基于殘差網絡的泥石流孕災溝谷快速識別

徐繁樹，王保云

（1.云南師范大學信息學院，昆明 650500；2.云南師范大學數學學院，昆明 650500；3.云南省高校復雜系統建模及應用重點實驗室，昆明 650500）

0 引言

我國是受泥石流威脅人口最多的國家之一，泥石流對人民的財產安全和社會經濟發展帶來嚴重威脅，因此對泥石流災害區域進行快速識別十分重要。

目前，對泥石流溝谷的識別方法大致有以下四類：第一種是通過實地考察，對溝谷的地形、地貌、沖積扇特征、植被情況等進行調查識別，此類方法準確率高，但需要投入較大的人力和時間成本。第二種主要基于遙感技術，通過構建溝谷的目視解譯特征進行泥石流的識別。第三類使用統計學的方法，對泥石流流域面積、相對高差、松散物源面積等進行建模，通過計算出的危險因子大小，判別溝谷的危險程度。第二、第三類方法存在的問題在于構建特征或對危險因子進行選取時，主要依賴研究者的主觀判斷，需要一定的專業知識，且模型結果受參數選取的影響較大。最后一類方法是基于機器學習的方法，該類方法往往需要大量數據作為支持。

為了解決實地考察費時費力，以及基于遙感或統計方法中，人的主觀判斷對模型的影響，本文結合數字高程模型（DEM）圖與深度殘差網絡，以怒江地區為例，對該地區的泥石流溝谷進行了識別。

1 實驗數據

1.1 研究區域概述

怒江傈僳族自治州（下簡稱怒江州）位于云南西北部，有怒江、瀾滄江、獨龍江三條河流自北向南流經。其中怒江流域溝壑縱橫、地形復雜、高差大，是泥石流災害的高發地區。怒江流域屬于亞熱帶山地濕潤季風氣候，降水豐富，極易誘發泥石流；此外，怒江流域兩側溝谷落差大、形態狹窄，均是形成泥石流的有利條件。研究區域如圖1所示。

圖1 研究區域位置圖

1.2 數據

通過DEM獲取地表形態特征，比人工實地考察更加快速便捷，且許多泥石流相關的參數都可以通過對DEM計算后得到，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特征能被殘差網絡所捕獲，從而完成對泥石流孕災溝谷的快速識別。

為了適應模型的訓練要求，需要先區分出發生過泥石流災害和未發生過災害的溝谷，數據篩選方式如下：對于發生過災害的溝谷，我們查閱了《云南減災年鑒》，并結合相關新聞報道，將泥石流的發生地精確到村，在怒江流域共篩選出50條確認發生過泥石流的溝谷。對于無泥石流記錄的溝谷，我們通過衛星地圖篩選出溝谷旁有村莊或農田，但是沒有泥石流記錄的溝谷作為負樣本，通過這種方法選取出了50條無泥石流災害記錄的溝谷作為負樣本。這種負樣本的構造方式與過去直接將無泥石流記錄的溝谷視為負樣本的數據構建方式不同，因為只有造成了人員傷亡或經濟損失的泥石流才會被作為災害被記錄，而對于沒有人煙的溝谷，其是否發生過泥石流實際上是難以確定的。

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。本實驗所用的DEM圖來自USGS的公開數據集，分辨率為30米。

2 實驗方法

2.1 實驗數據的劃分與預處理

泥石流是多種因素共同作用的結果，與當地的土壤、巖體、植被覆蓋率，及溝谷的長度，匯流面積，坡度等幾何形態等均有關聯。本文所研究的區域為怒江流域，在這一區域內，可以近似認為該區域的土壤、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度，坡度，匯流面積等幾何特征，可以作為識別孕災溝谷的決定性條件。這些特征均可通過DEM圖的大小和灰度等屬性描述。

首先，我們根據是否發生過泥石流，將100張DEM圖劃分為2大類——發生和未發生；又根據流域大小和主溝長度，將每大類再劃分為3小類，具體劃分方式見表1。

表1 數據的分類方式

各類樣本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，為了適應殘差網絡訓練要求，以達到較好的訓練效果，需要通過圖像增強的方式擴充數據集。因為幾何結構特征是本研究中的關鍵因素，故所選取的圖像增強方法不能破壞原DEM圖所表現的溝谷的形狀特點，因此并非所有擴充方式均適用于本實驗所用的DEM圖像。最終采用的變換方式為：隨機旋轉變換（90°，180°，270°）、水平翻轉、垂直翻轉，伽馬校正。

