羅雨夢(mèng)　王保云

摘要：泥石流作為一種極具破壞力的地質(zhì)災(zāi)害，它的發(fā)生造成了大量的生命財(cái)產(chǎn)損失，如何減小損失，對(duì)泥石流的預(yù)測(cè)是極其重要的一環(huán)。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)分支，近些年來(lái)的興起，給人工智能造成了極大便利。文章通過(guò)ARCGIS軟件提取DEM（數(shù)字高程圖）來(lái)訓(xùn)練VGG和InceptionNet V3，對(duì)發(fā)生泥石流的溝谷進(jìn)行識(shí)別。通過(guò)兩個(gè)訓(xùn)練網(wǎng)絡(luò)的結(jié)果對(duì)比，VGG最高能達(dá)到的75%準(zhǔn)確率，InceptionNet V3最高能夠達(dá)到61.1%的準(zhǔn)確率，VGG的性能表現(xiàn)整體優(yōu)于InceptionNet V3。

關(guān)鍵詞：泥石流;數(shù)字高程模型;VGG;InceptionNet V3

中圖分類號(hào)：TP391? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）23-0003-02

每年入汛以來(lái)，我國(guó)南方大部分地區(qū)大量降水，引發(fā)經(jīng)常性山體滑坡、泥石流、塌陷等地質(zhì)災(zāi)害，尤其是在我國(guó)西南山區(qū)西北部，海拔高，降雨侵蝕力變化趨勢(shì)系數(shù)隨海拔高度升高而不斷增加[1]，從而引發(fā)了泥石流等地質(zhì)災(zāi)害，造成當(dāng)?shù)卮罅控?cái)產(chǎn)損失和人員傷亡，故對(duì)泥石流的預(yù)測(cè)尤為重要。

當(dāng)前，對(duì)泥石流進(jìn)行預(yù)測(cè)的方法主要有以下幾種，第一種是實(shí)地泥石流定點(diǎn)觀測(cè)，建立泥石流風(fēng)險(xiǎn)分析和風(fēng)險(xiǎn)管理方法[2];第二種通過(guò)遙感技術(shù)，快速識(shí)別泥石流孕災(zāi)區(qū)域[3-4];第三種就是基于深度學(xué)習(xí)的方法，在遙感影像的基礎(chǔ)上，通過(guò)網(wǎng)絡(luò)提取泥石流溝谷的特征，從而更加高效、快速地預(yù)測(cè)泥石流[5-6]。

本文基于深度學(xué)習(xí)的內(nèi)容，為了挑選能夠較好識(shí)別泥石流的網(wǎng)絡(luò)，對(duì)比了兩種常見(jiàn)的神經(jīng)網(wǎng)絡(luò)模型——VGG[7]、InceptionNet V3[8-9]，分別計(jì)算輸出這兩種網(wǎng)絡(luò)對(duì)泥石流災(zāi)害的預(yù)測(cè)結(jié)果，得出泥石流數(shù)據(jù)在VGG上性能表現(xiàn)更加優(yōu)異。

1 實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)域

怒江傈僳族自治州，以下簡(jiǎn)稱怒江州，位于云南省西北部，地處橫斷山脈北段，云嶺、怒山與高黎貢山的峽谷區(qū)，其中怒江、獨(dú)龍江、瀾滄江三大水系自北往南流經(jīng)該地區(qū)。怒江州的地形陡峻，山高溝深，溝床縱坡降大，流域形狀便于水流匯集[10]，在受土壤、植被、地質(zhì)、河流、降雨等影響因子的共同作用下[11]，易突發(fā)泥石流。

1.2 數(shù)據(jù)

通過(guò)查閱書(shū)籍和尋找大量新聞的報(bào)道，在怒江州這一區(qū)域確認(rèn)了有泥石流發(fā)生記錄的溝谷共50處，記為正樣本;未有泥石流發(fā)生記錄的溝谷共50處，記為負(fù)樣本。我們確定了所需要的溝谷位置，通過(guò)ArcGIS地理系統(tǒng)分析軟件，在Matlab編程環(huán)境下，通過(guò)區(qū)域生長(zhǎng)算法提取了這些溝谷的DEM圖，得到了訓(xùn)練所需的實(shí)驗(yàn)數(shù)據(jù)。

