华网、新浪网、搜狐网、

贝叶斯网络以G = (7V，f)来表示，它是一个有

百度百科等权威网站的灾害报道数据，并结合专家意

向无环图。其中：#为网络节点集合，由…式

见，选取常见的24个节点变量，如表1所示。

组成；五为网络有向边集合；P为节点条件概率分布

表1山区、市区暴雨灾害链节点变量

表(conditional probability table, CPT)，即 5",节点在所

灾害链变量类型

变量名称

山区暴雨地质灾害链

输人变量

A

降雨强度〇1。

有$父节点不同状态下的条件概率分布情况[21 ]。

降雨历时

因果推理是利用贝叶斯网络的正向因果推理技

状态变量^

岩性构造‘

术，在已知一定的父节点状态（证据）的情况下计

地质构造、

土壤松散2

算子节点发生的条件概率，即进行预测[24]，基于

地形地貌613

已构建的贝叶斯网络图，在已知原生灾害父节点的

原有水系办14

输出变量

q

滑坡

C

|。

状态下计算次生灾害子节点不同状态下的条件概率，

泥石流

得出最终风险等级。如在灾害链式反应过程中，所

堰塞湖

C

12

有影响灾害节点发生的父节点$组成的集合为证据

山洪

C

13

市区暴雨洪涝灾害链

输入变量

又，这种情况下次生灾害子节点5；处于state2状态的

a

2

降雨强度％)

降雨历时

概率为尸(' =State2|&)，计算如式（1)所示。

状态变量〜

植被覆盖率办2。

排水系统621

P

{^

Sb

=

state2) = P(S,4 = state215, = state, ,...,5, = state,)=

地势心

输出变量^洪水

P ( = state2

，

5^ = statei

，…，

= state】)

内®

c

21

P

(^

S

^

= state,,.=statej)

雨涝

C

22

农作物受灾&

s,.

e

state

,

(/e

[0-4]) ( 1 )

电力设施

c

24

通信

C

js

式（1 )中：《为灾害节点个数，每个灾害节点

公共交通

c

26

=

state

,|5, =

state

,,=

state

,)

