周 雨，肖 雯，李三角，謝克勇

（江西省氣象服務(wù)中心，江西 南昌 330096）

0 引言

江西省三面環(huán)山，中部丘陵起伏，亞熱帶季風氣候和復(fù)雜的山區(qū)地形導(dǎo)致境內(nèi)交通生態(tài)環(huán)境極其脆弱，公路地質(zhì)災(zāi)害頻繁發(fā)生。據(jù)統(tǒng)計，僅2020年全省公路滑坡、泥石流、塌方等地質(zhì)災(zāi)害發(fā)生數(shù)量300 余起，其中有90%以上由強降水引起，對沿線交通設(shè)施、人民群眾的生命安全構(gòu)成嚴重威脅[1]。因此，加強山區(qū)公路地質(zhì)災(zāi)害預(yù)報和防治工作具有重要意義。

地質(zhì)災(zāi)害氣象預(yù)報是一種基于氣象條件與地質(zhì)災(zāi)害時空關(guān)系特征，研究地質(zhì)災(zāi)害發(fā)生可能性的方法，其核心是地質(zhì)災(zāi)害氣象預(yù)報模型研究。傳統(tǒng)的關(guān)于地質(zhì)災(zāi)害預(yù)報模型研究歸納起來可分為統(tǒng)計模型和動力模型兩大類[2]。最初，在獲取足夠多且具有統(tǒng)計意義的地質(zhì)災(zāi)害隱患點的基礎(chǔ)上，劉傳正等[3]、白利平等[4]、湯人杰等[5]、呂小波等[6]利用計模型計算誘發(fā)地質(zhì)災(zāi)害的臨界雨量閾值。此后，劉傳正等[7]、狄靖月等[8]、張海磊等[9]將氣象風險的理念應(yīng)用到地質(zhì)災(zāi)害預(yù)報領(lǐng)域，將地質(zhì)環(huán)境條件做為承災(zāi)體的脆弱性納入預(yù)報模型中，取得了較好的效果。統(tǒng)計模型主要依靠臨界雨量的分析，其優(yōu)點是數(shù)據(jù)讀取快速、用戶使用便捷，但是并未考慮降水入滲與產(chǎn)匯流等水文過程的影響。動力模型正好彌補了上述不足，劉艷輝等[10]通過分析降雨-滲流-災(zāi)害發(fā)生的機理過程，耦合水文地質(zhì)模型與斜坡穩(wěn)定性力學模型；ZHANG 等[11]、包紅軍等[12]、PAN 等[13]綜合分析了地表降水和入滲徑流造成土體邊坡失穩(wěn)條件引發(fā)地質(zhì)災(zāi)害的機理過程。由于模型及參數(shù)的不確定因素，動力模型應(yīng)用尚處于實驗室或小范圍研究階段。

近年來，隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，基于人工智能的機器學習和深度學習算法在地質(zhì)災(zāi)害預(yù)報領(lǐng)域得到了廣泛應(yīng)用，KAIN 等[14]、劉艷輝等[10]、包紅軍等[15]、黃發(fā)明等[16]、孫德亮[17]、黃露[18]、劉福臻等[19]、董力豪等[20]的文章應(yīng)用了邏輯回歸、隨機森林、支持向量機、神經(jīng)網(wǎng)絡(luò)等。本文以江西省高速公路為例，利用國家氣象站觀測雨量數(shù)據(jù)、江西省高速公路沿線交通氣象站觀測數(shù)據(jù)和地質(zhì)災(zāi)害災(zāi)情數(shù)據(jù)，分析高速公路沿線地質(zhì)環(huán)境條件和雨量特征。進一步基于支持向量機SVM、邏輯回歸、K 近鄰和隨機森林4 種機器學習方法，開展公路地質(zhì)災(zāi)害預(yù)報氣象風險預(yù)報研究，以期為山區(qū)高速公路地質(zhì)災(zāi)害預(yù)報提供科學參考。

