徐繁樹(shù)，王保云

（1.云南師范大學(xué)信息學(xué)院，昆明 650500；2.云南師范大學(xué)數(shù)學(xué)學(xué)院，昆明 650500；3.云南省高校復(fù)雜系統(tǒng)建模及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，昆明 650500）

0 引言

我國(guó)是受泥石流威脅人口最多的國(guó)家之一，泥石流對(duì)人民的財(cái)產(chǎn)安全和社會(huì)經(jīng)濟(jì)發(fā)展帶來(lái)嚴(yán)重威脅，因此對(duì)泥石流災(zāi)害區(qū)域進(jìn)行快速識(shí)別十分重要。

目前，對(duì)泥石流溝谷的識(shí)別方法大致有以下四類(lèi)：第一種是通過(guò)實(shí)地考察，對(duì)溝谷的地形、地貌、沖積扇特征、植被情況等進(jìn)行調(diào)查識(shí)別，此類(lèi)方法準(zhǔn)確率高，但需要投入較大的人力和時(shí)間成本。第二種主要基于遙感技術(shù)，通過(guò)構(gòu)建溝谷的目視解譯特征進(jìn)行泥石流的識(shí)別。第三類(lèi)使用統(tǒng)計(jì)學(xué)的方法，對(duì)泥石流流域面積、相對(duì)高差、松散物源面積等進(jìn)行建模，通過(guò)計(jì)算出的危險(xiǎn)因子大小，判別溝谷的危險(xiǎn)程度。第二、第三類(lèi)方法存在的問(wèn)題在于構(gòu)建特征或?qū)ξｋU(xiǎn)因子進(jìn)行選取時(shí)，主要依賴研究者的主觀判斷，需要一定的專(zhuān)業(yè)知識(shí)，且模型結(jié)果受參數(shù)選取的影響較大。最后一類(lèi)方法是基于機(jī)器學(xué)習(xí)的方法，該類(lèi)方法往往需要大量數(shù)據(jù)作為支持。

為了解決實(shí)地考察費(fèi)時(shí)費(fèi)力，以及基于遙感或統(tǒng)計(jì)方法中，人的主觀判斷對(duì)模型的影響，本文結(jié)合數(shù)字高程模型（DEM）圖與深度殘差網(wǎng)絡(luò)，以怒江地區(qū)為例，對(duì)該地區(qū)的泥石流溝谷進(jìn)行了識(shí)別。

1 實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)域概述

怒江傈僳族自治州（下簡(jiǎn)稱怒江州）位于云南西北部，有怒江、瀾滄江、獨(dú)龍江三條河流自北向南流經(jīng)。其中怒江流域溝壑縱橫、地形復(fù)雜、高差大，是泥石流災(zāi)害的高發(fā)地區(qū)。怒江流域?qū)儆趤啛釒降貪駶?rùn)季風(fēng)氣候，降水豐富，極易誘發(fā)泥石流；此外，怒江流域兩側(cè)溝谷落差大、形態(tài)狹窄，均是形成泥石流的有利條件。研究區(qū)域如圖1所示。

圖1 研究區(qū)域位置圖

1.2 數(shù)據(jù)

通過(guò)DEM獲取地表形態(tài)特征，比人工實(shí)地考察更加快速便捷，且許多泥石流相關(guān)的參數(shù)都可以通過(guò)對(duì)DEM計(jì)算后得到，如流域縱比降、土石量、沖淤面積等，我們希望這些泥石流相關(guān)特征能被殘差網(wǎng)絡(luò)所捕獲，從而完成對(duì)泥石流孕災(zāi)溝谷的快速識(shí)別。

為了適應(yīng)模型的訓(xùn)練要求，需要先區(qū)分出發(fā)生過(guò)泥石流災(zāi)害和未發(fā)生過(guò)災(zāi)害的溝谷，數(shù)據(jù)篩選方式如下：對(duì)于發(fā)生過(guò)災(zāi)害的溝谷，我們查閱了《云南減災(zāi)年鑒》，并結(jié)合相關(guān)新聞報(bào)道，將泥石流的發(fā)生地精確到村，在怒江流域共篩選出50條確認(rèn)發(fā)生過(guò)泥石流的溝谷。對(duì)于無(wú)泥石流記錄的溝谷，我們通過(guò)衛(wèi)星地圖篩選出溝谷旁有村莊或農(nóng)田，但是沒(méi)有泥石流記錄的溝谷作為負(fù)樣本，通過(guò)這種方法選取出了50條無(wú)泥石流災(zāi)害記錄的溝谷作為負(fù)樣本。這種負(fù)樣本的構(gòu)造方式與過(guò)去直接將無(wú)泥石流記錄的溝谷視為負(fù)樣本的數(shù)據(jù)構(gòu)建方式不同，因?yàn)橹挥性斐闪巳藛T傷亡或經(jīng)濟(jì)損失的泥石流才會(huì)被作為災(zāi)害被記錄，而對(duì)于沒(méi)有人煙的溝谷，其是否發(fā)生過(guò)泥石流實(shí)際上是難以確定的。

