基于深度學習的泥石流災害危險性評價

羅雨夢　王保云

摘要：泥石流作為一種極具破壞力的地質災害，它的發生造成了大量的生命財產損失，如何減小損失，對泥石流的預測是極其重要的一環。深度學習作為機器學習的一個分支，近些年來的興起，給人工智能造成了極大便利。文章通過ARCGIS軟件提取DEM（數字高程圖）來訓練VGG和InceptionNet V3，對發生泥石流的溝谷進行識別。通過兩個訓練網絡的結果對比，VGG最高能達到的75%準確率，InceptionNet V3最高能夠達到61.1%的準確率，VGG的性能表現整體優于InceptionNet V3。

關鍵詞：泥石流;數字高程模型;VGG;InceptionNet V3

中圖分類號：TP391? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）23-0003-02

每年入汛以來，我國南方大部分地區大量降水，引發經常性山體滑坡、泥石流、塌陷等地質災害，尤其是在我國西南山區西北部，海拔高，降雨侵蝕力變化趨勢系數隨海拔高度升高而不斷增加[1]，從而引發了泥石流等地質災害，造成當地大量財產損失和人員傷亡，故對泥石流的預測尤為重要。

當前，對泥石流進行預測的方法主要有以下幾種，第一種是實地泥石流定點觀測，建立泥石流風險分析和風險管理方法[2];第二種通過遙感技術，快速識別泥石流孕災區域[3-4];第三種就是基于深度學習的方法，在遙感影像的基礎上，通過網絡提取泥石流溝谷的特征，從而更加高效、快速地預測泥石流[5-6]。

本文基于深度學習的內容，為了挑選能夠較好識別泥石流的網絡，對比了兩種常見的神經網絡模型——VGG[7]、InceptionNet V3[8-9]，分別計算輸出這兩種網絡對泥石流災害的預測結果，得出泥石流數據在VGG上性能表現更加優異。

1 實驗數據

1.1 研究區域

怒江傈僳族自治州，以下簡稱怒江州，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，其中怒江、獨龍江、瀾滄江三大水系自北往南流經該地區。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、河流、降雨等影響因子的共同作用下[11]，易突發泥石流。

1.2 數據

通過查閱書籍和尋找大量新聞的報道，在怒江州這一區域確認了有泥石流發生記錄的溝谷共50處，記為正樣本;未有泥石流發生記錄的溝谷共50處，記為負樣本。我們確定了所需要的溝谷位置，通過ArcGIS地理系統分析軟件，在Matlab編程環境下，通過區域生長算法提取了這些溝谷的DEM圖，得到了訓練所需的實驗數據。

2實驗方法

2.1 數據預處理

我們將獲得的100張DEM圖數據，根據是否記錄發生過泥石流，劃分為兩大類：發生過泥石流，記為正樣本，和未發生過泥石流，記為負樣本，再在這兩種分類中，根據溝谷主溝的大小劃分為3小類，正樣本中主溝長度大于10000m的樣本數為15張，主溝長度處于10000m到5000m的樣本數為13張，主溝長度小于5000m的樣本數為22張;負樣本中主溝長度大于10000m的樣本數為16張，主溝長度處于10000m到5000m的樣本數為17張，主溝長度小于5000m的樣本數為27張。

將獲得的100張DEM圖寫入json文件，目的是易于編寫和閱讀，并把數據隨機劃分80張為訓練集，20張為測試集。在VGG網絡中，將圖片轉換為227*227的大小;在InceptionNet V3中，將圖片轉換為299*299的大小，并升為三維圖片。

2.2 模型與方法

基于卷積神經網絡的泥石流災害危險性評價體系，包括輸入層、中間層、輸出層共三個層級，在每一層進行提取泥石流特征提取的時候，當前層中所有神經元都會與上一層的神經元進行連接，每一層會進行如下形式的計算[12]：

VGG于2014年提出，探索了卷積神經網絡的深度對性能的影響，通過反復地堆疊3*3的卷積核和2*2的最大池化層，通過不斷加深層數來提高網絡性能，構建了16～19層深的卷積神經網絡，在圖像分類中取得了不錯的表現，修改了部分網絡結構，結構示意圖如圖3所示：

Inception模型于2014年提出，由于神經網絡層數的加深，帶來計算量增大和過擬合的問題，Inception模型的出現減少了計算量和避免了過擬合問題。InceptionNet V3是這個模型中比較具有代表性的一個版本，其特點是將對稱卷積計算分解成非對稱卷積計算，這種非對稱卷積拆分，可以處理更豐富的空間特征，增加了特征多樣性，在圖像分類中表現優異。在原有的InceptionNet V3網絡結構基礎上，修改了全連接部分，結構示意圖如圖4所示：

3 實驗結果與分析

在兩組網絡中，訓練迭代了各200次，部分超參數：學習率設置為0.008，batch size設置為8，dropout率設置為0.5。

在兩組網絡中，各進行了25組平行實驗，每組結果較為相似，我們分別計算了訓練的準確率和損失，測試的準確率，我們各選取其中一組實驗結果繪制如下可視化曲線。

VGG網絡的訓練準確率和損失，測試準確率，如圖5所示。

InceptionNet V3網絡的訓練準確率和損失，測試準確率，如圖6所示：

通過以上兩張圖可以看出，在訓練集上的準確率與在測試集上的準確率變化趨勢基本一致，訓練損失函數均可趨于0，對泥石流溝谷遙感圖像特征的提取在VGG上的性能要優于InceptionNet V3，VGG模型對是否發生泥石流的溝谷預測效果較好。

4 結論

對于我國常發泥石流這類地質災害，如何減小損失，及時做出防治反應，泥石流的準確預測尤為重要。本文運用深度學習的方法，通過神經網絡來提取泥石流正負樣本特征進行學習和預測，對比了不同網絡對泥石流的識別能力，發現VGG的識別能力更強。在后續工作中，通過改進VGG，進一步提高模型預測能力。

參考文獻：

[1] 劉斌濤，陶和平，宋春風，等.我國西南山區降雨侵蝕力時空變化趨勢研究[J].地球科學進展，2012，27（5）：499-509.

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

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

[4] 劉小莎，董秀軍，錢濟人，等.高植被山區泥石流物源LiDAR遙感精細識別方法研究[J].武漢大學學報（信息科學版），2022，3（11）：1-16

[5] 梁萬杰.滑坡、泥石流地質災害評價方法研究[D].南京：南京農業大學，2012.

[6] 劉永垚，第寶鋒，詹宇，等.基于隨機森林模型的泥石流易發性評價——以汶川地震重災區為例[J].山地學報，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.中國氣象局官方網站. 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，等.滇西高山峽谷區泥石流危險性評價——以怒江傈僳族自治州為例[J].云南師范大學學報（自然科學版），2019，39（3）：63-70.

[12] 付錦濤.基于神經網絡模型的都（江堰）四（姑娘山）線泥石流易發性評價研究[D].成都：西南交通大學，2020.

【通聯編輯：梁書】