供水

c

27

表示给定所有原生灾害父节点的状态为

state

,

房屋倒塌

c

28

人员伤亡

c

29

时，次生灾害子节点5；处于

state

2状态的概率；

P

(

S

6

sstate

^ =

statep

_..,5； =

state

,)表示所有灾害父

节点状态为

state

,和次生灾害子节点5；状态为81&162同

2.2.2贝叶斯网络结构建立

本研究以美国Web of Sciences、中国知网数据

时发生的概率；=

statep

…，

叉=

state

,)表示已发

生的事件即所有父节点状态为

state

,的联合概率。

库为文献收集库，搜索降雨、滑坡、泥石流、山洪

本研究采用贝叶斯网络模型评价常用标准Brier

等灾害节点关键词，得到相关的灾害文献，分析灾

评分对模型预测效果进行评价。Brier评分假设贝叶

害节点影响因素，据此构建出贝叶斯网络结构中各

斯网络模型中第/个评价目标为(1 S w), w

节点的引发关系，得出山区暴雨-地质灾害链、市

为待评价变量个数，每个幻种可能的状态，

区暴雨-洪涝灾害链的贝叶斯网络拓扑结构，如图

1所示。其中，地质类灾害文献主要研究对象为滑坡、

变量M,的第_/种状态取值％所对应的推理概率

为/J(y‘)(l S 《);变量M,的实际取值记为& 〇'),

泥石流、堰塞湖，此类灾害形成的必要条件为松散

若化恰好为该变量的实际取值，则S, (/) = l;否则

物质来源，如地质结构不稳定、岩性风化、人为活

动等，本研究选取地质和岩性结构两个最为普遍的

'(力=0。记：

因素。泥石流以土壤松散、携带大量泥沙为主，易

1=1

以力），其中万

j=l

在陡峭地形上迅速形成、流通、堆积，最重要的诱

代表贝叶斯网络中m个目标变量的预测偏差平均值，

发因素为水源条件，可以带来搬运物质的动力且软

5 e [0,2]，S越小则代表网络预测偏差越小，即预测

化土壤；堰塞湖是由上游的泥石流堆积的松散物质

效果越好。一般认定：0.6则表示该网络预测结

冲人原有水系，导致河床堵塞，储水而形成。洪涝

194

帅敏等：基于贝叶斯网络的暴雨-地质、暴雨-洪涝灾害链推理模型

类灾害文献内容主要涵盖农业的雨涝灾害风险评估、 易引发多个地区如乡、县的大面积停电；通信光缆

市区内涝灾害应急管理、洪水灾害预测预警。雨涝 被山洪、泥石流灾害冲断，基电站存电量耗完则通

主要危害农作物，造成减产绝收；内涝常见于地势

信因此中断；滑坡、泥石流在山区发生后，由于山

低洼、排水系统老化的老城区；洪水危害程度则远

区房屋分布零落、人口密度小，故房屋倒塌数量少、

超其他洪涝灾害，直接引发河流湖泊的水位上涨，

人员伤亡基数小，但人员伤亡情况重；市区易发生

冲毁房屋基础设施，造成人员伤亡。承灾体选择易

洪涝，虽受灾人口广布，但是灾害应急措施成熟，

受山区、市区地质洪涝灾害损害的主体，即公共交通、

人员伤亡少，然房屋倒塌受损数量多；洪水导致水

电力系统、通信系统、人员伤亡、房屋倒塌等节点。

厂被淹、供水管道被毁，则严重影响了城区市民用水。

电力系统由于依靠电线杆输电，洪水冲断电线杆就

降雨历时

图1山区、市区暴雨灾害链贝叶斯网络结构

2.2.3贝叶斯网络各节点的状态取值及条件概率表

分为灾害事件发生和不发生两种状态。本研究为了

分布

使预测结果更加精确，明确事件发生时的严重程度，

哈斯等、罗军华等[23]在进行贝叶斯网络节

参考了我国国家气象局、地质灾害防治工程行业标

点状态划分的时候，为降低网络节点参数估计的复

准及相关文献，在部分节点上划分了多种状态，具

杂性，多采用二值化离散处理，结合专家经验，划

体如表2所示。

表2暴雨灾害链贝叶斯节点的状态取值及先验概率

序号

变量名称状态值先验概率

1

降雨强度

[0 ~ 25 ]/[ 25 〜50 ]/[ 50 ~ 100 ]/[ 100 ~ 200 ]/ [ 200, ~ ](0.009 , 0.090 , 0.322 , 0.267 , 0.310)

2

降雨历时

cru/h[0 ~ 12]/[12

〜

24]/[24 ~ 48]/[48，~]

(0.419, 0.239, 0.043, 0.298)

3

岩性构造

岩性风化/无风化

(0.593, 0.407)

4

地质构造办

II

稳定/不稳定

(0.375, 0.625 )

5

土壤松散办

12

松散/不松散

(0.618, 0.381)

6

地形地貌

6|3

陡峭/不陡峭

(0.717, 0.282)

7

原有水系有/无

(0.090, 0.909)

8

滑坡

c,

〇

/104m3

0/ [0 ~ 10] / [ 10,-](0.453, 0.506, 0.040)

9

泥石流

c,,/104m30/ [0 ~ 1 ] / [ 1 ~ 10] / [ 10, 100]

(0.496, 0.418, 0.057, 0.027)

10

堰塞湖

cl2

无

/

小型/中

(0.910, 0.087, 0.001 )

11

山洪

Cl3

无

/

一般山洪/高含沙山洪

(0.610, 0.200, 0.189)

12

植被覆盖率

62D

[0

〜

35%] / [35%, ~ ](0.556, 0.444)

13

排水系统

62

i

一般/差

(0.854

，

0.146)

14

地势

h

地势低

/

一般

(0.376, 0.624)

