降雨量预测模型的研究和应用论文

摘要本文采用k-NN法，从2491个网格点的预报雨量得到91个站点预报雨量的估计值，并与对应的实测雨量进行统计对比分析。我们建立了平均绝对误差、模糊评分、面雨量三个模型，对两种雨量预报方法进行比较评价，最后为了在评价方法中考虑公众的感受，我们还构造了一个新的评价模型。结果表明方法I和方法II具有较好的晴雨预报能力，但总体上方法I的准确性高于方法II。在上述两种雨量预报方法的基础上,我们还可采用动态权重系数法对其进行综合集成，形成一种新的预报方法，该方法的可靠性要好于每种单独的预报方法。一． 问题重述我国某地气象台和气象研究所正在研究6小时雨量预报方法，即每天晚上20点预报从21点开始的4个时段（21点至次日3点，次日3点至9点，9点至15点，15点至21点）在某些位置的雨量，这些位置位于东经120度、北纬32度附近的53×47的等距网格点上。同时设立91个观测站点实测这些时段的实际雨量，由于各种条件的限制，站点的设置是不均匀的。气象部门希望建立一种科学评价预报方法好坏的数学模型与方法。气象部门提供了41天的用两种不同方法的预报数据和相应的实测数据。雨量用毫米做单位，小于毫米视为无雨。(1) 请建立数学模型来评价两种6小时雨量预报方法的准确性；(2) 气象部门将6小时降雨量分为6等：—毫米为小雨，—6毫米为中雨，—12毫米为大雨，—25毫米为暴雨，—60毫米为大暴雨，大于毫米为特大暴雨。若按此分级向公众预报，如何在评价方法中考虑公众的感受？二． 符号说明: 表示第 天，第 个时段，第 个观测站点雨量的实测值（=1,2,3,4； ）: 表示用第一种雨量预报方法测得第 天，第 个时段，第 个观测站点雨量的预测值（ =1,2,3,4； ）: 表示用第二种雨量预报方法测得第 天，第 个时段，第 个观测站点雨量的预测值（ =1,2,3,4； ）：表示第 天，第 个时段，第 个观测站点的实测雨级（ =1,2,3,4； ）：表示用第一种预报方法测得第 天，第 个时段，第 个观测站点的预报雨级（ =1,2,3,4； ）：表示用第二种预报方法测得第 天，第 个时段，第 个观测站点的预报雨级（ =1,2,3,4； ）: 表示对第 种雨量预报方法在第 天，第 个时段，第 个观测站点的预测值的模糊评分（ =1,2,3,4； ）：表示公众对用第c种预报方法测得的第 天，第 个时段，第 个观测站点的预报雨级的满意度（ =1,2,3,4； ）三． 问题分析与数据处理要评价两种雨量预报方法的准确性，就要在相同地点，相同时段对雨量的实测值和预测值进行比较。由于已知数据给出的91个观测站点的地理位置并不在用来预报的2491个网格点位置上，为了使得数据采集的地理位置相同，有两种思路对数据进行处理。一是把91个站点的实测数据扩充到2491个网格点上；二是利用2491个网格点的预报值给出91个站点的预报值。显然，第一种数据处理方式损失的信息比较多，而且是把预报值和处理过的实测值进行比较，其结果难以令人信服。第二种数据处理方式在保持91个观测站点的实测数据不被处理（从而保持实测数据真实可靠）的前提下，利用2491个网格点处的预报值来估计91个站点处的预报值；再对两种不同预报方法给出的预报值和实测到的数据分别进行比较。第二种方式虽然只在91个地点进行比较，但要比第一种方式更加有说服力。所以我们采取第一种数据处理方式，首先要利用2491个网格点的预报值给出91个站点的预报值。有以下三种方法可以用来给出91个站点处的预报值。1．k-最近邻居法（k-NN法）[1][2]给定某个观测站点的位置后，从2491个网格点中找出距离这个站点最近的k个网格点，把这k个网格点处的预报值的平均值作为这个站点处的预报值。k的大小可以根据实际需要进行调整。2．邻域平均法对每个观测站点取相同的球形邻域或者正方形邻域，把邻域内网格点处的预报值的平均值作为站点处的预报值（邻域内的网格点的数目不一定相同）。当然邻域的大小可以根据实际情况进行调整。3．二维插值法可参见计算数学方面的参考书。需要说明的是：二维插值法计算程序相对复杂，计算量也较大。k-NN法与邻域平均法都是利用站点周围网格点处的预报值的均值作为这个站点处的预报值。这两种方法计算相对简洁，同时也具有很高的精度。如果假设预报值在整个预报区域内是连续的话，在适当的条件下，k-NN法给出的估计将收敛到真实预报值（参见文献[1]，[2]等）。进一步，可以认为距离站点近的网格点对站点的影响要大些，距离站点远的网格点对站点的影响要小些，因此可以根据这些影响的不同而赋予不同的权重。本文采用3-NN法计算，以距离第 个观测站点最近的3个网格点的预报值的加权均值作为该观测站点的预报值(程序见附录)。四． 问题（1）模型建立及求解1．模型I为了比较两种预报方法的预报质量，我们对其进行绝对误差值检验分析。误差值为预测值与实测值之差，绝对误差即对误差取绝对值。