基于深度學(xué)習(xí)的泥石流孕災(zāi)區(qū)域識(shí)別

彭娟 王保云 楊麗彬 孫顯辰 張漫迪

摘要：針對(duì)目前基于遙感影像技術(shù)的泥石流孕災(zāi)區(qū)識(shí)別自動(dòng)化較低、對(duì)全局特征表征有限等問(wèn)題，該文提出了基于AlexNet神經(jīng)網(wǎng)絡(luò)的泥石流孕災(zāi)區(qū)識(shí)別方法。基于云南高原山區(qū)DEM數(shù)據(jù)，利用區(qū)域生長(zhǎng)算法對(duì)泥石流孕災(zāi)溝谷實(shí)現(xiàn)對(duì)象識(shí)別、分割和驗(yàn)證。在對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)后，通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)定和數(shù)據(jù)類(lèi)別確定，進(jìn)而對(duì)泥石流孕災(zāi)溝谷的全局特征進(jìn)行有效學(xué)習(xí)，并實(shí)現(xiàn)了對(duì)溝谷發(fā)生泥石流次數(shù)的準(zhǔn)確分類(lèi)。同時(shí)，該文基于驗(yàn)證集、測(cè)試集的平均分類(lèi)精度及混淆矩陣，對(duì)模型進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明該模型針對(duì)泥石流孕災(zāi)區(qū)能夠取得較為高效準(zhǔn)確的識(shí)別效果，分類(lèi)預(yù)測(cè)平均準(zhǔn)確率可達(dá)94%。

關(guān)鍵詞：AlexNet;區(qū)域生長(zhǎng)算法;泥石流孕災(zāi)區(qū)

中圖分類(lèi)號(hào)：TP3? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）04-0090-02

1 引言

泥石流常發(fā)生于特殊的地形、地貌地區(qū)，我國(guó)疆域廣闊，地質(zhì)構(gòu)造復(fù)雜，泥石流頻發(fā)，對(duì)居民生命安全產(chǎn)生巨大威脅[1]。對(duì)此諸多學(xué)者充分利用多源數(shù)據(jù)的特性，綜合運(yùn)用機(jī)器學(xué)習(xí)算法和野外調(diào)查以進(jìn)行泥石流災(zāi)害調(diào)查評(píng)估。但目前基于遙感技術(shù)的泥石流孕災(zāi)區(qū)域的識(shí)別過(guò)程大多基于面向?qū)ο蠓指钏惴ɑ蚪y(tǒng)計(jì)參數(shù)來(lái)進(jìn)行。此類(lèi)算法對(duì)全局特征的表征能力有限，難以推廣到大范圍的泥石流孕災(zāi)溝谷識(shí)別中。深度學(xué)習(xí)[2]可以擬合任意復(fù)雜函數(shù)，能從訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)樣本特征而不需要人工調(diào)整特征參數(shù)。近年來(lái)，一些學(xué)者將其應(yīng)用到遙感影像處理中，包括土地覆蓋類(lèi)型分類(lèi)[3]、目標(biāo)識(shí)別[4]等，深度學(xué)習(xí)成為學(xué)者們的一種選擇。

有鑒于此，本文提出了基于AlexNet網(wǎng)絡(luò)的泥石流孕災(zāi)區(qū)識(shí)別方法。通過(guò)區(qū)域生長(zhǎng)算法得到云南省怒江流域河流溝谷遙感圖像，并與歷史災(zāi)害數(shù)據(jù)對(duì)應(yīng)。通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)生泥石流災(zāi)害次數(shù)的預(yù)測(cè)分類(lèi)。該方法能自動(dòng)表征物體的細(xì)節(jié)特征，避免人為設(shè)定特征、權(quán)重系數(shù)，解決特征提取的穩(wěn)定性問(wèn)題。通過(guò)本文方法在完成模型訓(xùn)練后，能夠?qū)y(cè)試集進(jìn)行預(yù)測(cè)，分類(lèi)結(jié)果準(zhǔn)確率可達(dá)94%。通過(guò)對(duì)泥石流次數(shù)的溝谷分類(lèi)，能夠?qū)ξ打?yàn)證泥石流災(zāi)害區(qū)的防范提供科學(xué)的指導(dǎo)意見(jiàn)。

