CN104331744A - 一种泥石流危险度评价方法 - Google Patents

Abstract

本发明公开了一种泥石流危险度评价方法，该方法首先确定与泥石流三要素相关的特征参数；建立三要素的综合信息评价系统，获得三要素初始信息评价矩阵，通过矩阵运算和熵权法，计算得到三要素的信息熵值；建立泥石流信息熵模型，将三个子信息熵值作为输入因子，通过BP神经网络作用，输出泥石流信息熵值；根据信息熵理论与泥石流是否发生的关系，定义泥石流危险度等级标准，进而对研究对象进行危险度评价。本发明提出了一个泥石流概率模型，该模型能综合反映泥石流三要素在泥石流孕育过程中相互作用机制，能够表征泥石流复杂的非线性过程和动态过程，能对研究对象(单沟/区域泥石流)的危险度进行预测。

Description

一种泥石流危险度评价方法

技术领域

本发明属于地质灾害评价领域，尤其涉及一种泥石流危险度评价方法。 

背景技术

泥石流是山区常见的一种地质灾害。泥石流爆发突然、来势凶猛、历时短暂，具有强大的破坏力和冲击力，常常淤埋房屋、耕地、公路及堵塞河道等，给人类的生命财产造成严重的危害。因此，泥石流危险度评价方法的研究也变得尤为重要。 

泥石流是否发生、规模大小与地形、固体物源、水动力三大要件密不可分。目前，国内外对泥石流危险度的研究方法，均选取与三大要件相关的各种因子，通过专家打分或者数学处理获取其权重，将各个因子与其权重的乘积进行代数求和，作为泥石流危险度的表达式。事实上，泥石流是否发生是一个概率问题，这种以相关因子及其权重乘积的代数和表示的泥石流危险度，并不能真正表达泥石流发生的概率大小,而且，不能综合反映三大要件在泥石流孕育过程中相互作用机制及泥石流发生的非线性和动态过程。 

因此，亟待研发一个泥石流概率模型，将三大要件在泥石流孕育过程中相互作用机制和综合作用的结果进行定量化，并表征泥石流发生的非线性和动态过程，进行合理、有效的泥石流的危险度评价。 

发明内容

本发明的目的在于提供一种泥石流危险度评价方法，旨在解决现有的泥石流危险度的评价方法均选取与三大要件相关的各种因子，通过专家打分或者数学处理获取其权重，将各个因子与其权重的乘积进行代数求和，作为泥石流危险度的表达式，不能真正表达泥石流发生的概率大小,不能综合反映三 大要件在泥石流孕育过程中相互作用机制及泥石流发生的非线性和动态过程的问题。 

本发明是这样实现的，一种泥石流危险度评价方法包括： 

步骤一、通过野外调查及收集资料确定与泥石流三要素相关的特征参数； 

步骤二、建立三要素的综合信息评价系统，获得三要素初始信息评价矩阵，通过矩阵运算和熵权法，计算得到三要素的信息熵值包括地形子信息熵、固体物源子信息熵、水动力子信息熵； 

步骤三、建立泥石流信息熵模型，将三个子信息熵值作为输入因子，通过BP神经网络作用，输出泥石流信息熵值； 

步骤四、根据信息熵理论与泥石流是否发生的关系，定义泥石流危险度等级标准，进而对研究对象进行危险度评价。 

进一步，确定泥石流三要素的特征参数的具体方法为： 

地形因子集＝{相对高差，主沟长度，沟床比降，沟坡坡度，坡向，集水区面积，沟谷形态，…，主沟弯曲系数}，一般情况下，这些因子是基于流域数字地形DEM数据通过ArcGIS提取而来； 

固体物源因子集＝{地震烈度,岩体的完整性系数,软弱系数,固体物源总量,单位面积的物源量,固体物源补给段长度比,物源的物理力学特征参数,…,松散物质颗粒级配}，一般这些因子通过区域地质资料、现场调查和勘察、室内外实验等手段获取； 

水动力因子集＝{降雨量，前期有效降雨量，地表径流大小，年最大10分钟暴雨量均值，年最大1小时暴雨量均值，…，年最大24小时暴雨量均值}，一般这些因子可通过现场观测、雨量站、水文手册等方式获取。 