15

洪水无

/[0~ 5]/[5 ~ 20]/ [20

〜

50]/[50，~](0.469, 0.227, 0.073, 0.066, 0.163)

16

内漢

C21

无

/

一般/严重

(0.490, 0.153, 0.355)

帅敏等：基于贝叶斯网络的暴雨-地质、暴雨-洪涝灾害链推理模型

195

表

2 (

续

)

序号变量名称状态值

先验概率

17

雨游

c22/mm

连续

10

天降雨总量〇

/[ 200 〜250 ]/[ 250 ~ 300 ]/[ 300, ~ ]

(0.392, 0.144, 0.129, 0.333)

18

农作物受灾

c23/km2

0/ [ 0.01 ~ 500 ] / [ 500 ~ 1 000 ] / [ 1 000 〜1500 ]

(0.369 , 0.558 , 0.050 , 0.022)

19

电力设施

c24

无损

/

轻微破坏

/

破坏

/

严重破坏

(0.340, 0.197, 0.171

，

0.291 )

20

通讯

k

无损

/

轻微破坏

/

破坏

/

严重破坏

(0.532, 0.165, 0.093, 0.207)

21

公共交通

c26

无损

/

轻微破坏

/

破坏

/

严重破坏

(0.254, 0.222, 0.240, 0.283 )

22

供水

c27

一般

/

困难

(0.442, 0.557)

23

房屋倒塌

无受损

/

受损

(0.345, 0.654)

24

人员伤亡

c29

[0 ~ 10] / [ 10 ~ 100] / [ 100,-]

(0.426 , 0.422 , 0.151)

从国家减灾网、政府门户网站、新华网等 生泥石流，且附近有原有水系，则发生堰塞湖的概

官方网站获得灾害事件数据，再应用期望最大化

率较大，但是如果不存在原有水系，即使发生泥石流，

(expectation maximization，EM)算法进彳了参数学习，

触发堰塞湖的概率也很低（见表3),这说明原有

得出表明父节点、子节点间概率关系的条件概率表。 水系是除泥石流以外影响堰塞湖成灾的一大因素。

以山区发生的暴雨灾害子节点堰塞湖为例，山区发

表3堰塞湖节点的条件概率

泥石流规模为〇

m3

泥石流规模

万

in3

泥石流规模

1

万

m3

~ 10

万

m3

泥石流规模

>10

万

m3

堰塞湖规模

原有水系（有）

原有水系（无）原有水系（有）

原有水系（无）

原有水系（有）原有水系（无）原有水系（有）

原有水系（无）

无

0.1660.993

0.0830.9900.1250.9580.100

0.900

小型

0.834

0.0070.9160.0100.6250.042

0.7000.100

中型

00

000.2500

0.2000

以市区发生的暴雨灾害子节点农作物受灾为

表5内涝节点的条件概率

例，随着雨涝从无到有到演化程度的加深，农作物

子节点内涝状态条件概率

受灾面积的预测结果从0.857大概率农作物无损毁

内涝无

statel

0.166 6

内涝一般

state2

0.166 6

到90%以上的概率有0.01 km2 ~ 500 km2的农作物

内涝严重

state3

0.666 8

受灾，到最后雨涝程度为重度雨涝时甚至有小概率

注：给定父节点降雨量、降雨历时、地势、排水系统状态：

导致500 km2 ~ 1 000 km2甚至以上的农作物受灾（见

5, (a|〇) = state4, S2 (an ) = state4x 53 (i22) = state〇, 54 (*2] ) = state.