第一种雨量预测方法在第 时段的平均绝对误差 = ;第二种雨量预测方法在第 时段的平均绝对误差 =结果如表1所示：表1 两种预报方法的平均绝对误差平均绝对误差预测方法I预测方法II时段1(21点至次日3点)时段2(次日3点至9点)时段3(9点至15点)时段4(15点至21点)由表中得到以下结论：两种预报方法的平均绝对误差都在以内，但方法I和II的预报质量差距并不太大，在第一、二、四时段，方法I的平均绝对误差略小于方法II的平均绝对误差。进一步我们还给出了两种预报方法的预报-实测相关图(图1)。图中落在斜率为1的直线上的点为实测结果，预测点则落在该直线附近，其偏离直线越远表示预报误差越大。从图中可以看出，这两种雨量预测方法的共同点是：在各个时段对实测雨量较大的预报，大多数均变小。这说明实况出现大雨时预报水平较差。图1 两种预报方法的预报-实测相关图2．模型II为了较客观地评定两种预报方法，我们利用模糊数学中的模糊综合评判方法。模糊数学的创立者 L. 为了描述和处理事物的模糊关系，把“属于”关系进一步数量化，即集合A 中的某个元素ui 对A 不是要么“属于”要么“不属于”关系而是可以不同程度的“属于”和不同程度的“不属于”，这个程度叫做隶属度。隶属度的范围在0 与1 之间,即ui 的隶属度值域是[0 ,1 ]。“属于”关系用函数关系表示,将论域与值域相对应,故形成子集合A 唯一确定的一个映射,它们一一对应。其特点是在众多的“属于”关系的评价指标基础上进行加权平均,得出一个无量纲的综合评价值,然后比较综合评价值的大小,对受到多个因素制约的事物或对象作出一个总的评价,这就是所谓的综合评判问题[6 ,7 ] 。根据所给的条件,给每个对象赋予一个评判指标,称之为模糊评分。第 天，第 个时段，第 个观测站点的预测值的模糊评分为（1）式(1) 中第一项是预报基础分，规定为60 分；第二项为强度(量级)预报的加权分。当预报雨量与实况一致时(即预报与实况误差为0)，该预报评分为100。当预报有误差时,按其误差大小给分，误差越大，分值越低，相反分值越高，预报值越接近于实测值。可以看出,根据误差大小计算的模糊评分,能够很好地表征预报贴近实况的程度,从而较好地检验两种预报方法的预报水平[3]。为了便于比较，我们给出了在各个时段的模糊评分公式。方法I和II在第 时段的模糊评分为=1,2,3,4=1,2,3,4结果见表2。由表2可以看出，两种方法的模糊评分都在80分以上，预报质量都比较稳定，但在第一、二、四时段，方法I的模糊评分都高于方法II的模糊评分。由此可见，在对雨量预报的准确程度上，方法I高于方法II。表2 两种方法的预报模糊评分方法时段时段1时段2时段3时段4预报方法预报方法．模型III由于91个观测站点的设置是不均匀的，它们较集中地分布在53×47的矩形网格的中央区域内，而面雨量能够更真实地反映平面区域降水的总状况，因此我们用其作为评价这两种方法预报好坏的另一个标准。面雨量是单位面积上的降水量, 实际上为某一特定区域或流域的平均降水状况，它有多种计算方法，如算术平均法、泰森多边形法、逐步订正格点法、三角法、等雨量线法等[4]。这里我们采用算术平均法计算面雨量：其计算公式如下：第 种预报方法在第 时段的面雨量 ，第 时段的实测面雨量结果见表3。由表3可以看出，无论哪个时段，方法I的面雨量都比方法II更接近实测值，由此可见，方法I的预报效果好于方法II。表3 实测及两种方法的面雨量面雨量方法I方法II实测情况时段时段时段时段五． 对问题2建模及求解1．模型I雨量按无雨、小雨、中雨、大雨、暴雨、特大暴雨定义为0～ 6 级，见表4 ;表4 雨量等级划分表雨量（mm）<>名称无雨小雨中雨大雨暴雨大暴雨特大暴雨雨级0123456在此基础上，我们可将预测雨量与实测雨量转化为相应的雨级，并计算出第 天，第 个时段，第 个观测站点的预测雨级的模糊评分为（2）同样我们也可得到方法I和II在第 时段的雨级模糊评分，结果见表5。表5 两种方法的预报模糊评分（雨级）方法时段第1时段第2时段第3时段第4时段方法方法从表5中我们也发现总体上方法I的预报能力优于方法II。2．模型II在评定两种方法的预报质量同时，我们需要考虑公众的感受，由于公众对雨量预报的感受都具有一定的模糊性，可以用{很满意，比较满意，基本满意，不满意}来代替。对此我们有两种方法：（1） 若预报雨级与实测雨级一致，观众很满意，评分为100；若预报雨级与实测雨级相差一级，观众比较满意，评分为80；若预报雨级与实测雨级相差两级，评分为60；若预报雨级与实测雨级相差两级以上，观众不满意，评分为0。（2） 采用模糊数学中的隶属函数来处理公众的感受。在隶属函数的选取上，在此这里选用偏大型中升岭形分布函数为隶属函数来处理公众的感受。升岭形函数公式为：其中 是预报雨级与实测雨级差的绝对值[5]。用上述两种方法都可以求出公众对第 天，第 个时段，第 个观测站点的预测雨级的满意度 ，在此我们选取了方法(2)。最后把模糊评分和公众满意度的权重分配分别确定为和，得到一个新的评价指标 为= +对第 时段关于41天、91个站点求和平均得到预报方法I和II在这个时段的评价指标 ，结果见表6。表6 两种方法的预报模糊评分（雨级）方法\时段第1段第2段第3段第4段方法方法由表6可见，考虑公众感受以后，总体上仍然是方法I优于方法II。你可以根据自己的水平加以改写