进一步，计算三要素的子信息熵值的具体方法为： 

首先，建立研究对象与地形指标因子间的综合信息评价体系，评价体系是由n个研究对象m个指标构成的系统，从而得到初始信息评价矩阵： 

其中，i＝1,2,…,n；j＝1,2,…,m； 

对A'中各指标归一化处理： 

归一化的指标： 

$a_{\mathrm{ij}}=0.8\×\left(\frac{a_{\mathrm{ij}}^{\′}-\underset{i}{\min }\left\{a_{\mathrm{ij}}^{\′}\right\}}{\underset{i}{\max }\left\{a_{\mathrm{ij}}^{\′}\right\}-\underset{i}{\min }\left\{a_{\mathrm{ij}}^{\′}\right\}}\right)+0.1---\left(2\right)$

其中，i＝1,2,…,n；j＝1,2,…,m； 

—矩阵A'中第j列的最小值； 

—矩阵A'中第j列的最大值； 

a_ij—规范性信息矩阵中对应于第i行j列的元素，规范性信息矩阵A可表示为： 

其中，i＝1,2,…,n；j＝1,2,…,m。 

然后，根据规范性信息矩阵，确定第i个研究对象下第j项指标的指标值的比重： 

$p_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}}---\left(4\right)$

其中，i＝1,2,…,n；j＝1,2,…,m。 

最后，由熵权法计算第i个研究对象的熵值 

$T_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{p}_{\mathrm{ij}}{\log }_2^{p_{\mathrm{ij}}}}{{\log }_2^m}---\left(5\right)$

其中，T_i—定义为第i个研究对象的地形子信息熵； 

p_ij—第i个研究对象下第j项指标的比重； 

i＝1,2,…,n；j＝1,2,…,m。 

同理，可求得固体物源子信息熵和水动力子信息熵，即： 

$S_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{q}_{\mathrm{ij}}{\log }_2^{q_{\mathrm{ij}}}}{{\log }_2^m}---\left(6\right)$

$R_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{m}_{\mathrm{ij}}{\log }_2^{m_{\mathrm{ij}}}}{{\log }_2^m}---\left(7\right)$

其中S_i—定义为第i个研究对象的固体物源子信息熵； 

R_i—定义为第i个研究对象的水动力子信息熵； 

q_ij—第i个研究对象下第j项指标的比重； 

m_ij—第i个研究对象下第j项指标的比重； 

i＝1,2,…,n；j＝1,2,…,m。 

进一步，建立泥石流信息熵模型的具体方法为： 

将信息熵原理与BP神经网络算法相融合，建立泥石流信息熵模型，其模型的数学表达式： 

$H\left(X\right)=-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}P\left(x_i\right){\log }_2^{p\left(x_i\right)}---\left(8\right)$

式中，H(X)—泥石流信息熵； 

X＝(x₁,x₂,x₃)—泥石流信息熵因子集(x₁为地形子信息熵，x₂为固体 物源子信息熵，x₃为水动力子信息熵)； 

p(x_i)—因子集X＝(x₁,x₂,x₃)中x_i因子的比重，且满足和  $0<H\left(X\right)\&le;{\log }_2^3.$

进一步，对泥石流信息熵值进行归一化处理，归一化公式： 

$H_c=\frac{H\left(X\right)-\min \left(H\left(X\right)\right)}{\max \left(H\left(X\right)\right)-\min \left(H\left(X\right)\right)}$

根据泥石流信息熵和泥石流危险度的关系，基于泥石流信息熵模型的危险度等级标准分为： 

0.8≤H_c≤1，极低危险； 

0.6≤H_c<0.8，低度危险； 

0.4≤H_c<0.6，中度危险； 

0.2≤H_c<0.4，高度危险； 

0≤H_c<0.2，极高危险。 

效果汇总

与现有方法相比，本发明的有益效果如下： 

本发明提出了一个泥石流概率模型，该模型能综合反映泥石流三要素在泥石流孕育过程中相互作用机制，能够表征泥石流复杂的非线性过程和动态过程，能对研究对象(单沟/区域泥石流)的危险度进行预测。随着大数据、云计算、物联网等技术的发展和成熟，本发明将成为泥石流学科大数据研究的重要方面。 