2實(shí)驗(yàn)方法

2.1 數(shù)據(jù)預(yù)處理

我們將獲得的100張DEM圖數(shù)據(jù)，根據(jù)是否記錄發(fā)生過(guò)泥石流，劃分為兩大類：發(fā)生過(guò)泥石流，記為正樣本，和未發(fā)生過(guò)泥石流，記為負(fù)樣本，再在這兩種分類中，根據(jù)溝谷主溝的大小劃分為3小類，正樣本中主溝長(zhǎng)度大于10000m的樣本數(shù)為15張，主溝長(zhǎng)度處于10000m到5000m的樣本數(shù)為13張，主溝長(zhǎng)度小于5000m的樣本數(shù)為22張;負(fù)樣本中主溝長(zhǎng)度大于10000m的樣本數(shù)為16張，主溝長(zhǎng)度處于10000m到5000m的樣本數(shù)為17張，主溝長(zhǎng)度小于5000m的樣本數(shù)為27張。

將獲得的100張DEM圖寫(xiě)入json文件，目的是易于編寫(xiě)和閱讀，并把數(shù)據(jù)隨機(jī)劃分80張為訓(xùn)練集，20張為測(cè)試集。在VGG網(wǎng)絡(luò)中，將圖片轉(zhuǎn)換為227*227的大小;在InceptionNet V3中，將圖片轉(zhuǎn)換為299*299的大小，并升為三維圖片。

2.2 模型與方法

基于卷積神經(jīng)網(wǎng)絡(luò)的泥石流災(zāi)害危險(xiǎn)性評(píng)價(jià)體系，包括輸入層、中間層、輸出層共三個(gè)層級(jí)，在每一層進(jìn)行提取泥石流特征提取的時(shí)候，當(dāng)前層中所有神經(jīng)元都會(huì)與上一層的神經(jīng)元進(jìn)行連接，每一層會(huì)進(jìn)行如下形式的計(jì)算[12]：

VGG于2014年提出，探索了卷積神經(jīng)網(wǎng)絡(luò)的深度對(duì)性能的影響，通過(guò)反復(fù)地堆疊3*3的卷積核和2*2的最大池化層，通過(guò)不斷加深層數(shù)來(lái)提高網(wǎng)絡(luò)性能，構(gòu)建了16～19層深的卷積神經(jīng)網(wǎng)絡(luò)，在圖像分類中取得了不錯(cuò)的表現(xiàn)，修改了部分網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)構(gòu)示意圖如圖3所示：

Inception模型于2014年提出，由于神經(jīng)網(wǎng)絡(luò)層數(shù)的加深，帶來(lái)計(jì)算量增大和過(guò)擬合的問(wèn)題，Inception模型的出現(xiàn)減少了計(jì)算量和避免了過(guò)擬合問(wèn)題。InceptionNet V3是這個(gè)模型中比較具有代表性的一個(gè)版本，其特點(diǎn)是將對(duì)稱卷積計(jì)算分解成非對(duì)稱卷積計(jì)算，這種非對(duì)稱卷積拆分，可以處理更豐富的空間特征，增加了特征多樣性，在圖像分類中表現(xiàn)優(yōu)異。在原有的InceptionNet V3網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上，修改了全連接部分，結(jié)構(gòu)示意圖如圖4所示：

3 實(shí)驗(yàn)結(jié)果與分析

在兩組網(wǎng)絡(luò)中，訓(xùn)練迭代了各200次，部分超參數(shù)：學(xué)習(xí)率設(shè)置為0.008，batch size設(shè)置為8，dropout率設(shè)置為0.5。

在兩組網(wǎng)絡(luò)中，各進(jìn)行了25組平行實(shí)驗(yàn)，每組結(jié)果較為相似，我們分別計(jì)算了訓(xùn)練的準(zhǔn)確率和損失，測(cè)試的準(zhǔn)確率，我們各選取其中一組實(shí)驗(yàn)結(jié)果繪制如下可視化曲線。