表4)，这说明雨涝是直接影响农作物受灾面积的

最重要因素。

3贝叶斯网络模型的实例推理分析及Brier检验

表4农作物受灾节点的条件概率

3.1实例概况

连续

10

天降雨总量

/mm

宁乡县位于湖南省长沙市，其地形地貌复杂，

农作物受灾面积

/km2

0200 ~ 250> 250 ~ 300

> 300

西部山区属于风化花岗岩地区，遇到强降雨很容易

无

0.857

0.0600.0480.034

发生山体滑坡、泥石流等山洪地质灾害，东部地区

属于洞庭湖尾闾地区，地势低洼，河流汇集。2017

0.01 ~ 500

0.1430.940

0.9520.746

年6月22日至7月1日宁乡县发生了强降雨，导致

> 500 ~ 1 00000

00.152

中西部9个乡镇出现山体滑坡，东部区域出现洪水

> 1 000 ~ 1 50000

00.068

漫堤，受灾人口达81.5万人，占全县人口的56%,

因灾死亡44人，农作物受灾212 km2,损毁倒塌房

2.3基于因果推理的内涝严重程度预测

屋14 000余间，毁损堤坝900多处，70多条道路受损，

利用上述构建的贝叶斯网络模型进行推理，

13个乡镇停电，7个乡镇通信一度中断，造成直接

如果在灾害链链式反应过程中已经观测到％。降雨

和间接经济损失约90亿元。

量为stateJP 200 mm以上，降雨历时为state4即

3.2 实例分析及Brier检验

48 h以上，W2地势为state。即低平，Z>2，排水系统为

利用本研究建立的贝叶斯推理模型对2017年宁

state,即差，则在模型中输人证据户( = state4) = 1和

远县遭受的洪涝及其地质灾害进行推理预测，设定

P(i22=state〇) = l#,经过因果推理，得到此时内

灾害发生时已存在的证据变量概率为1，利用因果

涝不发生的概率为16.66%，处于一般规模的概率为

推理求出此时目标变量所有状态的概率取值，并选

16.66%，严重的概率为66.68% (详见表5)。

取其所有状态中推理概率最大的值作为预测值。将

196

帅敏等：基于贝叶斯网络的暴雨-地质、暴雨-洪涝灾害链推理模型

降雨强度200 mm/d、降雨历时超48 h、山区土壤松

散、地形地貌陡峭、市区地势低等作为已知证据变

量输人贝叶斯推理模型，根据本研究构建的灾害链

式反应拓扑结构及条件概率表，应用因果推理实现

对滑坡、泥石流、堰塞湖、洪水、雨涝、内涝、电

力、供水等地质、洪涝、基础设施灾害节点的不同

状态概率预测，选取概率最大的状态值对应识别节

表6

目标变董

岩性构造匕。

地质构造

原有水系

滑坡

c

泥石流

6|4

点的风险等级，Brier评分B值为0.3,小于0.6。从

实际应用效果来看，区别于其他模型只有发生与不

发生的状态，本研究建立的模型状态细分，直接识

别相应风险等级范围，且预测值与2017年宁远县灾

害链的实际数据作对比后发现较为相符（见表6)，

表明基于贝叶斯网络构建的暴雨-洪涝、暴雨-地

质灾害链推理模型预测的准确性较好。

案例暴雨灾害风险预测值与实际值对比

预测值

岩性风化

不稳定

无

[0

推理概率

(0.593, 0.407)

(0.375, 0.625)

(0.090 , 0.909)

(0.301, 0.652 , 0.046)

(0.388, 0.500, 0.111, 0)

(0.910, 0.087, 0.002)

(0.575, 0.204, 0.219)

(0.555%, 0.445%)

(0.854, 0.146)

(0.264 , 0.029 , 0.117 , 0.176 , 0.411 )

实际取值

岩性风化

不稳定

无

对比情况

一致

一致

一致

一致

一致

一致

一致

有偏差

一致

一致

—致

lo/104m3

Cu/104 m3

c12

〜

10][0 ~ 10]

[0 ~ 1 ][0~ 1]

堰塞湖

山洪

无

无

[0 - 35% ]

无

无

[35%,

cl3

植被覆盖率办

2

〇

排水系统心

洪水

内游

雨游

C2I

一般

[50,-]

一般

[50,-]

(0.274, 0.104, 0.622)

