基于殘差網絡的怒江泥石流溝谷分類及其預測

劉存熙，王保云，2

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

0 引 言

泥石流是山區常見的自然災害，具有突發性、群發性、伴生性、時段性、破壞性等顯著特點。泥石流主要受地形地貌、降水量、植被覆蓋、氣候條件等自然因素和人類活動等因素的影響。災害發生區域分布不均，類別眾多。近年來，我國泥石流災害頻繁，云南怒江流域更是高發地區，泥石流一旦發生常常造成巨大損失，甚至人員傷亡。若能正確預測泥石流發生溝谷，提前做好防范，便能減少損失。

深度學習是學習樣本數據的內在規律和表示層次，是一個復雜的機器學習的算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關技術。深度學習是一類模式分析方法的統稱，其中卷積神經網絡（CNN）就屬于深度學習的范疇。隨著信息技術的發展，將卷積神經網絡應用于泥石流溝谷的圖像分類及預測已經成為主流的方法之一。實驗中經常用到的神經網絡模型主要有LeNet網絡、AlexNet網絡、VGG網絡、GooleNet網絡、ResNet 網絡等。當卷積網絡變得越來越深時，一個新的研究問題出現了：隨著輸入信息或者梯度信息穿越很多層網絡后，它可能會消失。其中ResNet 網絡可以更好地提取圖片特征，能夠加深網絡結構來提高準確率，防止過網絡退化。

怒江傈僳族自治州是云南省泥石流典型的高發地區，頻發的泥石流災害給當地居民的生活帶來了嚴重的影響。區別于實地考察、對溝谷特征進行調查的方法，本文通過深度學習的方法，結合數字高程模型（DEM）圖與殘差網絡，通過神經網絡卷積運算對圖像進行特征提取，對怒江流域的泥石流溝谷進行了分類以及預測，取得了良好的效果并節約了大量的人力資源。

1 研究數據

1.1 研究區域

如圖1所示，怒江傈僳族自治州位于云南省西北部，該地區跌宕起伏，北高南低，屬典型的高山峽谷深切割地貌。由于區域內條狀高山與縱谷并列的地形特點、線狀褶皺斷裂與巖帶伴生的地質特點以及干濕季分明且濕季明顯長于干季的氣候特點，使其成為云南省泥石流災害高發區。

圖1 研究區域

1.2 數據處理

數字高程模型（DEM）是以數字形式按一定結構組織在一起，表示實際地形特征空間分布的數字模型，也是地表和地形起伏的數字描述。本文的數據來源是通過查閱《云南減災年鑒》以及查找有關怒江流域泥石流的新聞，按記載信息結合地圖，確定具體發生的村和溝谷。通過收集處理數據，共得到50 條確定發生過泥石流的溝谷作為正樣本，同樣的，查找50 條沒有任何發生泥石流記錄且人員密集居住的溝谷作為負樣本，然后我們使用ArcGIS 軟件從DEM圖中將這些溝谷提取出來。根據溝谷的面積大小，分別將正負樣本各分為三類，如表1所示，并將溝谷圖像分成了六類。我們將六類數據集放入PyCharm 中通過代碼編程，將六類數據集分別打上標簽，圖2是從六類樣本中分別抽出的一張溝谷圖像。

表1 圖像分類

圖2 部分溝谷DEM 圖

2 研究方法

殘差神經網絡（ResNet）是由微軟研究院的何愷明、張祥雨、任少卿、孫劍等人提出的，作者對殘差網絡命名的解釋是：網絡一層通常可以看作=（），而殘差網絡的一個殘差塊可以表示為（）=（）＋，也就是（）=（）-，在單位映射中，=便是觀測值，而（）是預測值，所以（）便對應著殘差，因此叫殘差網絡。殘差網絡通過引入恒等路徑使權重參數有效傳遞與更新，解決了卷積神經網絡層數加深導致的過擬合、權重衰減、梯度消失等問題，性能表現優異。在進入網絡前先通過Python 將DEM 圖統一放縮為224×224 的大小，為了減少參數大小，我們將全連接層設置一層，本文的殘差網絡結構框架如圖3所示。

圖3 網絡結構圖

根據VGG 網絡模型得到啟發，我們以一個卷積核全為3的Conv7 網絡結構為基礎，在該網絡結構上添加了三層殘差模塊，通過最大池化層縮小圖片大小，最后經過一層全連接層。