1 研究區(qū)概況

江西地處亞熱帶季風氣候區(qū)，雨量充沛，短時大暴雨或連續(xù)性降雨使得公路地質(zhì)災(zāi)害時有發(fā)生。由江西省交通廳應(yīng)急指揮中心發(fā)布的道路管制數(shù)據(jù)分析可知，僅2020年全省發(fā)生公路滑坡、泥石流、塌方等地質(zhì)災(zāi)害300 余起，其中90%以上由強降水引起，導(dǎo)致道路遭到不同程度損毀，交通運行安全受到極大的影響。本研究選取江西省內(nèi)主要高速公路為研究對象，所屬區(qū)域東、西、南三面環(huán)山，中間丘陵起伏，北部為鄱陽湖及平原。如圖1 所示，江西高速公路沿線高差大多在50 m以上，地勢變化顯著，坡度平陡不一，河網(wǎng)密集，植被覆蓋差異顯著，復(fù)雜的地形地貌和降水差異使得江西高速公路各路段呈現(xiàn)明顯的小氣候特征。江西省主要高速公路概況如表1 所示。

表1 江西省主干高速公路概況Table 1 Overview of main highways in Jiangxi Province

圖1 江西省高速公路沿線情況Fig.1 Distribution of along highways in Jiangxi Province

2 材料與方法

2.1 數(shù)據(jù)來源和質(zhì)量控制

研究所用的公路地質(zhì)災(zāi)害數(shù)據(jù)由江西省交通運輸廳應(yīng)急指揮中心提供，時段為2015—2020年，包括災(zāi)害時間、類別、接報時間、阻斷位置、通行情況等，并對災(zāi)害記錄進行逐條梳理，保留與降雨相關(guān)的災(zāi)害記錄。同期氣象觀測站點雨量數(shù)據(jù)源于江西省氣象信息中心，為彌補道路沿線雨量數(shù)據(jù)不足帶來的分析困難，基于ArcGIS 空間插值功能得到道路沿線地質(zhì)災(zāi)害點雨量?？紤]到氣象觀測站點與高速公路有一定距離，可能造成空間插值出現(xiàn)偏差，因此在插值時選取空間匹配站點最大距離不超過3 km，最近為500 m，插值結(jié)果驗證時，檢測剔除訂正異常值，保證時空要素的一致性，同時泰和-井岡山高速公路沿線雨量還對比了沿線交通氣象觀測站點雨量，效果理想?；A(chǔ)地理信息DEM 高程數(shù)據(jù)來源于國際科學數(shù)據(jù)鏡像網(wǎng)站SRTM 地形數(shù)據(jù)（http://www.gscloud.cn），空間分辨率為90 m×90 m。植被指數(shù)數(shù)據(jù)來源于中國科學院地理科學與資源研究所（https://www.resdc.cn/Default.aspx），空間分辨率為1 km。

2.2 機器學習方法介紹

地質(zhì)災(zāi)害預(yù)報預(yù)警最終要預(yù)報的只是“發(fā)生地質(zhì)災(zāi)害”或“不發(fā)生地質(zhì)災(zāi)害”，這實質(zhì)上是一種分類或回歸預(yù)測問題，常用的解決該類問題的機器學習方法有SVM、K 近鄰、邏輯回歸、隨機森林等。

SVM 方法是一種基于結(jié)構(gòu)風險最小化理論求解凸二次規(guī)劃的最優(yōu)化算法，可高效處理小樣本、非線性的分類和回歸問題[21]，因而在圖像分析[22]、要素預(yù)測和數(shù)據(jù)挖掘[23]等領(lǐng)域取得了較好的實踐效果。本次訓練中，考慮到地質(zhì)災(zāi)害樣本的非線性特征，以降雨影響因子為輸入向量，將輸入向量映射投影到更高維的空間中，并在這個高維空間中尋找輸入變量和輸出變量的線性關(guān)系進而做出預(yù)報。映射函數(shù)的選擇是模型結(jié)果好壞的關(guān)鍵，多次對比試驗后選取高斯函數(shù)為映射函數(shù)，見式（1）。SVM 方法雖然分類思想簡便，但是對機理過程解釋不佳。