2.2 實驗模型與流程

殘差網絡（Resnet）于2015年被提出，其獨特的殘差結構解決了普通深度神經網絡隨深度增加而導致的梯度爆炸或消失的問題，使得層數較高的網絡也能取得較好的性能，在各種圖像分類任務上表現優異。

殘差模塊的結構如圖3所示。

圖3 殘差模塊示意圖

考慮到所使用的DEM圖的大小與公開數據集不同，為了減小圖像縮放對輸入數據造成的損失，故在進入網絡前將圖像縮放大小設定為512×512，將最后的全連接層替換為兩個線性映射以適應修改后的圖像輸入大小，具體網絡結構見圖4。

圖4 調整后的Resnet18示意圖

對該模型進行訓練和測試的過程為：每次實驗從100張圖片中隨機選取33張，并且保證每類圖片至少有5張作為測試集，不作增強，另外67張圖片作為訓練圖片，采用圖像增強的方式擴充到402張作為訓練集，訓練/測試集構建方式與實驗流程如圖5所示。

圖5 實驗流程圖

3 實驗結果與分析

3.1 訓練環境與超參數設置

模型的訓練與測試均在Pytorch框架下完成。硬件環境：Intel Xeon Gold-6271@2.60GHz CPU，NVIDIA Tesla P100 GPU；軟件環境：Ubuntu 18.04操作系統，Python 3.6，CUDA 9.0，Pytorch 0.4.1，以及圖像相關的第三方庫。

模型訓練時使用GPU加速，具體訓練設置如下：最大訓練數設置為100個epoch，batch size設置為8，學習率設置為0.002，優化方法為隨機梯度下降法（SGD），損失函數為交叉熵損失（Cross Entropy Loss），每輪訓練后使用測試集進行測試，保存最好的測試結果。

3.2 訓練結果

本文共進行了30組平行實驗，各組實驗結果較為相近，我們選取其中一組實驗結果，繪制了以下圖像。

訓練迭代100次，訓練過程中模型的損失值隨迭代次數變換的曲線如圖6所示。

圖6 損失值變化曲線

訓練準確率、測試準確率如圖7所示。

圖7 正確率變化曲線

從圖6可以看出，損失函數波動較大，但最終能達到收斂；結合圖7，在訓練集上的準確率最后收斂到100%，在測試集上的準確率與在訓練集上的準確率變化趨勢基本一致，并在過擬合前取得最好的測試準確率。

3.3 性能評估

根據神經網絡在測試集上的測試結果，通過以下四個指標衡量模型的性能：召回率、準確率、受試者操作特性曲線（ROC）以及。

首先給出所有實驗結果匯總后得到的混淆矩陣，再給出各項性能指標，六分類得到的混淆矩陣如表2所示。

根據表2給出的混淆矩陣，可以得到各性能指標的值，具體見表3。

表2 混淆矩陣

表3 召回率和準確率

觀察混淆矩陣可以發現，分類錯誤的圖片往往被誤分到流域大小近似的類別中，如對于大流域且發生了泥石流的圖片，有114張被正確預測，預測錯誤的36張中，32張被分類為大流域但未發生泥石流，這一方面說明模型的確具有區分溝谷是否發生泥石流的能力，另一方面也說明流域面積大小對模型的分類結果有著較大的影響。

通過計算召回率和準確率，發現模型對大流域溝谷是否發生泥石流的識別效果較好，其準確率和召回率均能達到70%以上，且隨著流域面積變小，模型的效果變差，這說明高差、坡度、形態等幾何特征在大流域溝谷是否發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DEM圖較難區分其是否發生過泥石流。

為了進一步驗證模型的可靠性，將圖片分類為發生泥石流和未發生泥石流兩類，根據實驗結果可繪制出ROC曲線（見圖8），計算得的值為0.70，說明模型具有一定的準確性。

圖8 ROC曲線圖

4 結語

本文以怒江州為研究區域，以單溝流域為識別單元，針對溝谷的長度、高差、坡度及匯流面積等幾何形態特征對泥石流災害進行了識別，通過召回率、準確率等指標對模型的準確性和穩定性進行驗證。結果表明，通過DEM圖結合殘差網絡的方法可以快速識別出溝谷是否發生過泥石流，且對于流域面積較大的溝谷具有較好的識別準確率，簡單易行且節省了人力物力。在后續工作中，應進一步擴充所使用的圖像，添加多光譜影像作為新數據，進一步提高模型的準確率。