一種基于遷移學習的城市內澇識別方法研究

李芬

摘 要：為了有效解決目前獲得城市內澇深度方法存在的問題，本研究采用遷移學習的方法對城市內澇深度進行監測。以卷積神經網絡為基礎，通過將提取的特征向量集和標注內澇深度的數據集輸入LASSO模型中進行訓練，計算出城市內澇深度。同時，以江西省南昌市近5年來內澇圖片數據為例進行實證檢驗。結果顯示，該方法預測結果與真實的內澇水位偏差較小，與實際內澇發生情況的吻合程度較高。因此，該方法能有效識別城市內澇的真實情況，對應對頻發的城市洪水災害問題具有重要意義。

關鍵詞：遷移學習;城市內澇;卷積神經網絡;圖像識別

中圖分類號：TP18;TU992 文獻標識碼：A 文章編號：1003-5168（2021）28-00-04

Abstract： In order to effectively solve the problems existing in the current methods of obtaining urban waterlogging depth， this study uses the migration learning method to monitor the urban waterlogging depth. Based on the convolution neural network， the urban waterlogging depth is calculated by inputting the extracted feature vector set and the data set labeled waterlogging depth into lasso model for training. At the same time， take the waterlogging picture data of Nanchang in recent 5 years as an example for empirical test. The results show that the deviation between the predicted results and the real waterlogging water level is small， and the coincidence degree with the actual waterlogging is high. Therefore， this method can effectively identify the real situation of urban waterlogging， and is of great significance to solve the problem of frequent urban flood disasters.

Keywords： transfer learning;urban waterlogging;convolutional neural network;image recognition

近年來，城市洪水已經成為全球范圍內最頻繁和最嚴重的城市災害之一。目前，城市洪水深度提取的方法主要有水位傳感器、遙感影像等。丁志國、秦玉忠、丁妙增、屠佳佳研究了水位傳感器對洪澇檢測的效果，結果顯示，由于水位傳感器費用較高，能夠檢測的內澇點數量有限[1-4]，很難準確獲得覆蓋城市范圍的洪水深度。郭欣怡、張紅萍、路京選、徐宗學研究了遙感影像在城市內澇監測中的應用情況，結果顯示，基于衛星的遙感圖像受云層和植被影響，分辨率往往較低且數據樣本有限[5-8]。因此，有必要研究其他潛在的數據來源。而從市民拍攝的一些圖像中提取城市洪水深度信息是一種有潛力且經濟有效的方法，可以作為現有方法的補充。從圖像中提取城市內澇深度信息可以定義為一項計算機視覺任務，處理流程與分類、目標檢測、分割等計算機視覺基本任務類似，提取圖像中的特征向量是處理流程中的關鍵步驟[9]。

遷移學習是一種機器學習方法，是把為任務A開發的模型作為初始點，重新使用在為任務B開發模型的過程中[10]。例如，利用遷移學習從衛星圖像中提取特征向量，然后建立特征向量與缺陷值間的回歸模型?；谶w移學習得到的特征向量從圖像中提取城市洪水深度具有很大的潛力。筆者提出一種利用遷移學習從圖像中提取城市洪水深度信息的方法。

1 方法概述

基于遷移學習的城市洪水深度識別方法主要由訓練階段和測試階段組成，其過程如圖1所示。在訓練階段，將遷移學習模型作為特征提取器，從圖像中提取特征向量;然后，根據提取的特征向量和相應的觀測深度值訓練回歸模型。在測試階段，使用與訓練階段相同的遷移學習模型從測試集中提取特征向量，然后將這些特征向量輸入回歸模型，訓練回歸模型，計算城市內澇深度。

2 內澇深度的識別

為了對城市內澇的深度進行識別，首先需要從訓練集或測試集中提取特征向量，將原始圖像轉換為高級抽象特征。然后，在訓練階段，將提取到的特征向量和實際標注的內澇深度輸入回歸模型中進行訓練。之后，在測試階段，將得到的特征向量輸入經過訓練的回歸模型中，計算圖片的內澇深度。