2 算法原理

2.1 區(qū)域生長(zhǎng)算法

將相似的像素或區(qū)域合并為同一區(qū)域[5]，在沒(méi)有先驗(yàn)知識(shí)基礎(chǔ)的情況下，能夠在分割復(fù)雜圖像的任務(wù)中取得較好的結(jié)果。通過(guò)計(jì)算同一區(qū)域內(nèi)像素的相似性質(zhì)將相鄰連通區(qū)域中具有同樣性質(zhì)的像素歸并來(lái)實(shí)現(xiàn)區(qū)域的擴(kuò)增。本文采用八連通的區(qū)域生長(zhǎng)算法來(lái)識(shí)別河流主干和河流支流。

2.2 Alexnet神經(jīng)網(wǎng)絡(luò)模型

2.2.1 網(wǎng)絡(luò)架構(gòu)

AlexNet拓展了LeNet的網(wǎng)絡(luò)結(jié)構(gòu)，從而增強(qiáng)了學(xué)習(xí)高維和更復(fù)雜圖像特征的能力。網(wǎng)絡(luò)模型為8層結(jié)構(gòu)，其中前5層為卷積層，后3層為全連接層。模型結(jié)構(gòu)如圖1所示。

2.2.2 輸入層

AlexNet模型輸入層接收224×224×3的圖像。

2.2.3 Padding層

圖像擴(kuò)充使得實(shí)際處理過(guò)程從新補(bǔ)充的邊界進(jìn)行操作，從一定程度上解決了卷積導(dǎo)致的丟失邊緣信息問(wèn)題。

2.2.4 卷積層

卷積層負(fù)責(zé)學(xué)習(xí)圖像特征，卷積核在圖像每個(gè)位置進(jìn)行變換和映射運(yùn)算，再通過(guò)激活函數(shù)提取圖像的特征。卷積層的計(jì)算公式為：

上式中，X為輸入的圖像，W為三維卷積核，b為偏置項(xiàng)，relu（）為激活函數(shù)，yconv為卷積結(jié)果。

2.2.5 重疊池化層

池化層位于各卷積層之間，是神經(jīng)網(wǎng)絡(luò)中某一層的靜態(tài)屬性，傳遞卷積層學(xué)習(xí)到的特征信息至池化層進(jìn)行特征選擇和信息過(guò)濾，降低信息冗余。本模型采用重疊的最大池化，其公式為：

上式中，x為圖像中3×3塊內(nèi)的九個(gè)像素，ymaxpool為最大池化結(jié)果。

2.2.6 全連接層

全連接層中的每個(gè)神經(jīng)元與其前一層的所有神經(jīng)元進(jìn)行全連接運(yùn)算操作，整合具有類(lèi)別區(qū)分性的局部信息，最后一層通過(guò)激活函數(shù)后，作為模型的預(yù)測(cè)結(jié)果。采用ReLU激活函數(shù)，可避免網(wǎng)絡(luò)較深時(shí)可能產(chǎn)生的梯度彌散問(wèn)題。

2.2.7 輸出層

模型的輸出層采用softmax進(jìn)行回歸分類(lèi)，將輸出層的數(shù)值轉(zhuǎn)化為每個(gè)類(lèi)別的預(yù)測(cè)概率。

3 實(shí)驗(yàn)數(shù)據(jù)與研究過(guò)程

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)所涉及的圖像數(shù)據(jù)來(lái)源于美國(guó)地質(zhì)調(diào)查局網(wǎng)站（http：//www.usgs.gov/）。

3.2 研究過(guò)程

本實(shí)驗(yàn)的輸入數(shù)據(jù)為DEM數(shù)據(jù)，應(yīng)用區(qū)域生長(zhǎng)法來(lái)進(jìn)行溝谷主體的識(shí)別，根據(jù)泥石流溝長(zhǎng)度與寬度屬性，構(gòu)造包含該溝谷的外接矩形，得到影像切片;結(jié)合泥石流歷史災(zāi)害的位置數(shù)據(jù)，通過(guò)經(jīng)緯度對(duì)應(yīng)進(jìn)行類(lèi)別標(biāo)注，形成溝谷數(shù)據(jù)集;數(shù)據(jù)集劃分為4類(lèi)，泥石流災(zāi)害發(fā)生次數(shù)標(biāo)簽分別為：0次、1次、2次、3次及以上;設(shè)定AlexNet模型進(jìn)行泥石流孕災(zāi)溝谷識(shí)別，對(duì)未給定類(lèi)別標(biāo)簽的溝谷做出預(yù)測(cè);最后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)分析。