殘差塊的結構圖如圖4所示。

圖4 網絡結構圖

在神經網絡訓練過程中，網絡中的參數也隨著梯度下降在不斷地更新。這樣可能會造成上層網絡需要不斷調整來適應輸入數據分布的變化，導致網絡學習速度的降低，以及網絡的訓練過程容易陷入梯度飽和區，減緩網絡收斂速度等問題。因此我們在殘差塊中引入了批歸一化（Batch Normalization, BN）處理，這樣可以加快模型的收斂速度，并且能夠解決深層網絡中存在的梯度消失的情況，讓模型變得更加穩定。

激活函數我們選擇了Relu 函數，Relu 函數的優勢主要有：沒有飽和區，不存在梯度消失的問題，可以防止梯度彌散；其次Relu 函數沒有復雜的指數運算，計算簡單，效率很高，實際的收斂速度較快。池化層我們選擇使用最大池化層，有效地降低了特征圖的大小，減少了參數量，去除了冗余信息，簡化了我們的網絡復雜度。損失函數的學習率我們設置為0.001，學習率如果過大可能會使損失函數直接越過全局最優點，此時loss 會變得過大，如果學習率過小，就會使損失函數的變化速度變得緩慢，會大大增加網絡的收斂復雜度，并且很容易被困在局部最小值或者鞍點，經過我們多次實驗對比，得出當學習率為0.001 使時取得的效果較為理想。momentum 動量我們設置為0.9，在對網絡進行訓練時，最開始會對網絡進行權值初始化，但這個初始化不可能是最合適的；因此可能就會出現損失函數在訓練的過程中出現局部最小值的情況，而沒有到達全局最優的狀態。momentum的出現可以在一定程度上解決這個問題。當momentum 越大時，就有可能擺脫局部凹區域，從而進入全局凹區域，Momentum 主要用于權值優化。

對該模型的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20 張，并且保證每類圖片至少擁有3 張作為測試集，其余的80 張圖片作為訓練集，實驗流程如圖5所示。

圖5 實驗流程圖

3 實驗結果與分析

本文基于怒江流域的溝谷數字高程模型（DEM）圖，使用殘差網絡來對溝谷圖像進行訓練，實現分類及預測。我們設置了兩組神經網絡模型作為對照試驗，模型一是Conv7網絡，模型二則是在Conv7 的結構上添加了三層殘差模塊的殘差網絡，通過結果的預測正確率，訓練函數，損失函數來判斷模型的優劣。我們共進行了5 次實驗，實驗結果較為穩定，因此選取5 次實驗的平均正確率作為實驗結果。重要的參數有：lr：0.001，epochs：200，batch_size：8。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），交叉熵能夠衡量同一個隨機變量中的兩個不同概率分布的差異程度，在機器學習中就表示為真實概率分布與預測概率分布之間的差異。交叉熵的值越小，模型預測效果就越好。每輪訓練后使用測試集進行測試，保存最好的測試結果。實驗結果如圖6、圖7所示。

從圖6和圖7可以看出，兩個模型損失函數盡管有波動，但總體呈下降趨勢，并最終都能達到收斂。兩個模型在訓練集上的準確率總體呈上升趨勢，最后的訓練正確率都收斂到100%。模型一在測試集上的準確率開始呈上升趨勢，隨后在52.381%和57.143%之間波動，沒有收斂；模型二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，并最終收斂到60%。結果表明，在卷積神經網絡基礎上添加殘差塊，可以提取更多的圖像特征，取得更高的測試正確率，并有助于實現測試正確率的收斂。本文采用殘差網絡對怒江流域的溝谷數字高程模型（DEM）圖進行訓練能夠實現較好的分類以及預測，為怒江流域泥石流預警及防治工作提供理論參考，尤其是在雨季來臨時，做好防范準備。

圖6 模型一的損失值與正確率變化曲線

圖7 模型二的損失值與正確率變化曲線

4 結 論

泥石流的形成受多種因素的影響。通過對卷積神經網絡添加殘差模塊能更好地提取泥石流溝谷圖像的特征，防止過擬合現象，提高模型預測的正確率。利用殘差網絡對怒江流域的溝谷數字高程模型（DEM）圖進行分類和預測是一種便捷有效的方法，但該方法仍存在很多不足之處，如DEM圖只能體現溝 谷本身的特征，無法反映溝谷上的植被覆蓋情況，而植被的覆蓋情況和泥石流的發生有著密切的關系。其次，樣本數量較少，容易出現偶然性，精度較差。最后本文的殘差神經網絡仍有很多改進的地方，卷積神經網絡需要優化結構設計，尋找更高效的神經元和結構單元。