2.1 訓練集中特征向量的提取

從訓練集或測試集中提取特征集（含特征向量的相應集合）需要經過特征提取器，而本文用到的特征提取器為預先訓練好的卷積神經網絡（Convolutional Neural Networks，CNN）[11]。遷移學習方法首先使用此卷積神經網絡來初始化網格參數，同時固定某些層的神經元初始值，然后對大量的訓練集進行特征提取。本文中選用的Incepiton V3是一個基于ImageNet的預訓練卷積神經網絡，從圖像中提取相關特征。

Incepiton V3的體系結構如表1所示。首先將圖像調整為299×299像素，然后將調整后的圖像輸入Incepiton V3的第一層，通過特定的操作提取特征。接下來，每一層將前一層提取的特征作為輸入，得到更復雜的特征。在這些層的操作之后，Incepiton V3可以將原始圖像轉換為高級抽象特征，用于分類、歸類等。

首先固定層與層之間的權重，同時去掉最后一個全連接層（線性層）及Softmax層，然后將其余的部分固定作為特征提取器，那么最后結果輸出的是2 048維度的特征向量。最終從訓練集中得到的特征向量集是這個2 048維度的向量。

2.2 內澇深度的計算

將利用Incepiton V3提取的特征向量集輸入套索算法（Least Absolute Shrinkage And Selection Operator，LASSO模型）中進行訓練[12]。該方法通過構造一個懲罰函數得到一個較為精煉的模型，使其壓縮一些回歸系數，即強制系數絕對值之和小于某個固定值，它是一種處理具有復共線性數據的有偏估計方法。LASSO回歸模型更適合特征數大于樣本集這樣的場景。

LASSO回歸模型如式（1）所示：

式中：xi（i=1，2，...，n，其中，n為樣本數）表示特征;yi（i=1，2，...，n，其中，n為樣本數）表示預測量;β0表示截距;βj（j=1，2，...，p，其中，p為代表特征數）表示第j個特征的回歸系數;γ是懲罰系數。LASSO回歸模型經轉換后可由式（2）表示：

在本研究中，使用LASSO模型進行特征選擇。LASSO模型可以將一些特征的系數設為0來去除這些特征。通過調整特征系數，可以調整所選擇特征的個數。通常采用K-Fold交叉驗證方法獲得最優的擬合值。首先，隨機打亂訓練集;其次，將訓練集分成5等分;然后，對于每次訓練過程，將其中4等分作為訓練集，剩余的1等分作為驗證集;最后，在5次迭代后，驗證集所產生結果的均值將作為模型性能的一次參考值，可以用式（3）表示：

整個過程如圖2所示。

在訓練階段，先用Incepiton V3得到的特征向量（作為X）和內澇深度（作為Y）來訓練LASSO模型;在測試階段，將Incepiton V3得到的特征向量輸入經過訓練的LASSO回歸模型中，計算圖片的內澇深度。

3 研究案例

為了訓練和測試回歸，需要創建內澇深度數據集，該數據集需要集合大量的內澇深度數據，也可以手動對圖片進行標注。標注的數據又分為標注對象和標注環境。標注環境分為不同程度的內澇雨天，且需要沒有降水的天氣圖片。標注對象應該包括一些參照物，如人行電線桿、防撞桶、欄桿、車輛等。通過比較參考對象在淹水期和非淹水期的高度，可以估算出淹水深度。

3.1 數據集

為了研究和評估該技術的可行性，采集了過去5年來南昌市內澇的圖片，圖3和圖4是數據集的一部分。其中，圖3顯示的城市內澇圖片中車為主要參照物，將其作為圖集1;

圖4顯示的城市內澇圖片中人為主要參照物，將其作為圖集2。這些圖片的原始像素是1 280×720。Incepiton V3會將其轉換為299×299像素規格。每個圖片都標注了內澇深度。