式中：σ——核光滑參數(shù)，其值大小取決于樣本容量，通常采用交叉驗證方法確定。

邏輯回歸和 K 近鄰算法既可作為一種分類方法，也可以實現(xiàn)一個因變量與一組自變量之間的回歸分析，相較于SVM 方法更為靈活。使用邏輯回歸模型進行地質(zhì)災(zāi)害概率預(yù)測時，需選取相對獨立的因子。K 近鄰方法將降雨誘發(fā)因子做為樣本特征參數(shù)，地質(zhì)災(zāi)害發(fā)生與否做為目標向量，通過距離公式尋找距離目標最近的k個點（即k個“近鄰”），而后通過這k個“近鄰”所提供的信息，對新樣本進行預(yù)測，將出現(xiàn)最多次的預(yù)測類別或者目標標簽平均值作為預(yù)測結(jié)果的一種經(jīng)典的機器學習方法。K 近鄰方法穩(wěn)定度和準確度高、對異常值不敏感，但與SVM 方法一樣對于機理釋用比較困難。隨機森林是一種有監(jiān)督的機器學習方法，該方法通過bootstrap 重抽樣技術(shù)，從原始訓練集中有放回地抽取多個樣本生成新的樣本集，由此構(gòu)建多個相對獨立的決策樹，最終綜合得到最優(yōu)分類結(jié)果。相較于前述3 種方法，隨機森林在樣本選取方面更具隨機性，且無須進行預(yù)處理，泛化能力更優(yōu)，能有效避免過擬合。

本研究基于python 語言，構(gòu)建基于SVM、邏輯回歸、K 近鄰和隨機森林4 種機器學習模型，比較不同模型的預(yù)報效果，目的是研發(fā)精細化的山區(qū)高速公路氣象風險預(yù)報產(chǎn)品，更好地開展交通氣象保障服務(wù)，為公眾正常出行和社會經(jīng)濟和諧發(fā)展保駕護航。

2.3 模型構(gòu)建

訓練樣本集的構(gòu)建是基于人工智能學習研發(fā)地質(zhì)災(zāi)害預(yù)報模型的根本[15]，一定程度上直接決定了模型預(yù)報的準確度和泛化能力。研究表明，地質(zhì)災(zāi)害的發(fā)生發(fā)展是地質(zhì)環(huán)境和降雨條件共同作用的結(jié)果，因此本研究模型訓練樣本綜合考慮了兩方面的屬性，其中地質(zhì)環(huán)境條件做為易發(fā)性因子，包括地形、坡度、高程、河網(wǎng)密度、植被覆蓋5 個地質(zhì)環(huán)境特征項；降雨條件做為危險性因子，根據(jù)劉艷輝等[15]研究方法，綜合考慮小時雨量、前0—2 h 雨量、前0—11h 雨量、前0—2d 有效雨量、前10 d 有效雨量以及前15 d 有效雨量等6 個雨量特征項。利用2015—2020年江西境內(nèi)高速公路地質(zhì)災(zāi)害點地質(zhì)環(huán)境與同期雨量氣象數(shù)據(jù)構(gòu)進行空間疊加分析構(gòu)建正樣本集，選取同等數(shù)目的上述同期未發(fā)生地質(zhì)災(zāi)害點構(gòu)建負樣本集。本次試驗共收集716 樣本，按照7∶3 比例劃分樣本訓練集和測試集，樣本構(gòu)建及訓練流程如圖2 所示。

圖2 基于機器學習方法的公路地質(zhì)災(zāi)害預(yù)報技術(shù)路線圖Fig.2 Road geological disaster prediction technology roadmap based on machine learning methods

3 結(jié)果與討論

3.1 地質(zhì)環(huán)境特征

采用研究區(qū)的DEM 數(shù)據(jù)，經(jīng)過ArcGIS 柵格表面分析、掩膜提取、自然斷點分級法等處理后，得到高速公路沿線地質(zhì)環(huán)境因子。分析可知，江西省主要高速公路沿線地形極為復(fù)雜，高速沿線海拔高度范圍為0～600 m，公路東北段和南段海拔高度普遍在200 m 以上，局部路段超過450 m；公路沿線坡度范圍為0°～35°，東北段20°～35°。坡向分布上，公路沿線坡向為0°～360°，不同地域間差異不顯著。公路附近的河網(wǎng)密度值為0.1～1.3km/km2之間，除鄱陽湖外，中部和東北部路段沿線河網(wǎng)密集。植被覆蓋上，歸一化植被指數(shù)指數(shù)值為0.2～0.7，環(huán)鄱陽湖路段植被覆蓋相對較低。進一步將地質(zhì)環(huán)境因子關(guān)聯(lián)到災(zāi)害點，分析災(zāi)害點附近地質(zhì)特征可知：江西高速沿線地質(zhì)災(zāi)害隱患點海拔高度為300～450 m，占總數(shù)73%；災(zāi)害所處的坡度范圍為10°～50°，數(shù)量隨地形坡度增加呈現(xiàn)單峰型分布；這是因為坡度增大，斜坡坡面附近應(yīng)力增加，坡腳應(yīng)力集中，導(dǎo)致斜坡不穩(wěn)定繼而誘發(fā)地質(zhì)災(zāi)害。坡向分布上，地質(zhì)災(zāi)害點各個坡向在0°～360°均有發(fā)生。地質(zhì)災(zāi)害附近河網(wǎng)密度值為0.5～1.0，占災(zāi)害總數(shù)的70%，河網(wǎng)越密集，越容易誘發(fā)地質(zhì)災(zāi)害。高速沿線地質(zhì)災(zāi)害發(fā)生點植被指數(shù)歸一化植被指數(shù)值為0.3～0.6，表明有一定的植被覆蓋地區(qū)反而更容易發(fā)生地質(zhì)災(zāi)害。