你可以到资料网上看！！~`

周中1 傅鹤林1 刘宝琛1 谭捍华2 龙万学2

（1.中南大学土木建筑学院 湖南 长沙 410075

2.贵州省交通规划勘察设计研究院 贵州 贵阳 550001）

摘要 降雨入渗是诱发土石混合体边坡失稳的主要因素之一，此类问题一直受到人们的关注，但对此问题的研究不够系统和深入。为了对降雨入渗诱发下土石混合体滑坡的失稳机理有较深入的了解及研究边坡性状随时间变化的一些重要特性，在上瑞高速公路贵州段选取了一个典型的土石混合体边坡进行人工降雨模拟试验和原位综合监测。监测成果表明：降雨入渗影响下土石混合体边坡的滑动变形区为坡面以下0～4m之间，变形量以坡面最大，从坡面到坡体深部逐渐减小；在实施降雨的前2h，平均入渗百分率为86%，之后，入渗率由于地表径流的增加而随时间逐渐减少，一段时间（6h）之后，入渗率降到一个相对稳定值（50%）；降雨入渗造成土体中孔隙水压力增加，致使边坡土体的抗剪强度由于有效应力的减少及土体吸水软化而降低，降雨入渗的这一双重效应可能是降雨诱发土石混合体边坡失稳的主要原因之一。