VGG網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確率和損失，測(cè)試準(zhǔn)確率，如圖5所示。

InceptionNet V3網(wǎng)絡(luò)的訓(xùn)練準(zhǔn)確率和損失，測(cè)試準(zhǔn)確率，如圖6所示：

通過(guò)以上兩張圖可以看出，在訓(xùn)練集上的準(zhǔn)確率與在測(cè)試集上的準(zhǔn)確率變化趨勢(shì)基本一致，訓(xùn)練損失函數(shù)均可趨于0，對(duì)泥石流溝谷遙感圖像特征的提取在VGG上的性能要優(yōu)于InceptionNet V3，VGG模型對(duì)是否發(fā)生泥石流的溝谷預(yù)測(cè)效果較好。

4 結(jié)論

對(duì)于我國(guó)常發(fā)泥石流這類地質(zhì)災(zāi)害，如何減小損失，及時(shí)做出防治反應(yīng)，泥石流的準(zhǔn)確預(yù)測(cè)尤為重要。本文運(yùn)用深度學(xué)習(xí)的方法，通過(guò)神經(jīng)網(wǎng)絡(luò)來(lái)提取泥石流正負(fù)樣本特征進(jìn)行學(xué)習(xí)和預(yù)測(cè)，對(duì)比了不同網(wǎng)絡(luò)對(duì)泥石流的識(shí)別能力，發(fā)現(xiàn)VGG的識(shí)別能力更強(qiáng)。在后續(xù)工作中，通過(guò)改進(jìn)VGG，進(jìn)一步提高模型預(yù)測(cè)能力。

參考文獻(xiàn)：

[1] 劉斌濤，陶和平，宋春風(fēng)，等.我國(guó)西南山區(qū)降雨侵蝕力時(shí)空變化趨勢(shì)研究[J].地球科學(xué)進(jìn)展，2012，27（5）：499-509.

[2] 崔鵬.我國(guó)泥石流防治進(jìn)展[J].中國(guó)水土保持科學(xué)，2009，7（5）：7-13，31.

[3] 孫顯辰.基于深度遷移學(xué)習(xí)的遙感影像中泥石流溝谷分類[D].昆明：云南師范大學(xué)，2021.

[4] 劉小莎，董秀軍，錢濟(jì)人，等.高植被山區(qū)泥石流物源LiDAR遙感精細(xì)識(shí)別方法研究[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2022，3（11）：1-16

[5] 梁萬(wàn)杰.滑坡、泥石流地質(zhì)災(zāi)害評(píng)價(jià)方法研究[D].南京：南京農(nóng)業(yè)大學(xué)，2012.

[6] 劉永垚，第寶鋒，詹宇，等.基于隨機(jī)森林模型的泥石流易發(fā)性評(píng)價(jià)——以汶川地震重災(zāi)區(qū)為例[J].山地學(xué)報(bào)，2018，36（5）：765-773.

[7] Simonyan K，Zisserman A.Very deep convolutional networks for large-scale image recognition[EB/OL].2014：arXiv：1409. 1556[cs.CV].https：//arxiv.org/abs/1409.1556

[8] Szegedy C，Liu W，Jia Y Q，et al.Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition.Boston，MA.IEEE，2015：1-9.

[9] Szegedy C，Vanhoucke V，Ioffe S，et al.Rethinking the inception architecture for computer vision[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，NV，USA.IEEE，2016：2818-2826.

[10]泥石流形成的基本條件.中國(guó)氣象局官方網(wǎng)站. http：//www.cma.gov.cn/2011xzt/2018zt/20100728/2010072811/201807/t20 180706_472595.html，2019-07-04/2022-03-05.

[11] 孔艷，王保云，王乃強(qiáng)，等.滇西高山峽谷區(qū)泥石流危險(xiǎn)性評(píng)價(jià)——以怒江傈僳族自治州為例[J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，39（3）：63-70.

[12] 付錦濤.基于神經(jīng)網(wǎng)絡(luò)模型的都（江堰）四（姑娘山）線泥石流易發(fā)性評(píng)價(jià)研究[D].成都：西南交通大學(xué)，2020.

【通聯(lián)編輯：梁書(shū)】