3.2 降雨特征

統(tǒng)計結(jié)果表明，2015—2020年江西省公路地質(zhì)災(zāi)害次數(shù)呈逐年上升趨勢，其中崩塌、山體滑坡、泥石流、地面塌陷災(zāi)害占地質(zhì)災(zāi)害總數(shù)的88%。受強降雨影響，地表水迅速匯集沖刷坡腳或滲入坡體軟化巖土，重力作用使得位于公路邊坡上的巖土體突然脫離母體，從而堆積在公路路基上造成災(zāi)害。研究發(fā)現(xiàn)，對地質(zhì)災(zāi)害有影響的降雨一般發(fā)生在地質(zhì)災(zāi)害前15 d 內(nèi)[24-25]，且不同的降雨類型誘發(fā)的地質(zhì)災(zāi)害預(yù)報準確度不同[26-27]，因此本文在分析地質(zhì)災(zāi)害與降雨關(guān)系時，綜合考慮了災(zāi)害發(fā)生前14 d 的總有效雨量和降雨持續(xù)時間2 個因子，進一步建立合理的判別依據(jù)，明確誘發(fā)地質(zhì)災(zāi)害的降雨特征。

目前計算有效雨量普遍采用的是API 方法，計算有效雨量，計算公式如下：

式中：RE——有效雨量，表示從災(zāi)害發(fā)生時次的當天算起（災(zāi)害發(fā)生當日=0，災(zāi)害發(fā)生前1 d，i=1，前2 d，i=2）的雨量；

Ki——第i個遞減系數(shù)；

Ri——災(zāi)害發(fā)生當日算起，前第i天降水量/mm。

在對降雨誘發(fā)的358 例地質(zhì)災(zāi)害進行分析時，定義P為降雨量誘發(fā)公路地質(zhì)災(zāi)害的貢獻率，根據(jù)降雨持續(xù)時間長短，引入判別系數(shù)D和P對致災(zāi)降雨特征進行分類，公式如下：

由表2 計算得到D≈0.51 。根據(jù)式（3）（4），當P0-2d=R0-2d/R0-14d≤D時，認為該次公路地質(zhì)災(zāi)害是由于長歷時降雨造成的；當P0-2d=R0-2d/R0-14d>D時，認為該次公路地質(zhì)災(zāi)害是由于短期降雨造成的；當R0-11h/R0-2d>0.8時，則認為該次公路地質(zhì)災(zāi)害是由于短時強降雨造成的。通過計算得到，誘發(fā)地質(zhì)災(zāi)害的降雨包括長歷時降雨、短期降雨和短時降雨3 種類型：其中長歷時降雨一般認為地質(zhì)災(zāi)害發(fā)生當日前有連續(xù)性降雨，累計雨量在50 mm 以上；短期降雨為地質(zhì)災(zāi)害發(fā)生當日及前2 d有降雨，累計雨量在50 mm 以上；短時降雨為地質(zhì)災(zāi)害發(fā)生當時及前11 時以內(nèi)降雨，累計雨量在30 mm 以上。當?shù)刭|(zhì)災(zāi)害發(fā)生前有降雨，但是累計雨量達不到30 mm 以上的，暫不考慮是降雨誘發(fā)引起的地質(zhì)災(zāi)害；當發(fā)生地質(zhì)災(zāi)害時滿足短時、短期或長歷時中兩種或兩種以上時，優(yōu)先考慮是由長歷時降雨引起，其次是短期或短時降雨。圖3 給出了各類降雨引發(fā)的地質(zhì)災(zāi)害分布，分析可知358 條公路地質(zhì)災(zāi)害記錄中，193 次公路地質(zhì)災(zāi)害是由于長歷時降雨造成的，主要分布在大廣高速、昌九高速、滬昆高速萍鄉(xiāng)至新余段；143 次公路地質(zhì)災(zāi)害是由于短期降雨造成的，主要分布在G45 大廣高速武寧-上高段和吉安-南康段、寧定高速、G76 廈蓉高速；僅6%是由短時降雨造成的，主要分布在G56杭瑞高速、G60 滬昆高速萍鄉(xiāng)-新余段?？傮w而言，江西主要高速公路地質(zhì)災(zāi)害大多是由長歷時降雨和短期降雨造成的，由短時臨近降雨造成的公路地質(zhì)災(zāi)害情況占比較少。