关键词 边坡 土石混合体 人工降雨模拟试验 降雨入渗 现场监测

随着我国基本建设的蓬勃开展，国家建设战略重点向西部地区转移，工程建设不可避免地要遭遇包括残坡积物、崩坡积物和冲洪积物组成的松散堆积介质，其物质成分以土夹砾石或块石以及砾石或块石夹土等土石混合体为主，物质结构杂乱无章、分选性差、粒间结合力差、透水性强。它既不同于一般的岩体，又不同于一般的土体，而是介于土体与岩体之间的特殊地质体，称为土石混合体［1］。土石混合体边坡是按边坡的物质组成来划分的，与土质边坡和岩质边坡属于同一个划分层次，在全国乃至世界各地都有着广泛地分布［2］。对于土质滑坡和岩质滑坡机理国内外已作过许多研究，并取得了成套的研究成果。对于以土夹石为主的土石混合体滑坡，由于它具有物质组成的复杂性、结构分布的不规则性以及试样的难以采集性等独特的性质，给我们的研究带来了极大困难，取得的研究成果很有限［3］，因此很有必要就土石混合体滑坡进行专门的研究分析。

大量统计表明，土石混合体边坡失稳的主要诱发因素是降雨［4，5］。贵州省三穗县三凯高速公路平溪特大桥3#墩上方的大滑坡就是在2003年4月及5月初连续的强降雨的诱发下发生的典型土石混合体滑坡，造成35人丧生。降雨影响下边坡失稳的问题一直受到人们的关注［6～8］，但对此问题的研究不够系统和深入。为了揭示降雨诱发下土石混合体滑坡的形成演化规律，2005年4月，选取上瑞高速公路贵州段晴隆隧道出口典型土石混合体边坡进行人工降雨模拟试验和原位综合监测。试验过程中，配合原位综合监测，分析土石混合体边坡在降雨入渗作用下的形成条件、变形位移特征及破坏滑移规律，为今后更好地防范或治理此类地质灾害提供理论依据。

1 试验场地

试验场地的确定

正在建设的上海至瑞丽高速公路是一条联系我国东西的大动脉。2005年4月2日，在对上瑞公路贵州镇宁至胜境关公路综合考察的基础上根据钻孔地质资料、边坡的外部形态及周围环境选定晴隆隧道口K85 ＋650 -690 堆积层地段，作为人工降雨试验场地。首先清除区域内的植被及其他杂物，然后按1∶的坡度刷坡。为了防止大气降雨及周围土体内的水渗透到试验区内影响试验的精确性，下雨时，试验区用彩条布覆盖。

土体性质

为了弄清试验区土体的基本物理性质及边坡土层的工程地质特性，进行了基本物理力学试验及专门的钻孔勘察。其物理力学性质指标见表1。颗粒分析试验共做15 组，土样的平均颗粒级配曲线绘制于图1，图中平均级配的特征值为：粘粒（＜）含量为，粉粒（～）含量为，砾石（＞5mm）含量为。不均匀系数Cu为，说明土样中包含的粒径级数较多，粗细粒径之间差别较大，颗粒级配曲线的曲率系数Cc为，级配优良。

表1 天然状态土的基本物理指标

图1 天然状态土的颗粒级配曲线

钻孔勘察资料显示试验区上覆地层主要为第四系残坡积层（Qdl＋el），厚10～30m，平均深20m，为碎石土层，局部夹亚粘土，结构松散、稍湿。基岩为上二叠统龙潭组（P2l）煤系地层，由泥质粉砂岩、炭质泥岩、粉砂质泥岩组成。试验区位于山体中部，水文地质条件简单，主要靠大气降水补给，受季节影响较大。试验区内地下水主要为基岩裂隙水，地下水埋藏较深，勘察期间，钻孔内未见地下水。本次试验开挖深度为6m，滑动面均在5m之内，因此，试验土层均为地下水位以上的土石混合体。试验区工程地质剖面图见图2。

