本技術涉及滑坡風險評估，尤其涉及一種高烈度區交通路網地震滑坡風險評估方法及系統。
背景技術：
1、高烈度區地震基本烈度vii度及以上通常地形地質條件復雜，斷裂構造發育，巖體破碎。當強震發生時，極易誘發大規模滑坡、崩塌等次生地質災害。交通路網作為線性工程，往往穿越不同的地貌單元和地質帶，其路線長、分布廣，在震后面臨著滑坡掩埋路基、沖擊橋墩、摧毀隧道洞口等嚴重威脅，直接導致交通中斷、救援受阻。
2、目前，針對地震滑坡的風險評估主要分為兩類方法，一類是基于統計或機器學習的區域易發性評價，這類方法能夠快速實現大范圍災害空間預測，但往往忽略滑坡的物理運動過程如運動路徑、速度、堆積范圍和沖擊能量，難以直接評估其對具體工程結構的致災強度。另一類是基于物理力學模型的單體滑坡模擬，這類方法精度高、過程還原真實，但由于計算成本高昂，難以在區域尺度上對大量潛在滑坡進行批量模擬。此外，現有的評估體系大多止步于滑坡災害本身的預測，鮮有將滑坡的動力過程參數如沖擊動能與交通工程結構如路基、橋梁、隧道的易損性進行定量耦合。評估結果往往停留在滑坡易發性分區層面，無法直接輸出以路段或橋隧為單元的風險等級，導致評估成果與交通運維管理方的實際需求之間存在脫節，缺乏針對性的決策指導價值。
3、因此，如何構建一個集災害識別、空間預測、物理模擬、結構響應于一體的全鏈條評估體系，實現從滑坡易發性到路網風險性的精準量化，是本領域技術人員亟待解決的技術問題。
技術實現思路
1、本技術提供一種高烈度區交通路網地震滑坡風險評估方法及系統，旨在解決現有技術中存在的多個問題。首先，現有地震滑坡因子篩選方法缺乏針對性，傳統方法未針對高烈度區強震觸發特性和交通路網線性工程特點進行因子優選，導致易發性評價模型在該特定場景下的適用性和精度不足。其次，樣本庫構建存在偏差，常規的非災害樣本選取方式過于隨機，容易混入潛在的滑坡區域，導致模型訓練質量下降。再次，評估維度單一，缺乏物理過程支撐，傳統機器學習易發性評價只能回答滑坡可能發生在哪里，無法回答滑坡發生后會沖到哪里、沖擊力有多大，難以支撐工程結構的定量風險評估。最后，災害評估與工程評估脫節，滑坡危險性參數如沖擊動能未能有效轉化為交通工程結構如路基、橋隧的破壞概率或功能損失，導致評估結果難以直接服務于交通基礎設施的防災減災決策。為解決上述問題，本發明提供一種高烈度區交通路網地震滑坡風險評估方法及系統，旨在構建一個覆蓋致災因子篩選、災害空間預測、物理過程模擬、承災體易損性評估、路網風險區劃全鏈條的閉環技術體系，實現從災害識別到工程風險的精準量化。
2、第一方面，本技術提供一種高烈度區交通路網地震滑坡風險評估方法，所述方法包括：
3、獲取歷史地震誘發的高烈度區交通路網滑坡清單，初步選取多個影響因子構建災害樣本庫；采用信息量模型計算各影響因子的信息量，并結合信息量值、災害面積占比及災害點數量，對初步選取的多個影響因子進行多指標相關性分析，篩選出適用于高烈度區交通路網地震滑坡易發性評價的關鍵因子；
4、基于所述關鍵因子，將滑坡災害面轉為柵格單元，以柵格中心點作為正樣本；在歷史滑坡邊界外設定動態緩沖區，并在緩沖區以外的信息量值極低區域內隨機選取等量的負樣本，構建優化后的樣本庫；其中，所述信息量值極低區域為信息量值低于設定閾值的區域；
5、基于所述優化后的樣本庫，構建考慮網格單元鄰域特征的空間權重機器學習模型，將樣本庫按照設定比例劃分為訓練集和測試集進行模型訓練與精度驗證，開展地震滑坡災害易發性評價，生成滑坡易發性分區圖；其中，所述滑坡易發性分區圖中包含高易發區或極高易發區識別結果；
6、根據高易發區或極高易發區識別結果，自動提取潛在滑坡源區的地形與巖性參數，采用并行顆粒離散單元方法構建高保真仿真模型，模擬滑坡失穩啟動、運動堆積全過程，獲取危險性參數，所述危險性參數包括滑坡運動路徑、速度時程、沖擊動能及堆積范圍；
7、將所述危險性參數作為荷載輸入至預定義的路基、橋梁獲隧道洞口交通工程結構的易損性曲線或模型中，定量計算交通工程結構定量易損性結果，所述交通工程結構定量易損性結果包括各結構在不同強度滑坡作用下的破壞概率或功能損失程度；
8、融合地震滑坡空間易發性概率與交通工程結構定量易損性結果，采用風險矩陣或風險計算公式，生成以交通路網單元為評估對象的風險區劃圖，圖中關聯顯示致災體特征和承災體信息。
9、作為優選的技術方案，所述初步選取的多個影響因子包括高程、坡度、坡向、剖面曲率、地層巖性、距道路距離、距斷層距離、距震中距離與距水系距離，通過多指標相關性分析從中篩選出適用于高烈度區交通路網場景的關鍵因子組合。
10、作為優選的技術方案，所述動態緩沖區距離為80~120米，且負樣本的選取區域限定在動態緩沖區以外且信息量值低于預設閾值的區域內。