附图说明

图1是本发明实施例提供的泥石流危险度评价方法流程图； 

图2是本发明实施例提供的泥石流信息熵模型的框架图； 

图3是本发明实施例提供的沟谷流域地形图。 

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。 

图1示出了本发明的泥石流危险度评价方法流程，如图所示，本发明是这样实现的，一种泥石流危险度评价方法包括： 

S101、通过野外调查及收集资料确定与泥石流三要素相关的特征参数； 

S102、建立三要素的综合信息评价系统，获得三要素初始信息评价矩阵，通过矩阵运算和熵权法，计算得到三要素的信息熵值包括地形子信息熵、固体物源子信息熵、水动力子信息熵； 

S103、建立泥石流信息熵模型，将三个子信息熵值作为输入因子，通过BP神经网络作用，输出泥石流信息熵值； 

S104、根据信息熵理论与泥石流是否发生的关系，定义泥石流危险度等级标准，进而对研究对象进行危险度评价。 

进一步，确定泥石流三要素的特征参数的具体方法为： 

地形因子集＝{相对高差，主沟长度，沟床比降，沟坡坡度，坡向，集水区面积，沟谷形态，…，主沟弯曲系数}，一般情况下，这些因子是基于流域数字地形DEM数据通过ArcGIS提取而来； 

固体物源因子集＝{地震烈度,岩体的完整性系数,软弱系数,固体物源总量,单位面积的物源量,固体物源补给段长度比,物源的物理力学特征参数,…,松散物质颗粒级配}，一般这些因子通过区域地质资料、现场调查和勘察、室内外实验等手段获取； 

水动力因子集＝{降雨量，前期有效降雨量，地表径流大小，年最大10分钟暴雨量均值，年最大1小时暴雨量均值，…，年最大24小时暴雨量均值}，一般这些因子可通过现场观测、雨量站、水文手册等方式获取。 

进一步，计算三要素的子信息熵值的具体方法为： 

首先，建立研究对象与地形指标因子间的综合信息评价体系，评价体系是由n个研究对象m个指标构成的系统，从而得到初始信息评价矩阵： 

其中，i＝1,2,…,n；j＝1,2,…,m； 

由于系统中各因素的量纲不一定相同，而且有时数值的数量级相差悬殊,这样的数据很难直接进行比较。因此，对原始数据需要作归一化处理。 

对A'中各指标归一化处理： 

归一化的指标： 

$a_{\mathrm{ij}}=0.8\&times;\left(\frac{a_{\mathrm{ij}}^{\&prime;}-\underset{i}{\min }\left\{a_{\mathrm{ij}}^{\&prime;}\right\}}{\underset{i}{\max }\left\{a_{\mathrm{ij}}^{\&prime;}\right\}-\underset{i}{\min }\left\{a_{\mathrm{ij}}^{\&prime;}\right\}}\right)+0.1---\left(2\right)$

其中，i＝1,2,…,n；j＝1,2,…,m； 

—矩阵A'中第j列的最小值； 

—矩阵A'中第j列的最大值； 

a_ij—规范性信息矩阵中对应于第i行j列的元素，规范性信息矩阵A可表示为： 

其中，i＝1,2,…,n；j＝1,2,…,m。 

然后，根据规范性信息矩阵，确定第i个研究对象下第j项指标的指标值的比重： 

$p_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}}---\left(4\right)$

其中，i＝1,2,…,n；j＝1,2,…,m。 

最后，由熵权法计算第i个研究对象的熵值 

$T_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\log }_2^{p_{\mathrm{ij}}}}{{\log }_2^m}---\left(5\right)$

其中，T_i—定义为第i个研究对象的地形子信息熵； 

p_ij—第i个研究对象下第j项指标的比重； 

i＝1,2,…,n；j＝1,2,…,m。 

同理，可求得固体物源子信息熵和水动力子信息熵，即： 

$S_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{q}_{\mathrm{ij}}{\log }_2^{q_{\mathrm{ij}}}}{{\log }_2^m}---\left(6\right)$

$R_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{m}_{\mathrm{ij}}{\log }_2^{m_{\mathrm{ij}}}}{{\log }_2^m}---\left(7\right)$