表2 有效雨量衰減系數(shù)表Table 2 Table of effective rainfall attenuation coefficients

圖3 地質(zhì)災(zāi)害不同降雨型分布Fig.3 Distribution of geological disasters for different rainfall types

3.3 結(jié)果分析

基于測試樣本，對4 種常用機器學習分類模型進行對比評估，分析結(jié)果顯示4 種預(yù)報模型的準確率均超過0.75，對比各模型的準確率和模型泛化能力指標可知：對于不同的降雨類型造成的地質(zhì)災(zāi)害而言，4 種模型對連續(xù)性降雨造成的地質(zhì)災(zāi)害預(yù)報準確率最好，其次為短期降雨造成的地質(zhì)災(zāi)害，短時降雨誘發(fā)的地質(zhì)災(zāi)害預(yù)報效果最不理想。這是因為短時降雨具有突發(fā)性，因而造成的地質(zhì)災(zāi)害也具有瞬時性和不可預(yù)見性。對比同一降雨類型可知：對于短時降水，邏輯回歸和隨機森林方法預(yù)報效果相對較好，準確率都在0.82 以上，SVM方法和K 近鄰方法預(yù)報效果不太理想，準確率分別為0.732 和0.785，AUC分別為0.756 和0.825，二者均存在漏報較多的情況。對于短期降水，K 近鄰和隨機森林方法預(yù)報效果較好，準確率分別為0.863 和0.924，AUC分別為0.756 和0.925。對于長歷時降水，邏輯回歸和隨機森林預(yù)報較為理想，準確度都在0.95 以上，AUC值為0.94 以上。綜合而言，4 種模型中邏輯回歸模型預(yù)測準確率最高，為0.949，模型泛化能力為0.944；其次為隨機森林模型，準確率為0.918，模型泛化能力為0.917；K 臨近和SVM 模型相比較而言，效果不太理想。各模型的泛化曲線如圖4 所示。

圖4 4 種機器學習模型ROC 泛化曲線Fig.4 ROC curves of the four machine learning models

4 案例應(yīng)用

以2020年6 月8—9 日江西省一次強降水過程誘發(fā)地質(zhì)災(zāi)害為例，基于邏輯回歸模擬江西省2020年6 月8 日高速公路地質(zhì)災(zāi)害預(yù)報業(yè)務(wù)運行，模型輸出地質(zhì)災(zāi)害發(fā)生的概率，依據(jù)概率大小確定預(yù)警等級：當概率P≤40%為低（較低）風險，不發(fā)預(yù)警；當概率P>40%且P≤60%為中風險，發(fā)布高速公路地質(zhì)災(zāi)害黃色預(yù)警；當P>60%且P≤80%為較高風險，發(fā)布高速公路地質(zhì)災(zāi)害橙色預(yù)警；當概率P>80%為高風險，發(fā)布高速公路地質(zhì)災(zāi)害紅色預(yù)警，結(jié)果如圖5 所示。據(jù)江西省交通監(jiān)控指揮中心提供的數(shù)據(jù)，2020年6 月8 日全省高速公路有8 處發(fā)生地質(zhì)災(zāi)害，主要分布在德昌高速、濟廣高速贛州至泉南段、滬昆高速萍鄉(xiāng)至豐城段，均落在高風險預(yù)警路段內(nèi)。

圖5 2020年6 月8 日江西省高速公路地質(zhì)災(zāi)害預(yù)報Fig.5 Geological disaster forecast for Jiangxi Province highways on June 8,2020