4 環(huán)境搭建與實(shí)驗(yàn)設(shè)置

本研究的實(shí)驗(yàn)環(huán)境：深度學(xué)習(xí)工作站，Intel Xeon處理器，8GB內(nèi)存，顯卡型號(hào)GeForce RTX 2080 Ti，編程環(huán)境python 3.7。利用Tensorflow深度學(xué)習(xí)框架泥石流溝谷數(shù)據(jù)集大小為480。訓(xùn)練集、驗(yàn)證集和測(cè)試集采用隨機(jī)選取的方式劃分，每類(lèi)圖像抽取20個(gè)樣本作為測(cè)試集，余下樣本的10%作為驗(yàn)證集，90%作為訓(xùn)練集。學(xué)習(xí)率為0.001，dropout為0.2，batch大小為32，迭代次數(shù)100次。

5 實(shí)驗(yàn)結(jié)果與分析

5.1 準(zhǔn)確率

準(zhǔn)確率變化曲線(xiàn)如圖2，模型訓(xùn)練在epoch接近100時(shí)，訓(xùn)練集準(zhǔn)確率及驗(yàn)證集準(zhǔn)確率都取得了相對(duì)訓(xùn)練的前階段更高的值，說(shuō)明模型在循環(huán)訓(xùn)練100次時(shí)，識(shí)別效果良好。

5.2 對(duì)比實(shí)驗(yàn)

為進(jìn)一步驗(yàn)證模型效果，本文將AlexNet模型與Lenet模型進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表1，實(shí)驗(yàn)證明本模型具有更好的識(shí)別效果。

6 總結(jié)

針對(duì)目前基于遙感影像的泥石流溝谷識(shí)別數(shù)據(jù)庫(kù)缺乏和相關(guān)算法的局部性，本文對(duì)DEM數(shù)據(jù)進(jìn)行識(shí)別和分割，基于深度學(xué)習(xí)網(wǎng)絡(luò)循環(huán)反饋改進(jìn)機(jī)制，實(shí)現(xiàn)對(duì)泥石流溝谷的分類(lèi)，準(zhǔn)確率達(dá)94%。相較于單一從某特質(zhì)分析及傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，該模型取得更好的預(yù)測(cè)結(jié)果，對(duì)于泥石流災(zāi)害的防治具有現(xiàn)實(shí)意義。但本研究實(shí)驗(yàn)數(shù)據(jù)不充足，需要進(jìn)一步收集整理，獲得更多有標(biāo)注數(shù)據(jù)，優(yōu)化設(shè)計(jì)模型泛化能力。

參考文獻(xiàn)：

[1] 張楠，方志偉，韓笑，等.近年來(lái)我國(guó)泥石流災(zāi)害時(shí)空分布規(guī)律及成因分析[J].地學(xué)前緣，2018，25（2）：299-308.

[2] Lecun Y， Bengio Y， Hinton G. Deep learning[J]. Nature， 2015， 521（7553）：436.

[3] Kussul N， Lavreniuk M， Skakun S， et al. Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data[J]. IEEE Geoscience & Remote Sensing Letters， 2017， 14（5）：778-782.

[4] Gong C， Yang C， Yao X， et al. When Deep Learning Meets Metric Learning： Remote Sensing Image Scene Classification via Learning Discriminative CNNs[J]. IEEE Transactions on Geoscience & Remote Sensing， 2018， 56（5）：2811-2821.

[5] 韓紀(jì)普，段先華，常振.基于SLIC和區(qū)域生長(zhǎng)的目標(biāo)分割算法[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（1）：213-218.

收稿日期：2021-06-02

基金項(xiàng)目：云南省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目（D2019087）

作者簡(jiǎn)介：彭娟（1999—），女，云南大理人，學(xué)士，數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)專(zhuān)業(yè)。