(0.205, 0.088, 0.058, 0.647)

(0.213, 0.646, 0.097, 0.043)

(0.276 , 0.194 , 0.149,0.378)

(0.413, 0.187, 0.095, 0.305)

b

(0.225, 0.216, 0.165, 0.394)

(0.205, 0.795)

C28

Cw

(0.367, 0.633)

(0.313 , 0.418 , 0.269)

严重

[300, ~ ]

严重

[300, ~ ]

cymm

c^/km2

一致

一致

一致

有偏差

一致

一致

一致

—致

农作物受灾

0/ [ 0.01 〜500 ] / [ 500 ~ 1 000 ] / [ 1 000 ~ 1 500 ][0.01 ~ 500]

电力设施

c24

通信

h

严重破坏

无损

严重破坏

困难

受损

[10 - 100]

严重破坏

严重破坏

严重破坏

困难

受损

44

公共交通

供水

c27

房屋受损

人员伤亡

4结论

下贡献：（1 )选取暴雨引发的次生地质、洪涝灾害

节点及损毁的基础设施节点，并在节点状态分布上

由单一离散型变为多范围细分型，改善以往应用模

型只能预判灾害发生与否的情况，实现风险等级判

别，为应急管理预案的匹配提供决策支持；（2)应

用EM算法实现了从依赖专家群决策修正条件概率

表到对样本进行参数学习获取条件概率表的跨越，

避免了主观因素的影响，提升了次生灾害概率预测

的精度。在实践上，本研究构建的模型服务于国家

重点战略，响应国家关于加强洪涝、地质灾害预警

的指示，对暴雨引发的次生灾害以及由此损毁的基

础设施的风险等级进行概率预测，为相关部门及时

开展识别滑坡、泥石流等地质灾害隐患点、根据洪

水风险等级及时安排人员转移安置、结合基础设施

级联效应所预测的损毁程度进行抢修等工作提供科

学依据。

本研究设定的贝叶斯网络结构对基础设施节点

之间的相关关系未进行深人分析，未来的研究可深

入探讨当某项基础设施受暴雨灾害影响出现故障时,

引发其他基础设施出现级联故障的概率，进一步为

及时防灾减灾提供决策参考。

现有的地质、洪涝灾害链预测预警模型集中在

具体区域的单灾害链风险预警，导致模型的普遍应

用性不强，且缺乏对其他灾害类型级联效应关系的

挖掘及链式反应全过程中风险等级的概率推理，而

贝叶斯网络作为建模和推理的工具，运用其构建的

拓扑结构可用于定性分析灾害节点间的引发关系，

通过参数学习得到的条件概率表可用于定量预测灾

害节点的引发概率，且在灾害链领域已有所应用，

故本研究采用贝叶斯网络构建暴雨-地质、暴雨-

洪涝灾害链推理模型，对灾害链中所有涉及的节点

进行状态细分，构建灾害链拓扑结构，应用EM算

法获取各节点的条件概率表，以此进行因果推理，

预测暴雨造成次生灾害的风险等级及其对基础设施

的损坏程度，并以湖南省宁远县2017年6月22日

至7月1日间发生的地质洪涝灾害为例，预测结果

经Brier检验后B值小于0.6,证明本研究构建的模

型效果良好。

相较于以往在单灾害链的应用，本研究构建的

模型更具有普遍综合灾害链的应用功能，且在理论

上，对丰富链式反应推理及改进精度上可能存在如

帅敏等：基于贝叶斯网络的暴雨-地质、暴雨-洪涝灾害链推理模型

参考文献：

[1 ]

郭增建，秦保燕

.

灾害物理学简论

[J ].

灾害学，

1987

，

1(2):30-38.

[2 ]

文传甲

.

论大气灾害链

[J ].

灾害学，

1994,9(3):1-6.

[3]

史培军

.

再论灾害研究的理论与实践

[J

].自然灾害学

报，

1996,11(4):6-17.