在確定了要提取的溝谷后，我們使用Arc-GIS軟件，從DEM圖中提取出這些溝谷。本實(shí)驗(yàn)所用的DEM圖來(lái)自USGS的公開(kāi)數(shù)據(jù)集，分辨率為30米。

2 實(shí)驗(yàn)方法

2.1 實(shí)驗(yàn)數(shù)據(jù)的劃分與預(yù)處理

泥石流是多種因素共同作用的結(jié)果，與當(dāng)?shù)氐耐寥?、巖體、植被覆蓋率，及溝谷的長(zhǎng)度，匯流面積，坡度等幾何形態(tài)等均有關(guān)聯(lián)。本文所研究的區(qū)域?yàn)榕饔?，在這一區(qū)域內(nèi)，可以近似認(rèn)為該區(qū)域的土壤、巖體、植被等條件是近似的，各條溝谷的主要差異在于主溝長(zhǎng)度，坡度，匯流面積等幾何特征，可以作為識(shí)別孕災(zāi)溝谷的決定性條件。這些特征均可通過(guò)DEM圖的大小和灰度等屬性描述。

首先，我們根據(jù)是否發(fā)生過(guò)泥石流，將100張DEM圖劃分為2大類(lèi)——發(fā)生和未發(fā)生；又根據(jù)流域大小和主溝長(zhǎng)度，將每大類(lèi)再劃分為3小類(lèi)，具體劃分方式見(jiàn)表1。

表1 數(shù)據(jù)的分類(lèi)方式

各類(lèi)樣本DEM示例圖片如圖2所示。

圖2 樣本示例

由于原始樣本量較少，為了適應(yīng)殘差網(wǎng)絡(luò)訓(xùn)練要求，以達(dá)到較好的訓(xùn)練效果，需要通過(guò)圖像增強(qiáng)的方式擴(kuò)充數(shù)據(jù)集。因?yàn)閹缀谓Y(jié)構(gòu)特征是本研究中的關(guān)鍵因素，故所選取的圖像增強(qiáng)方法不能破壞原DEM圖所表現(xiàn)的溝谷的形狀特點(diǎn)，因此并非所有擴(kuò)充方式均適用于本實(shí)驗(yàn)所用的DEM圖像。最終采用的變換方式為：隨機(jī)旋轉(zhuǎn)變換（90°，180°，270°）、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)，伽馬校正。

2.2 實(shí)驗(yàn)?zāi)Ｐ团c流程

殘差網(wǎng)絡(luò)（Resnet）于2015年被提出，其獨(dú)特的殘差結(jié)構(gòu)解決了普通深度神經(jīng)網(wǎng)絡(luò)隨深度增加而導(dǎo)致的梯度爆炸或消失的問(wèn)題，使得層數(shù)較高的網(wǎng)絡(luò)也能取得較好的性能，在各種圖像分類(lèi)任務(wù)上表現(xiàn)優(yōu)異。

殘差模塊的結(jié)構(gòu)如圖3所示。

圖3 殘差模塊示意圖

考慮到所使用的DEM圖的大小與公開(kāi)數(shù)據(jù)集不同，為了減小圖像縮放對(duì)輸入數(shù)據(jù)造成的損失，故在進(jìn)入網(wǎng)絡(luò)前將圖像縮放大小設(shè)定為512×512，將最后的全連接層替換為兩個(gè)線性映射以適應(yīng)修改后的圖像輸入大小，具體網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖4。

圖4 調(diào)整后的Resnet18示意圖

對(duì)該模型進(jìn)行訓(xùn)練和測(cè)試的過(guò)程為：每次實(shí)驗(yàn)從100張圖片中隨機(jī)選取33張，并且保證每類(lèi)圖片至少有5張作為測(cè)試集，不作增強(qiáng)，另外67張圖片作為訓(xùn)練圖片，采用圖像增強(qiáng)的方式擴(kuò)充到402張作為訓(xùn)練集，訓(xùn)練/測(cè)試集構(gòu)建方式與實(shí)驗(yàn)流程如圖5所示。

圖5 實(shí)驗(yàn)流程圖

3 實(shí)驗(yàn)結(jié)果與分析

3.1 訓(xùn)練環(huán)境與超參數(shù)設(shè)置

模型的訓(xùn)練與測(cè)試均在Pytorch框架下完成。硬件環(huán)境：Intel Xeon Gold-6271@2.60GHz CPU，NVIDIA Tesla P100 GPU；軟件環(huán)境：Ubuntu 18.04操作系統(tǒng)，Python 3.6，CUDA 9.0，Pytorch 0.4.1，以及圖像相關(guān)的第三方庫(kù)。