其中S_i—定义为第i个研究对象的固体物源子信息熵； 

R_i—定义为第i个研究对象的水动力子信息熵； 

q_ij—第i个研究对象下第j项指标的比重； 

m_ij—第i个研究对象下第j项指标的比重； 

i＝1,2,…,n；j＝1,2,…,m。 

进一步，建立泥石流信息熵模型的具体方法为： 

将信息熵原理与BP神经网络算法相融合，建立泥石流信息熵模型，其模型的数学表达式： 

$H\left(X\right)=-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}P\left(x_i\right){\log }_2^{p\left(x_i\right)}---\left(8\right)$

式中，H(X)—泥石流信息熵； 

X＝(x₁,x₂,x₃)—泥石流信息熵因子集(x₁为地形子信息熵，x₂为固体物源子信息熵，x₃为水动力子信息熵)； 

p(x_i)—因子集X＝(x₁,x₂,x₃)中x_i因子的比重，且满足和  $0<H\left(X\right)\&le;{\log }_2^3.$

泥石流信息熵模型的框架图，如附图2所示。 

进一步，对泥石流信息熵值进行归一化处理，归一化公式： 

$H_c=\frac{H\left(X\right)-\min \left(H\left(X\right)\right)}{\max \left(H\left(X\right)\right)-\min \left(H\left(X\right)\right)}$

根据泥石流信息熵和泥石流危险度的关系，基于泥石流信息熵模型的危险度等级标准分为： 

0.8≤H_c≤1，极低危险； 

0.6≤H_c<0.8，低度危险； 

0.4≤H_c<0.6，中度危险； 

0.2≤H_c<0.4，高度危险； 

0≤H_c<0.2，极高危险。 

根据信息熵理论，泥石流信息熵的值越小，说明泥石流发生的可能性越大，影响泥石流发生的三大要件间相互联系越紧密，沟谷就越危险；反之，泥石流信息熵值越大，说明泥石流发生的可能性越小，影响泥石流发生的三大要件间相互联系不紧密，沟谷危险度降低。由于泥石流信息熵值取值范围 为了方便进行危险度等级划分，从而对泥石流信息熵值进行归一化处理，归一化公式： 

$H_c=\frac{H\left(X\right)-\min \left(H\left(X\right)\right)}{\max \left(H\left(X\right)\right)-\min \left(H\left(X\right)\right)}---\left(9\right)$

因此，根据泥石流信息熵和泥石流危险度的关系，本发明提出了基于泥石流信息熵模型的危险度等级标准，如表1所示： 

表1 

Hc	泥石流危险度
		0.8≤Hc≤1	极低危险
0.6≤Hc<0.8	低度危险
		0.4≤Hc<0.6	中度危险
0.2≤Hc<0.4	高度危险
		0≤Hc<0.2	极高危险

深溪沟流域是岷江一级支流白沙河的支流，流域面积8.17km²，主沟长约4400m，平均坡降137‰，流域最低高程870m，最大高程2141m，相对高差达1271m。深溪沟地处龙门山准地槽南缘山前褶皱带，位于龙门山脉中南段，处在映秀断裂和二王庙断裂带之间，“5.12”汶川地震中，其地震烈度达到了XI度，区内地表破裂的最大垂直和水平位错分别为5.1m和2.0m。由于强烈的主震和频繁的余震使得区内山体破碎，形成大量的崩塌、滑坡，大量的松散固体物质堆积于沟道和坡面，山洪、泥石流等次生山地灾害频繁发生，如表2。 

表2 

本发明以ArcGIS9.3为平台，利用水文分析模块(Hydrology)自动进行研究区的子流域提取，所用到的数据有研究区10m分辨率的数字高程模型(DEM)和1:1万的地形图，最终将研究区域划分为41条沟谷流域，并依次进行编号，如附图3所示。 

本发明结合深溪沟流域实际地形条件，通过ArcGIS软件提取平均坡度、主沟长度和流域面积三个因子组成深溪沟流域的地形因子集；通过对深溪沟41条子流域的野外考察、测绘和计算提取固体物源总量和单位面积固体物源量这两个因子组成深溪沟流域的固体物源因子集；通过查询《四川省中小流域暴雨洪水计算手册》，将深溪沟地理位置图与最大10分钟暴雨量均值H_1/6、年最大1小时暴雨量均值H₁和年最大24小时/日暴雨量均值H₂₄等值线图在ArcGIS9.3中进行配准，然后插值计算得到H_1/6、H₁、H₂₄组成水动力因子集。根据地形子信息熵、固体物源子信息熵和水动力子信息熵的定义，计算各个子信息熵的值，结果如表3所示。 