图2 工程地质剖面图

①原地面线；②刷坡后的地面线（试验区）；③强风化带下限；

Qdl＋el—第四系残坡积层；P2l—上二叠统龙潭组煤系地层

2 仪器的布置及埋设

试验区面积为10m×10m，坡比为1∶，埋设仪器后的试验区如图3所示。试验区一共钻孔9个，其中3个钻孔用来安装测斜管，6个钻孔用来安装孔隙水压力计，共安装了12个孔隙水压力计、3个测斜管。试验区的左右两侧开挖宽，深的隔离带，并用高1m的白铁皮将试验区左右两侧与周围土体隔离，以免雨水渗入周围土体。试验区的下部修建宽，深1m的集水渠，并引出可能的滑动区域外与集水槽相连。集水渠除靠近坡体的一面外其余各面采用水泥护面，以免雨水流失。集水槽为长、宽、深均为2m的方形槽，为防止雨水的渗漏，集水槽需用水泥护壁。试验区右上方开挖一个5m×4m×2m的蓄水池，先用砖砌，并用水泥护壁。图4为监测点平面布置图，图5为L1纵断面测点布置图。

图3 埋设仪器后的试验区

图4 监测点平面布置图

数据单位为m

图5 L1 纵断面测点布置图

数据单位为m

坡面裂隙监测

坡面裂缝测量采用简单的测量方法，在进行地表巡视时，用钢卷尺对滑坡体主要裂缝宽度进行测量。

测斜监测

测斜装置由测斜管、测斜仪、数字式测读仪三部分组成。量测时将测斜仪伸入测斜管，并由引出的导线将测斜管，亦即滑坡体滑移量值瞬时反映在测读仪上。本试验中测斜仪采用美国 Sinco 公司生产的100 型测斜仪，灵敏度8s，精度 ± 6mm/30m，量程0～± 53°。测斜管采用金坛市绿盛土工材料厂生产的高精度ABS测斜管，外径70mm，内径59mm，接头外径80mm，每节长2m。在边坡不同位置共埋设3个测斜管，埋设于图3所示的Ⅰ点，埋设深度11 m。

孔隙水压力监测

土体的孔隙水压力传感器是由金坛土木工程仪器厂生产的KYJ-30 型振弦式孔隙水压力计量测的，其量程是0～200kPa，KYJ-30 型振弦式孔隙水压力计适用于钻孔法安装，测量建筑物内的孔隙（渗透）水压力，并可同步测量埋设点的温度。同时配置ZXY-2型振弦频率测定仪一台，测量范围：频率f＝500～5000Hz，频率模数显示值F＝f2×10-3，测量精度：± ，分辨率：± ，灵敏度：接受信号≥300μV，持续时间≥500ms，连续振荡的工作方式，功耗极小，使用简便。

在边坡不同位置共埋设12个孔隙水压力计，于图3中L1和L3断面的每个钻孔内埋设2个孔隙水压力计，L1列孔隙水压力测孔的深度为4m，孔隙水压力探头的埋深为1m和3m。L3列孔隙水压力测孔的深度为5m，孔隙水压力探头的埋深为2m和4m。

降雨强度地表径流监测

试验区内总的降雨量由人工降雨模拟装置主供水管上的流量表记录，再将每单位时段的降雨量除以试验区面积100m2，即可求出单位时段的降雨强度。地表径流由试验区下方的集水渠收集到集水槽中，再由水泵回收到试验区上方的蓄水池内，单位时段的地表径流量由与水泵相连的流量表量测。

3 人工降雨模拟

自制人工降雨模拟装置

参照中国科学院水利水土保持研究所研制的 SR 型野外人工降雨模拟装置［9］，自制一个专门的人工降雨模拟装置。本装置由水泵、水表、控制阀、水压表、喷头、主管、支管、两通管、三通管及四通管组成。主管和支管由长为1m或2m的短管经两通管、三通管或四通管组装而成。通过调节进水管和回水管上的控制阀可以产生30～120mm的降雨强度。人工降雨模拟装置的覆盖范围为10m×10m，其示意图见图6。

图6 人工降雨装置示意图

数据单位为m

人工降雨模拟试验的监测周期及频率

待埋设仪器与周围土体协调稳定后，测定各仪器的初始读数，人工降雨模拟试验的起止时间为2005年4月25日15：00 至2005年4月29日10：00。每小时的降雨强度为60mm/h，每降雨2h停1h，在停雨期间进行各项监测的读数。每3h记录一次各测点的孔隙水压力、坡面裂隙、深部位移、实际的降雨强度及地表径流量。若观测到边坡将要失稳，适当加大观测密度。