[4 ] AGHAKOUCHAK A, HUNING L S, CHIANG F, et al. How do natural

hazards cascade to cause disasters? [J] .Nature,2018,561:458-460.

[5]

闻绍毅，李洋.地质灾害防灾减灾技术研究现状及发展综述

[J ] •

地质与资源，

2014, 23

⑶

:296-300.

[6]

王佳佳，殷坤龙

.

基于

WEBGIS

和四库一体技术的三峡库

区滑坡灾害预测预报系统研究

[J

].岩石力学与工程学

报，

2014,33(5):1004_1013.

[7 ]

马洁华，孙建奇，汪君，等

.2018

年夏季我国极端降水及滑坡泥

石流灾害预测

[J].

大气科学学报

,2019,42(1):95-101.

[8 ]

王治华，郭兆成，杜明亮，等

.5.12

震源区牛眠沟暴雨滑坡泥石

流预测模型

[J ].

地学前缘，

2012, 19(1):228-238.

[9 ] MASSONNET D, FEIGL K L. Radar interferometry and its

application to changes in the Earth's surface [ J ] .Reviews of

Geophysics, 1998,36(4):441-500.

[10] JABOYEDOFF M, OPPIKOFER T, ABELLAN A, et al. Use of

LIDAR in landslide investigations: a review [ J ] .Natural Hazards,

2012,61(l):5-28.

[11] FAN X M, XU Q, ALONSO-RODRIGUEZ A, et al. Successive

landsliding and damming of the Jinsha River in eastern Tibet, China:

prime investigation, early warning, and emergency response [ J J .

Landslides, 2019,16:1003-1020.

[12 ]

杜志强，王叁，张叶廷.接人实时降雨数据的暴雨型洪涝灾害

临灾预警方法

[J].

地理信息世界

,2017,25(1):97-102.

[13 ]

刘雄

.

大数据技术在城市洪涝灾害分析预警中的应用研究

[D ].

武汉：华中科技大学，

2015.

197

[14 ] LI J, YUAN D X, LIU J, et al. Predicting floods in a large karst river

basin by coupling PERSIANN-CCS QPEs with a physically based

distributed hydrological model [ J ] . Hydrology and Earth System

Sciences, 2019,23(3): 1505-1532.

[15 ] HE X, CHA E J. Modeling the damage and recovery of

interdependent critical infrastructure systems from natural hazards

[J ] .Reliability Engineering

&

System Safety, 2018,177:162-175.

[16 ] CHENG Q M. A new mathematical framework and spatial decision

support system for modeling cascade interdependency of critical

infrastructure during geo-disasters [ J ] Journal of Earth Science,

2017,28(1):131-146.

[17 ]

哈斯，张继权，郭恩亮，等.基于贝叶斯网络的草原干旱雪灾

灾害链推理模型研究

[J].

自然灾害学报，

2016,25(4):20-29.

[18 ]

罗军华，林孝松，牟凤云，等

.

山区公路暴雨-洪水灾害链贝

叶斯网络建模推理

[J].

中国安全科学学报，

2018,28(12):5-10.

[19 ]

吴贤国，丁保军，张立茂，等.基于贝叶斯网络的地铁施工风

险管理研究

[J].

中国安全科学学报

,2014,24(1):84-89.

作者简介：帅敏（

1995—

），女，江西抚州人，硕士研究生，主要

研究方向为灾害链预测；郭海湘（

1978—

），通信作者，男，湖南

湘潭人，教授，博士研究生导师，博士，主要研究方向为数据挖掘、

复杂系统模拟与决策、物流管理工程；刘晓（

1988—

），女，河北

邢台人，博士研究生，主要研究方向为文本挖掘；王德运（

1981

—），

男，山东郓城人，副教授，硕士研究生导师，博士，主要研究方向

为供应链协同调度、能源

-

环境系统建模和组合优化及智能算法；

陈卫明（

1981—)

，男，湖北汉川人，讲师，硕士研究生导师，博士，

主要研究方向为应急管理决策与仿真。