Page 102 - 山区高速公路运营防灾减灾风险管控与应急处置

第四章 风险管控体系设计与实施

特定雨型下的累积雨量）或关键状态变量（如特定深度孔隙水压力）即可作为预
警阈值。考虑岩体蠕变特性——这种时间依赖性变形现象——的力学模型，则能
更精确地捕捉缓慢累积变形向加速破坏转化的临界点。物理模型的优势在于其坚

实的理论根基和良好的机理解释性，能够外推至历史未发生但物理上可能的情景。
但其精确性严重依赖于输入参数的准确获取，而山区地质条件的复杂性与参数的
空间变异性往往构成巨大挑战。
数据驱动模型为阈值设定提供了强大的补充工具。此类模型不预设具体的物

理机制，而是通过机器学习算法从监测数据中自动学习灾害发生的复杂模式与非
线性关系。常用模型包括支持向量机、随机森林、梯度提升决策树以及深度学习
模型（如长短期记忆网络 LSTM）。模型输入通常融合多元时序监测数据（如通
过倾角传感器、应变计、测斜仪、渗压计、雨量计获取的位移、应力、水位、降

雨信息）及环境因子。模型训练的目标是学习输入特征与灾害状态（稳定 / 潜在
失稳 / 失稳）或关键监测指标变化趋势之间的映射关系。训练完成的模型可用于
预测未来时段的状态或指标值。预警阈值的设定可依据模型输出的灾害发生概率
（如概率超过 0.7 时预警），或当预测的关键监测指标（如位移加速度）超越基

于预测误差分析设定的安全边界时触发。数据驱动模型在处理高维、非线性、强
耦合数据方面优势显著，能有效挖掘隐含的复杂关联。然而，其“黑箱”特性导
致决策过程可解释性不足，且模型性能高度依赖训练数据的规模、质量及与预测
场景的匹配度，泛化能力需持续验证。

科学合理的阈值设定必然是多种方法的融合应用。统计方法为阈值初设提供
历史经验基准。物理模型方法基于灾害机理，为关键状态变量的临界值提供理论
支撑。数据驱动模型则擅长从海量实时数据中捕捉复杂征兆与演化趋势。实践中，
常采用统计方法确定初始阈值范围，利用物理模型进行机理解释与阈值合理性验

证，并借助数据驱动模型对阈值进行动态优化调整。最终确定的阈值体系通常呈
现多层次结构，包含注意级、警戒级和行动级，分别对应潜在风险、风险升高和
灾害迫近状态，为分阶段应急响应提供明确依据。阈值设定是一个持续迭代优化
的过程，需结合灾害事件后的回溯分析、监测技术更新与新认知获取，不断进行

校准与完善。

93