3.2 結果模擬

將所有圖片分成兩部分，即測試集和訓練集（含驗證集）。其中，測試集僅用于評估回歸模型的性能，不用于訓練和驗證;訓練集按照圖2所示的5次迭代訓練法進行訓練。采用LASSO回歸模型，對以上兩個圖集進行訓練，得到其對應的性能指標，如表2所示。

3.2.1 圖集1的內澇深度預測。實驗組收集了85個樣本來訓練LASSO模型，同時使用20折交叉驗證的方法，最終得到的λ值是0.000 735，其中有效特征數為49個。在訓練階段，模型的R2和RMSE指標分為是0.94和0.015;在測試階段，對應的R2和RMSE分別為0.75和0.031。

圖5是圖集1真實樣本與預測值的結果。其中，實線部分為真實內澇水位，圓點為訓練模型的預測結果，方點為測試模型的預測結果?？傮w來說，預測結果表現良好，符合預期。

3.2.2 圖像2的內澇深度預測。對于圖像集2，收集了148個樣本來訓練LASSO模型，同樣使用20折來對其進行訓練，獲取的最佳λ為0.000 821，同時有42個特征被選中。在訓練過程中，對應的R2和RMSE分別為0.98和0.025;在測試階段，對應的R2和RMSE分別為0.98和0.033。

圖6是圖集2真實樣本與預測值的結果。其中，實線部分為真實內澇水位，圓點為訓練模型的預測結果，方點為測試模型的預測結果。

表2數據及擬合圖（圖5、圖6）顯示，內澇圖片中以車為主要參照物的場景采用該模型，其內澇深度的觀測值同真值之間的偏差更小;而內澇圖片中以人為主要參照物的場景，其預測結果與實際發生情況的吻合程度更高。

4 結語

通過以上案例可以發現，無論內澇圖片中以車為主要參照物，還是以人為主要參照物，其對應的預測結果與真實內澇水位均具有良好的匹配程度。因此，本文中提出的遷移學習的城市內澇識別方法具有良好的內澇識別效果，能有效解決目前獲得城市內澇深度方法存在的問題。

參考文獻：

[1]丁志國，龔占龍，盛智勇.FBG傳感器在排水管道水位實時監測中的應用[J].河北農機，2021（7）：52-53.

[2]秦玉忠，吳銀成，黃春，等.城市道路積水監測用超聲波水位傳感器研究[J].自動化與儀器儀表，2021（3）：101-104.

[3]丁妙增，陳愛蓮.水位觀測儀探析與改進[J].浙江氣象，2020（4）：44-48.

[4]屠佳佳，沈冰，張永超.基于液面檢測傳感器的水位自動監測系統研究[J].浙江水利科技，2021（5）：76-79.

[5]郭欣怡，趙雙明.利用Sentinel-1/2融合影像分析城市內澇[J/OL].（2021-10-25）[2021-11-09].https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=CHXG20211025000&uniplatform=NZKPT&v=LiHL004B3v4muKKy9fk1kaKikWOVk4dxuEe9YQ0AhDIOoHlnjHdg_o3fvR_Oimw2.

[6]張紅萍.基于遙感技術的城市洪澇災害承載力評估模型研究：以武漢市為例[D].武漢：中國地質大學，2020：1-155.

[7]路京選，李小濤，李琳，等.臺風暴雨洪澇災害全鏈路遙感動態監測方法與示范[J].衛星應用，2019（11）：23-28.

[8]徐宗學，程濤，洪思揚，等.遙感技術在城市洪澇模擬中的應用進展[J].科學通報，2018（21）：2156-2166.

[9]鄭遠攀，李廣陽，李曄.深度學習在圖像識別中的應用研究綜述[J].計算機工程與應用，2019（12）：20-36.

[10]莊福振，羅平，何清，等.遷移學習研究進展[J].軟件學報，2015（1）：26-39.

[11]曲景影，孫顯，高鑫.基于CNN模型的高分辨率遙感圖像目標識別[J].國外電子測量技術，2016（8）：45-50.

[12]柯鄭林.Lasso及其相關方法在多元線性回歸模型中的應用[D].北京：北京交通大學，2011：1-40.

3701500338252