11、作為優選的技術方案，所述空間權重機器學習模型包括隨機森林、極限梯度提升或支持向量機中的至少一種，所述空間權重機器學習模型的構建過程包括：基于因子重要性和樣本點之間的歐幾里得距離構建鄰域權重矩陣，將空間權重引入機器學習框架進行訓練和優化，計算區域內各點發生滑坡災害的概率。
12、作為優選的技術方案，生成滑坡易發性分區圖的方式包括：將計算得到的災害發生概率映射到原始地理空間域，采用自然斷點法劃分為極低易發區、低易發區、中易發區、高易發區與極高易發區五類，其中高易發區與極高易發區的識別結果作為潛在滑坡源區提取的依據。
13、作為優選的技術方案，所述滑坡運動物理全過程模擬基于超算平臺實現并行計算。
14、作為優選的技術方案，所述交通工程結構的易損性曲線或模型基于工程結構自身的抗震抗沖抗埋屬性預先建立。
15、作為優選的技術方案，所述風險區劃圖以路段、橋梁或隧道為基本評估單元，圖中每個評估單元的風險等級由易發性概率與結構易損性結果通過風險矩陣耦合計算得到，并關聯顯示具體的致災體特征和承災體信息。
16、第二方面，本技術提供一種高烈度區交通路網地震滑坡風險評估系統，所述系統包括：
17、因子篩選模塊，被配置為獲取歷史地震誘發的高烈度區交通路網滑坡清單，初步選取多個影響因子構建災害樣本庫；采用信息量模型計算各影響因子的信息量，并結合信息量值、災害面積占比及災害點數量，對初步選取的多個影響因子進行多指標相關性分析，篩選出適用于高烈度區交通路網地震滑坡易發性評價的關鍵因子；
18、樣本庫構建模塊，被配置為基于所述關鍵因子，將滑坡災害面轉為柵格單元，以柵格中心點作為正樣本；在歷史滑坡邊界外設定動態緩沖區，并在緩沖區以外的信息量值極低區域內隨機選取等量的負樣本，構建優化后的樣本庫；其中，所述信息量值極低區域為信息量值低于設定閾值的區域；
19、易發性評價模塊，被配置為基于所述優化后的樣本庫，構建考慮網格單元鄰域特征的空間權重機器學習模型，將樣本庫按照設定比例劃分為訓練集和測試集進行模型訓練與精度驗證，開展地震滑坡災害易發性評價，生成滑坡易發性分區圖；其中，所述滑坡易發性分區圖中包含高易發區或極高易發區識別結果；
20、物理模擬模塊，被配置為根據高易發區或極高易發區識別結果，自動提取潛在滑坡源區的地形與巖性參數，采用并行顆粒離散單元方法構建高保真仿真模型，模擬滑坡失穩啟動、運動堆積全過程，獲取危險性參數，所述危險性參數包括滑坡運動路徑、速度時程、沖擊動能及堆積范圍；
21、易損性評估模塊，被配置為將所述危險性參數作為荷載輸入至預定義的路基、橋梁獲隧道洞口交通工程結構的易損性曲線或模型中，定量計算交通工程結構定量易損性結果，所述交通工程結構定量易損性結果包括各結構在不同強度滑坡作用下的破壞概率或功能損失程度；
22、風險區劃模塊，被配置為融合地震滑坡空間易發性概率與交通工程結構定量易損性結果，采用風險矩陣或風險計算公式，生成以交通路網單元為評估對象的風險區劃圖，圖中關聯顯示致災體特征和承災體信息。
23、本技術提供的高烈度區交通路網地震滑坡風險評估方法及系統，其至少具有如下有益效果：
24、1）本技術通過致災因子篩選、災害空間預測、物理過程模擬、承災體易損性評估、路網風險區劃的緊密耦合，打通了從基礎數據到關鍵因子、易發性分區、物理模擬參數、結構易損性、路網風險區劃的數據流和信息流。這種致災因子識別、災害時空預測、物理過程模擬、承災體響應評估的全鏈條設計，克服了現有技術中易發性評價與工程風險評價相割裂的弊端，形成了邏輯嚴密的技術閉環。
25、2）本技術通過采用考慮空間鄰域特征的機器學習模型，提高了區域滑坡易發性評價的空間分布精度。在此基礎上，僅針對高易發區采用基于超算的并行顆粒離散元方法進行高保真物理模擬，既規避了在全區域進行物理模擬帶來的巨大計算負擔，又通過物理模型還原了滑坡的運動路徑、速度、沖擊動能等關鍵動力學參數。這種粗篩加精算的模式，在保證大范圍評估效率的同時，大幅提升了對滑坡致災強度評估的物理真實性和數值精度。
26、3）本技術通過將物理模擬得到的滑坡沖擊動能等參數定量輸入至交通工程結構的易損性模型中，實現了災害荷載與結構響應的深度耦合。最終生成以路段、橋隧為基本單元的風險區劃圖，該圖件不再僅僅是地質意義上的災害分區，而是直接關聯了致災體如高沖擊能量滑坡和承災體如某段路基、某座橋墩的風險等級結果。這使得交通基礎設施的運維管理方能夠直觀識別高風險路段，從而指導風險管控資源的優化配置、應急預案的制定以及工程的抗震韌性設計，具有明確的應用價值和推廣前景。
27、4）本技術通過采用動態緩沖區優化負樣本采樣策略，有效剔除了位于滑坡邊界附近的模糊區域，從信息量極低區域選取負樣本，顯著提升了樣本庫的純凈度和區分度，為機器學習模型的高精度訓練提供了可靠的數據基礎。同時，結合信息量模型與多指標相關性分析的因子篩選方法，確保了輸入模型的因子集在特定場景下的代表性和獨立性，從源頭上保障了評估結果的可靠性。