表3 

应用泥石流信息熵模型，将地形子信息熵、固体物源子信息熵和水动力子信息熵作为输入因子输入到BP神经网络程序中，计算泥石流信息熵值，按照危险度等级标准对该流域进行危险度评价，结果见表4。 

表4 

沟谷编号	Hc	危险度等级
			0	0.050163	极高危险
1	0.141344	极高危险
			2	0.132823	极高危险
3	0.264536	高度危险
			4	0.039323	极高危险
5	0.310143	高度危险
			6	0.133024	极高危险
7	0.038987	极高危险
			8	0.174264	极高危险
9	0.204629	高度危险
			10	0.111205	极高危险
11	0.142397	极高危险
			12	0.122356	极高危险
13	0.160588	极高危险
			14	0.231294	高度危险
15	0.16101	极高危险
			16	0.124274	极高危险
17	0.177892	极高危险
			18	0.094752	极高危险
19	0.120953	极高危险
			20	0.09625	极高危险
21	0.102251	极高危险
			22	0.104123	极高危险
23	0.152728	极高危险
			24	0.307307	高度危险
25	0.197506	极高危险
			26	0.216517	高度危险
27	0.199824	极高危险
			28	0.316542	高度危险
29	0.104544	极高危险
			30	0.118655	极高危险
31	0.131101	极高危险
			32	0.116433	极高危险
33	0.112718	极高危险
			34	0.133772	极高危险
35	0.184973	极高危险
			36	0.145548	极高危险
37	0.112209	极高危险
			38	0.138154	极高危险
39	0.25628	高度危险
			40	0.194381	极高危险

其中，0号子流域为武显庙沟，地震之前没有泥石流灾害记录。其上游大虹口、冲天坡等由于地震作用发生了崩塌和滑坡，大量的松散固体物质堆积于坡面和沟道，摧毁了大片厚朴经济林，曾经堵断其主沟。2010年8月和 2012年8月的雨季，均暴发了大规模的泥石流，摧毁农田、道路、房屋、厚朴经济林等，严重影响地震遗址公园的安全，因此，该泥石流沟为极高危险。 

2号子流域锅圈岩沟，在地震中发生了滑坡，形成了大量的松散固体物质(20万m³以上)，由震前的一般山洪沟突变为高频泥石流沟，震后每年该沟均会爆发泥石流，给沟口居民的生产生活、道路、大桥等带来了严重的影响，因此，该泥石流沟也属于极高危险。 

应用本发明的方法，计算出的0号和2号子流域均为极高危险，而应用前人的地貌信息熵法和确定性系数法计算的结果分别为中度危险、高度危险和中度危险、中度危险，这表明本发明的方法与实际更加吻合，结果可信。 

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性的劳动即可做出的各种修改或变形仍在本发明的保护范围之内。 

Claims (5)

1.一种泥石流危险度评价方法，其特征在于，所述的泥石流危险度评价方法包括：

步骤一、通过野外调查及收集资料确定与泥石流三要素相关的特征参数；

步骤二、建立三要素的综合信息评价系统，获得三要素初始信息评价矩阵，通过矩阵运算和熵权法，计算得到三要素的信息熵值包括地形子信息熵、固体物源子信息熵、水动力子信息熵；

步骤三、建立泥石流信息熵模型，将三个子信息熵值作为输入因子，通过BP神经网络作用，输出泥石流信息熵值；

步骤四、根据信息熵理论与泥石流是否发生的关系，定义泥石流危险度等级标准，进而对研究对象进行危险度评价。

2.如权利要求1所述的泥石流危险度评价方法，其特征在于，确定泥石流三要素的特征参数的具体方法为：

地形因子集＝{相对高差，主沟长度，沟床比降，沟坡坡度，坡向，集水区面积，沟谷形态，…，主沟弯曲系数}，一般情况下，这些因子是基于流域数字地形DEM数据通过ArcGIS提取而来；

固体物源因子集＝{地震烈度,岩体的完整性系数,软弱系数,固体物源总量,单位面积的物源量,固体物源补给段长度比,物源的物理力学特征参数,…,松散物质颗粒级配}，一般这些因子通过区域地质资料、现场调查和勘察、室内外实验等手段获取；