4 试验结果分析

坡面裂隙监测

试验期间，坡面位移不大，2005年4月30日16：30 发现边坡后缘张拉微裂隙，宽1～2mm，长3m。

测斜监测

将各孔的测斜数据整理分析并绘制成图，以ZK3孔为例加以说明。图7为ZK3的水平方向的累计合位移随孔深的变化图，从图中可以看出位移变形区基本上发生在地表以下0～ m 的范围内，位移随深度的增加而减小，坡面变形最大，最大合位移达到 mm。

图7 ZK3 水平合位移随孔深的变化

图8为ZK3的特征点水平合位移及累计降雨强度关系曲线。从图中可以看出特征点位移随着累计降雨强度的增加逐渐加大，并且，这种变形为从坡面到坡内逐渐减小的松弛形变形，处的位移相当于处位移的2倍，而4m处基本没有位移，数值上的微小变化是由测量误差引起的。

图8 ZK3 特征点水平位移及累计降雨强度

图9为各测点孔口的累计合位移及累计降雨强度的关系曲线，从图中可以看出随着累计降雨强度的增加土体位移逐渐加大，以坡中处的位移最大，坡脚次之，坡顶最小。ZK1—ZK3孔口处的最大合位移分别为 mm、 mm和 mm。

图9 各测点孔口的水平位移及累计降雨强度

孔隙水压力监测

图10为R2断面处的孔隙水压力随时间的变化曲线图，其中B1，B2，B3，B4 表示R2断面埋深分别为1m，2m，3m，4m的孔隙水压力。从图中可以看出，在降雨入渗初期，土体的渗透性较强，孔隙水压力较低。随着降雨的进行，孔隙水压力急剧增大，并达到稳定值。从图中我们还可以发现1m、2m处的孔隙水压力趋近于0，3m、4m处的孔隙水压力平均为和，相当于和水柱压力。原因是试验采用的降雨强度较大，土体吸水饱和后渗透性降低的情况下，排水不畅，形成暂时的滞水层，滞水层在4m左右，这一结论也得到了测斜成果的验证，此处的滑面位于坡面下。滞水层的存在对土石混合体边坡的稳定极为不利。首先，滞水层的形成导致了土体中孔隙水压力的增加，有效应力降低，从而导致土体抗剪强度降低；其次，滞水层的形成使得原来非饱和土体充分吸水软化，也导致了土体抗剪强度的降低。降雨入渗的这一双重效应可能是降雨诱发土石混合体边坡失稳的主要原因之一。

图10 R2 断面处的孔隙水压力随时间的变化曲线

图11为同一深度处（3m）的孔隙水压力随时间的变化曲线图，A3，B3，C3分别表示坡顶、坡中、坡脚处埋深为3m的孔隙水压力。从图中可以看出，孔隙水压力从坡顶到坡脚逐渐增大，坡脚处的孔隙水压力最大，坡顶处的孔隙水压力基本为0。

图11 同一深度处（3m）的孔隙水压力随时间的变化曲线

降雨强度及地表径流监测

图12中的曲线表示降雨期间的每小时平均降雨入渗百分率与时间的关系，是根据降雨强度和地表径流的量测结果计算得到的。可以看到，在实施降雨的前2h，平均入渗率为86%，2h之后，入渗率由于地表径流的增加而随时间逐渐减少。6h之后，入渗率降到一个相对稳定值（50%），实施人工模拟降雨6h后，有一半的降雨变成了地表径流。降雨入渗率的降低可能是由于边坡土体吸水饱和使原来张开的裂隙闭合的结果。

潜在滑动面形状

测斜监测的深度为从测斜管管口至边坡内部11m，所监测的滑面深度也是由管口到滑面处的距离，而管口距坡面也有一定的距离，实际的滑面深度应当减去测斜管露出地面的部分，ZK1—ZK3滑动面位置分别为坡面以下，和。将测斜监测到的滑面位置同滑坡前缘错开裂隙和后缘张拉裂隙结合起来即可确定滑面位置，L2断面滑面位置及形状如图13所示。

