1.二维滑坡动力学参数概率反分析与滑程超越概率评估方法,其特征在于,所述方法包括:分别构建潜在滑坡的克里金代理模型和过去滑坡的克里金代理模型,其中,所述过去滑坡与所述潜在滑坡的物质性质和滑坡类型相似;
定义随机变量,确定所述随机变量的先验分布,并基于马尔可夫链蒙特卡罗的贝叶斯定理,利用所述过去滑坡的克里金代理模型对所述随机变量的先验分布进行更新,得到所述随机变量的后验分布;
利用所述潜在滑坡的克里金代理模型对所述后验分布中的T个样本点分别进行计算,得到每个样本点的运动距离,其中,所述T是蒙特卡罗模拟的样本数;
针对所述T个样本点,建立相应样本点的功能函数,以计算每个样本点的运动距离超过预先设定的运动距离阈值的超越概率,针对多个不同的所述运动距离阈值重复计算所述超越概率,生成运动距离超越概率曲线;
针对所述运动距离超越概率曲线,根据预设的概率分类标准评估所述潜在滑坡的不同区域的危险等级。
2.根据权利要求1所述的方法,其特征在于,分别构建潜在滑坡的克里金代理模型和过去滑坡的克里金代理模型,包括:分别构建所述潜在滑坡的动态数值模型和所述过去滑坡的动态数值模型;
在预先设定的上限和下限范围内,通过均匀设计UD方法对所述随机变量进行采样,得到输入数据集,所述输入数据集包括多个采样点;
利用所述潜在滑坡的动态数值模型对每个所述采样点对应的运动距离进行计算,得到第一输出数据集,所述第一输出数据集包括多个所述采样点的运动距离;
利用所述过去滑坡的动态数值模型对每个所述采样点对应的运动距离进行计算,得到第二输出数据集,所述第二输出数据集包括多个所述采样点的运动距离;
基于所述输入数据集和所述第一输出数据集,对克里金Kriging模型进行训练,得到所述潜在滑坡的克里金代理模型;
基于所述输入数据集和所述第二输出数据集,对克里金Kriging模型进行训练,得到所述过去滑坡的克里金代理模型。
3.根据权利要求2所述的方法,其特征在于,分别构建所述潜在滑坡的动态数值模型和所述过去滑坡的动态数值模型,包括:分别获得所述潜在滑坡与所述过去滑坡滑动前的数字高程模型和滑动后的数字高程模型;
基于所述过去滑坡滑动前的数字高程模型和滑动后的数字高程模型,建立所述过去滑坡的动态数值模型;
基于所述潜在滑坡滑动前的数字高程模型和滑动后的数字高程模型,建立所述潜在滑坡的动态数值模型。
4.根据权利要求2所述的方法,其特征在于,所述方法还包括:在所述输入数据集中随机选择多个附加采样点;
针对每个所述附加采样点,使用动态数值模型和克里金代理模型分别计算所述附加采样点的运动距离;其中,当所述动态数值模型为所述过去滑坡的动态数值模型时,所述克里金代理模型为所述过去滑坡的克里金代理模型;当所述动态数值模型为所述潜在滑坡的动态数值模型时,所述克里金代理模型为所述潜在滑坡的克里金代理模型;
将所述动态数值模型计算获得的运动距离与所述克里金代理模型计算获得的运动距离进行比较,以对所述克里金代理模型的替代性进行评价。
5.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:确定模型偏差系数ε;
滑坡运移距离模型表示为:
y=ε·D(θ) (1);
其中,y表示所述过去滑坡的实际运动距离,θ表示所述随机变量的样本点,D(θ)表示由校准前的所述过去滑坡的克里金代理模型计算获得的运动距离;D(θ)通过以下公式计算:D(θ)=F(θ)+z(θ) (2);
其中,F(θ)是通过回归分析获得的趋势函数,z(θ)是一个均值为零的平稳高斯过程;
假设ε服从正态分布,平均值为1,标准偏差为σε,对所述过去滑坡的克里金代理模型进行校准,得到y与D(θ)之间的表达式:L(θ|y=Dobs)=N[Dobs/D(θ)] (3);
其中,Dobs表示由校准后的所述过去滑坡的克里金代理模型计算获得的运动距离,N为标准的概率密度函数PDF,以平均值1和标准偏差σε来表征;
利用所述过去滑坡的克里金代理模型对所述随机变量的先验分布进行更新,得到所述随机变量的后验分布,包括:根据所述随机变量的先验分布fprior(θ),确定一个起始值θ(t),设置t=1;
令t=t+1,从建议分布J(θ*|θ(t-1))生成提案θ*;其中,所述建议分布为多元正态分布,均值为θ(t-1),协方差矩阵为ξ·Cθ,其中ξ是比例因子,Cθ是θ的先验分布的协方差矩阵;
使用下述公式计算密度比r:
其中,q(θ|y)是得到的非标准化后验概率密度,表达式如下:q(θ|y)=N[Dobs/D(θ)]·fprior(θ) (5);
从均匀分布(0,1)生成随机数U,判断U是否≤min(1,r);
如果U≤min(1,r),则接受建议并设置θ(t)=θ*;否则,拒绝建议并设置θ(t)=θ(t-1);
迭代上述过程,直到t=T,根据贝叶斯定理,得到所述随机变量的后验分布fpost(θ|y=Dobs):fpost(θ|y=Dobs)=m·N[Dobs/D(θ)]·fprior(θ) (6);
其中,m是使所述PDF有效的归一化常数。
6.根据权利要求1所述的方法,其特征在于,针对所述T个样本点,建立相应样本点的功能函数,以计算每个样本点的运动距离超过预先设定的运动距离阈值的超越概率,针对多个不同的所述运动距离阈值重复计算所述超越概率,生成运动距离超越概率曲线,包括:针对所述T个样本点,将每个样本点带入以下功能函数G(θ):G(θ)=Dtv-D(θ)' (7);
其中,θ表示所述随机变量的样本点,D(θ)'是所述潜在滑坡的克里金代理模型对应所述θ计算得到的运动距离,Dtv是预先设定的滑坡运动距离阈值;
在G(θ)≤0时,计算每个样本点的D(θ)'超过Dtv的超越概率Pe:Pe=P[G(θ)≤0]=∫G(θ)≤0fpost(θ|Fobs)dθ (8);
其中,fpost(θ|Fobs)与fpost(θ|y=Dobs)等同;
用多个不同的所述Dtv带入公式(7)、(8)中进行计算,获得每个样本点的多个所述Pe;
基于所述T个样本点的多个所述Pe,生成运动距离超越概率曲线。
7.根据权利要求1或6所述的方法,其特征在于,所述概率分类标准包括:超越概率≥50.0%,危险等级为极高;
10.0%≤超越概率<50.0%,危险等级为高;
1.0%≤超越概率<10.0%,危险等级为中;
0.1%≤超越概率<1.0%,危险等级为低;
超越概率<0.1%,危险等级为极低。