水动力因子集＝{降雨量，前期有效降雨量，地表径流大小，年最大10分钟暴雨量均值，年最大1小时暴雨量均值，…，年最大24小时暴雨量均值}，一般这些因子可通过现场观测、雨量站、水文手册等方式获取。

3.如权利要求1所述的泥石流危险度评价方法，其特征在于，计算三要素的子信息熵值的具体方法为：

首先，建立研究对象与地形指标因子间的综合信息评价体系，评价体系是由n个研究对象m个指标构成的系统，从而得到初始信息评价矩阵：

其中，i＝1,2,…,n；j＝1,2,…,m；

对A'中各指标归一化处理：

归一化的指标：

$a_{\mathrm{ij}}=0.8\&times;\left(\frac{a_{\mathrm{ij}}^{\&prime;}-\underset{i}{\min }\left\{a_{\mathrm{ij}}^{\&prime;}\right\}}{\underset{i}{\max }\left\{a_{\mathrm{ij}}^{\&prime;}\right\}-\underset{i}{\min }\left\{a_{\mathrm{ij}}^{\&prime;}\right\}}\right)+0.1$

其中，i＝1,2,…,n；j＝1,2,…,m；

—矩阵A'中第j列的最小值；

—矩阵A'中第j列的最大值；

a_ij—规范性信息矩阵中对应于第i行j列的元素，规范性信息矩阵A可表示为：

其中，i＝1,2,…,n；j＝1,2,…,m。

然后，根据规范性信息矩阵，确定第i个研究对象下第j项指标的指标值的比重：

$p_{\mathrm{ij}}=\frac{a_{\mathrm{ij}}}{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}}$

其中，i＝1,2,…,n；j＝1,2,…,m。

最后，由熵权法计算第i个研究对象的熵值

$T_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ij}}{\log }_2^{p_{\mathrm{ij}}}}{{\log }_2^m}$

其中，T_i—定义为第i个研究对象的地形子信息熵；

p_ij—第i个研究对象下第j项指标的比重；

i＝1,2,…,n；j＝1,2,…,m。

同理，可求得固体物源子信息熵和水动力子信息熵，即：

$S_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{q}_{\mathrm{ij}}{\log }_2^{q_{\mathrm{ij}}}}{{\log }_2^m}$

$R_i=-\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{m}_{\mathrm{ij}}{\log }_2^{m_{\mathrm{ij}}}}{{\log }_2^m}$

其中S_i—定义为第i个研究对象的固体物源子信息熵；

R_i—定义为第i个研究对象的水动力子信息熵；

q_ij—第i个研究对象下第j项指标的比重；

m_ij—第i个研究对象下第j项指标的比重；

i＝1,2,…,n；j＝1,2,…,m。

4.如权利要求1所述的泥石流危险度评价方法，其特征在于，建立泥石流信息熵模型的具体方法为：

将信息熵原理与BP神经网络算法相融合，建立泥石流信息熵模型，其模型的数学表达式：

$H\left(X\right)=-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}P\left(x_i\right){\log }_2^{p\left(x_i\right)}$

式中，H(X)—泥石流信息熵；

X＝(x₁,x₂,x₃)—泥石流信息熵因子集(x₁为地形子信息熵，x₂为固体物源子信息熵，x₃为水动力子信息熵)；

p(x_i)—因子集X＝(x₁,x₂,x₃)中x_i因子的比重，且满足和 $0<H\left(X\right)\&le;{\log }_2^3.$

5.如权利要求1所述的泥石流危险度评价方法，其特征在于，对泥石流信息熵值进行归一化处理，归一化公式：

$H_c=\frac{H\left(X\right)-\min \left(H\left(X\right)\right)}{\max \left(H\left(X\right)\right)-\min \left(H\left(X\right)\right)}$

根据泥石流信息熵和泥石流危险度的关系，基于泥石流信息熵模型的危险度等级标准分为：

0.8≤H_c≤1，极低危险；

0.6≤H_c＜0.8，低度危险；

0.4≤H_c＜0.6，中度危险；

0.2≤H_c＜0.4，高度危险；

0≤H_c＜0.2，极高危险。