图12 每小时平均降雨量（入渗量）及降雨入渗百分率

图13 L2断面滑动面形状

数据单位为m

5 结论

一个现场监测体系相当于一个足尺的试验装置，其监测结果对于研究和把握滑坡滑移演化规律、灾变机理和行为以及边坡安全状态具有重要的科学和现实意义。通过土石混合体边坡的人工降雨模拟试验和原位综合监测得到以下认识：

（1）土石混合体边坡在降雨入渗影响下多发为浅层松弛型破坏，滑动变形区为坡面以下0～4m之内；变形量以坡面最大，从坡面到坡体深部逐渐减小。

（2）在实施降雨的前2h，平均入渗百分率为86%，之后，入渗率由于地表径流的增加而随时间逐渐减少。一段时间（6h）之后，入渗率降到一个相对稳定值（50%）。降雨入渗率的降低是由于边坡土体吸水饱和使原来张开的裂隙闭合的结果。

（3）在强降雨作用下，边坡土体吸水饱和，土体内孔隙部分闭合，渗透性降低，排水不畅，在滑动面附近形成暂态的滞水层。滞水层的存在对土石混合体边坡的稳定极为不利。首先，滞水层的形成导致了土体中孔隙水压力的增加，有效应力降低，从而导致土体抗剪强度的降低；其次，滞水层的形成使得原来非饱和土体充分吸水软化，也导致了土体抗剪强度的降低。降雨入渗的这一双重效应可能是降雨诱发土石混合体边坡失稳的主要原因之一。

（4）试验区内的土石混合体边坡在将近4昼夜的时间内接受了4500mm的降雨，大大超过了实际可能出现的降雨强度，且平均入渗率达到50%，但是该斜坡仅仅出现了变形，并未产生滑塌破坏，说明堆积层斜坡发生破坏的条件不仅仅是降雨，还与坡率及地质条件有关。

参考文献

［1］油新华.土石混合体的随机结构模型及其应用研究.北方交通大学博士论文，2001

［2］周中.土石混合体滑坡的流-固耦合特性及其预测预报研究.中南大学博士论文，2006

［3］吴景坤，方祁，蔡军刚等.堆积层滑坡稳定性评价专家系统方法.中国地质灾害与防治学报，1994，5（2）：8～16

［4］罗先启，李海岭，葛修润等.降雨条件下滑坡灾害及滑坡排水效果研究.岩土力学，2000，21（3）：231～234

［5］詹良通，吴宏伟，包承刚等.降雨入渗条件下非饱和膨胀土边坡原位监测.岩土力学，2003，24（2）：151～158

［6］ Lumb of rainstorms on slope Hong Kong Kong，1962，73～87

［7］ Finlay PJ，Fell R，Maguire P relationship between the probability of landslide occurrence and Geotech J.，1997，34（6）：811～824

［8］ Dai F C，Lee C relation and prediction of rainfall-induced Geology，2001，59（3/4）：253～266

［9］陈文亮，唐克丽.SR型野外人工模拟降雨装置.水土保持研究，2000，（12）：106～110

可以进行基于数理统计知识的降水量的预测：降水量是一个随机事件，但在一个相当长的时间段内又有一定的规律性。由于降水过程存在高度随机性和不确定性，很难用物理成因等方法来确定某一时段确切的降水量值。在国内具有代表性的权马尔科夫链预测降水量方法的基础上，结合数理统计的知识，提出了一种改进的预测降水量思路，即对原始降水量序列进行3a滑动平均，并考虑序列间的相关程度，以减弱原始序列的随机因素，用新序列进行降水量预测的方法，并对北京、延安等5个站点的降水量序列进行了应用检验。检验结果表明，除了在极端年份（如岢岚站点2006年，偏关站点2006、2009年均为枯水年）时预测有较大误差外，其余年份的预测结果比较令人满意，总体上合格率达到80％。由于权马尔科夫链模型建立时在统计学基础上利用了降水量序列的均值和均方差，预测值是在一定概率条件下趋向于某一状态，而极端条件发生的概率较小，因此在预测极端条件时会出现较大误差。