5 討論

本文基于4 種不同的機器學習方法，開展了針對不同降雨類型誘發(fā)的公路地質(zhì)災(zāi)害預(yù)報研究，這在目前國內(nèi)外公路地質(zhì)災(zāi)害預(yù)報研究中是一種創(chuàng)新。陶星宇等[1]對林芝市公路地質(zhì)災(zāi)害易發(fā)性開展了區(qū)劃，基于邏輯回歸方法建立了氣象預(yù)報模型，但并未對造成災(zāi)害的雨量進行分類研究，其預(yù)報準確率不及本研究分類型預(yù)報的準確率。陳華興[28]基于穩(wěn)定性系數(shù)、臨界降雨強度等各類滑坡預(yù)報判據(jù)，開展公路地質(zhì)災(zāi)害預(yù)報，其對所預(yù)報路段地質(zhì)災(zāi)害監(jiān)測要求較高，普適性不強。李宇梅等[29]開展區(qū)域公路地質(zhì)災(zāi)害臨界雨量預(yù)報，該預(yù)報只考慮了降雨因子，并未考慮地質(zhì)環(huán)境條件，在實際預(yù)報時經(jīng)常會存在漏報的情況。盡管本文研究實現(xiàn)了對江西省高速公路地質(zhì)災(zāi)害的預(yù)報預(yù)警，但仍存在一定的局限性，如地質(zhì)環(huán)境特征只考慮了高差、坡度和坡向，并未考慮發(fā)生地質(zhì)災(zāi)害的坡體類型，而實際上不同的坡體類型或地質(zhì)構(gòu)造對地質(zhì)災(zāi)害發(fā)生與否影響重要。劉洋[30]研究表明，由土體組成的坡體較堅硬巖層坡體在強降雨作用下更容易誘發(fā)地質(zhì)災(zāi)害。其次，劃分的3 種誘發(fā)地質(zhì)災(zāi)害降雨類型并不是有嚴格的界定，誘發(fā)地質(zhì)災(zāi)害的降雨類型多樣，有時是一種或者多種類型混合，如臺風降雨造成的地質(zhì)災(zāi)害既可能存在短時強降雨，也可能是短期降雨。再者，模型預(yù)報效果與樣本數(shù)量有關(guān)，基于短時降雨預(yù)報效果較差，除了短時降雨的突發(fā)性外，可能與用于訓練的樣本較少也有一定的關(guān)系，這在我們的后續(xù)研究中將收集更多的地質(zhì)災(zāi)害記錄來改進。

6 結(jié)論

（1）提出了基于機器學習的公路地質(zhì)災(zāi)害預(yù)報預(yù)警方法，綜合考慮地質(zhì)環(huán)境因子和降雨因子構(gòu)建預(yù)報模型，構(gòu)建正負樣本集、訓練集和測試集，實現(xiàn)模型保存和調(diào)用。

（2）探討了高速公路地質(zhì)災(zāi)害與地質(zhì)環(huán)境的關(guān)系，發(fā)現(xiàn)江西高速公路沿線地質(zhì)災(zāi)害所處的海拔高度以300～450 m 最多；災(zāi)害坡度以20°～35°居多，隨地形坡度增加呈現(xiàn)單峰型分布；河網(wǎng)密集和有一定的植被覆蓋地區(qū)更容易發(fā)生地質(zhì)災(zāi)害。提出了誘發(fā)公路地質(zhì)災(zāi)害的3 種主要降雨類型，分別為長歷時降雨、短期降雨和短時降雨，其中以長歷時降雨和短期降雨誘發(fā)的地質(zhì)災(zāi)害居多。

（3）分析了4 種機器學習模型優(yōu)缺點，比較各模型在不同降雨類型誘發(fā)的公路地質(zhì)災(zāi)害中的預(yù)報準確率、模型泛化能力AUC和ROC 曲線，并給出了模型輸出地質(zhì)災(zāi)害發(fā)生概率及相應(yīng)的預(yù)警等級。以2020年6 月8—9 日江西省一次強降水過程誘發(fā)地質(zhì)災(zāi)害為例開展實例校驗，結(jié)果顯示：當日8 處發(fā)生地質(zhì)災(zāi)害均落在高風險預(yù)警路段內(nèi)，上述預(yù)報模型預(yù)警效果較好，可做為實際業(yè)務(wù)預(yù)報參考。