模型訓(xùn)練時(shí)使用GPU加速，具體訓(xùn)練設(shè)置如下：最大訓(xùn)練數(shù)設(shè)置為100個(gè)epoch，batch size設(shè)置為8，學(xué)習(xí)率設(shè)置為0.002，優(yōu)化方法為隨機(jī)梯度下降法（SGD），損失函數(shù)為交叉熵?fù)p失（Cross Entropy Loss），每輪訓(xùn)練后使用測(cè)試集進(jìn)行測(cè)試，保存最好的測(cè)試結(jié)果。

3.2 訓(xùn)練結(jié)果

本文共進(jìn)行了30組平行實(shí)驗(yàn)，各組實(shí)驗(yàn)結(jié)果較為相近，我們選取其中一組實(shí)驗(yàn)結(jié)果，繪制了以下圖像。

訓(xùn)練迭代100次，訓(xùn)練過(guò)程中模型的損失值隨迭代次數(shù)變換的曲線如圖6所示。

圖6 損失值變化曲線

訓(xùn)練準(zhǔn)確率、測(cè)試準(zhǔn)確率如圖7所示。

圖7 正確率變化曲線

從圖6可以看出，損失函數(shù)波動(dòng)較大，但最終能達(dá)到收斂；結(jié)合圖7，在訓(xùn)練集上的準(zhǔn)確率最后收斂到100%，在測(cè)試集上的準(zhǔn)確率與在訓(xùn)練集上的準(zhǔn)確率變化趨勢(shì)基本一致，并在過(guò)擬合前取得最好的測(cè)試準(zhǔn)確率。

3.3 性能評(píng)估

根據(jù)神經(jīng)網(wǎng)絡(luò)在測(cè)試集上的測(cè)試結(jié)果，通過(guò)以下四個(gè)指標(biāo)衡量模型的性能：召回率、準(zhǔn)確率、受試者操作特性曲線（ROC）以及。

首先給出所有實(shí)驗(yàn)結(jié)果匯總后得到的混淆矩陣，再給出各項(xiàng)性能指標(biāo)，六分類(lèi)得到的混淆矩陣如表2所示。

根據(jù)表2給出的混淆矩陣，可以得到各性能指標(biāo)的值，具體見(jiàn)表3。

表2 混淆矩陣

表3 召回率和準(zhǔn)確率

觀察混淆矩陣可以發(fā)現(xiàn)，分類(lèi)錯(cuò)誤的圖片往往被誤分到流域大小近似的類(lèi)別中，如對(duì)于大流域且發(fā)生了泥石流的圖片，有114張被正確預(yù)測(cè)，預(yù)測(cè)錯(cuò)誤的36張中，32張被分類(lèi)為大流域但未發(fā)生泥石流，這一方面說(shuō)明模型的確具有區(qū)分溝谷是否發(fā)生泥石流的能力，另一方面也說(shuō)明流域面積大小對(duì)模型的分類(lèi)結(jié)果有著較大的影響。

通過(guò)計(jì)算召回率和準(zhǔn)確率，發(fā)現(xiàn)模型對(duì)大流域溝谷是否發(fā)生泥石流的識(shí)別效果較好，其準(zhǔn)確率和召回率均能達(dá)到70%以上，且隨著流域面積變小，模型的效果變差，這說(shuō)明高差、坡度、形態(tài)等幾何特征在大流域溝谷是否發(fā)生泥石流上有著較為顯著的特征，差異比較明顯，而隨著流域面積變小，幾何特征相似度變高，因此，僅通過(guò)DEM圖較難區(qū)分其是否發(fā)生過(guò)泥石流。

為了進(jìn)一步驗(yàn)證模型的可靠性，將圖片分類(lèi)為發(fā)生泥石流和未發(fā)生泥石流兩類(lèi)，根據(jù)實(shí)驗(yàn)結(jié)果可繪制出ROC曲線（見(jiàn)圖8），計(jì)算得的值為0.70，說(shuō)明模型具有一定的準(zhǔn)確性。

圖8 ROC曲線圖

4 結(jié)語(yǔ)

本文以怒江州為研究區(qū)域，以單溝流域?yàn)樽R(shí)別單元，針對(duì)溝谷的長(zhǎng)度、高差、坡度及匯流面積等幾何形態(tài)特征對(duì)泥石流災(zāi)害進(jìn)行了識(shí)別，通過(guò)召回率、準(zhǔn)確率等指標(biāo)對(duì)模型的準(zhǔn)確性和穩(wěn)定性進(jìn)行驗(yàn)證。結(jié)果表明，通過(guò)DEM圖結(jié)合殘差網(wǎng)絡(luò)的方法可以快速識(shí)別出溝谷是否發(fā)生過(guò)泥石流，且對(duì)于流域面積較大的溝谷具有較好的識(shí)別準(zhǔn)確率，簡(jiǎn)單易行且節(jié)省了人力物力。在后續(xù)工作中，應(yīng)進(jìn)一步擴(kuò)充所使用的圖像，添加多光譜影像作為新數(shù)據(jù)，進(jìn)一步提高模型的準(zhǔn)確率。