民和縣淤地壩遙感解譯及其運行狀況分析

王啟宏

(民和回族土族自治縣水土保持站，青海 民和 810800)

1 研究背景

淤地壩是修建在多泥沙溝道中用于固溝減蝕、蓄洪滯洪和控制泥沙輸移的一種水土保持工程措施[1]，通常以單壩或壩群形式出現。長期的社會生產實踐表明，淤地壩在滯洪減沙的同時，還可以淤地造田、蓄水養殖、以壩代路，在發展農業生產和改善生態環境等方面發揮著重要作用[2]。2019年9月，習近平總書記在黃河流域生態保護和高質量發展座談會上提出“有條件的地方要大力建設淤地壩”。早期修建的淤地壩大多為群眾自發建設的小型水利工程，缺乏合理規劃，現大部分已淤滿，失去蓄洪滯洪功能；后期修建的淤地壩，有相當多的是由兩大件構成，沒有配套泄洪設施。隨著全球氣候變化，部分地區因極端暴雨引起連續垮壩，對下游造成較大洪水災害[3]。因此，對淤地壩進行動態監控十分有必要。

《黃河流域生態保護和高質量發展規劃綱要》中提出，要建立跨區域淤地壩信息監測機制，實現對重要淤地壩的動態監控和安全風險預警。而動態監控淤地壩最重要的問題之一就是如何從大量影像數據中識別出淤地壩影像，同時準確獲得現有淤地壩的空間位置及淤積面積等信息，為淤地壩的加固維修提供依據。現實中淤地壩通常分布少、控制面積小，低分辨率遙感影像難以識別提取，而目視解譯及實地考察等方法又耗費大量人力、物力，且目視解譯依賴解譯人員的經驗，局限性較大，加之有些淤地壩受地形、地理位置影響，技術人員無法實地考察，這些均會影響淤地壩影像提取精度。如何從大范圍遙感影像中快速識別、提取高精度淤地壩影像信息，減少人力、物力的消耗，實現淤地壩動態監控、空間優化配置及水土流失防治，是本研究的重點。

2 研究區概況

民和縣是青海省海東市下轄縣，位于青海省東部邊緣。縣境南北長約96 km、東西寬約32 km，總面積1 890 km2；海拔最高4 220 m，最低1 650 m；年均氣溫9.4 ℃，年均降水量351.4 mm；黃河及其支流湟水分別從其南部、北部流過，年總徑流量2.289億m3。民和縣地處青藏高原與黃土高原過渡地帶，山大溝深，植被稀疏，是青海省水土流失較為嚴重的地區之一。為防治水土流失，自20世紀90年代開始，民和縣開展了淤地壩建設，以單壩建設為主；2003年水利部“亮點工程”啟動實施后，民和縣加快了淤地壩的建設。根據野外調查數據，民和縣現有淤地壩41座，其中骨干壩24座、中型壩15座、小型壩2座。2座小型壩主要是為發展農業生產而修建，也被稱為“生產壩”，其在調控徑流和攔截泥沙方面的效果十分有限，本研究未作考慮，僅考慮其余39座淤地壩。為了解民和縣39座淤地壩現狀及其運行狀況，本研究采用GIS空間分析與機器學習相結合的方法，對獲取的淤地壩遙感影像進行自動、快速、精確的解譯，并結合野外調查，對其解譯結果進行印證。

3 樣本標簽制作

39座淤地壩遙感影像均來自于Google Earth，其空間分辨率為0.3 m。影像中淤地壩的形態特征比較簡單，最明顯且易被識別的為壩體和壩地。在原始影像中壩體影像通常呈矩形或類矩形，少數呈類三角形；壩頂因以壩代路，常用于連接溝道兩岸的交通，其影像呈線狀；壩地處于壩體后方，由壩體攔截流域內泥沙淤積而成，和周圍地形相比，壩地地勢平緩，表面平整[見圖1(a)]。根據淤地壩原始影像，在ArcGIS Pro中對淤地壩影像進行二分類標注，用于模型訓練，將淤地壩壩體及壩地區域標注為1(白色區域)、非淤地壩區域標注為0(黑色背景區域)，然后將影像裁剪成512×512像素大小[見圖1(b)]，39座淤地壩共制作樣本影像170個。有的樣本影像質量好，分辨率高，可直接處理為相對應的樣本標簽[見圖1(c)]；有的樣本影像因在網絡中過度擬合，限制了其粗分類的能力，為得到泛化能力更強的樣本影像，需采用旋轉、翻轉和平移等幾何變換的方法，對樣本影像進行數據增強處理，得到增強后的圖像[見圖1(d)]和相對應的樣本標簽[見圖1(e)]。處理后最終得到樣本標簽1 336個，按照訓練與驗證之比為8∶2進行隨機劃分，得到訓練樣本標簽1 068個、驗證樣本標簽268個。

圖1 樣本標簽制作流程

4 研究方法

4.1 基于DeepLab V3+模型的語義分割

DeepLab V3+是目前遙感影像分割領域中圖像分割效果較好、應用較為廣泛的模型之一，因此本研究采用了基于深度學習的語義分割模型DeepLab V3+，對遙感影像中的淤地壩影像進行了提取。DeepLab V3+模型在計算機深度學習環境PyTorch1.7.1上運行，編譯語言為Python3.7.12，使用NVIDIA Tesla P100顯卡(顯存16 GB)進行訓練，其網絡結構主要由編碼層和解碼層組成(見圖2)。由圖2可知，DeepLab V3+對遙感影像的提取流程為：在編碼層，采用ResNet101骨干網絡對影像進行特征提取，分別生成淺層語義特征圖及高級語義特征圖。其中，淺層語義特征圖經空洞卷積判別后，直接傳輸到解碼層，進行1×1卷積運算；高級語義特征圖經空洞卷積判別后，需通過空洞空間金字塔池化(ASPP)模塊，進行多尺度采樣，得到多尺度特征圖，再將多尺度特征圖進行融合處理，經過1×1卷積運算降低通道維度后，傳輸到解碼層進行4倍上采樣。而后，在解碼層將兩種特征圖處理結果進行拼接處理，經過3×3卷積運算后，通過4倍上采樣，將處理過的特征圖恢復到與原圖相同的尺寸，最后輸出結果圖。

圖2 DeepLab V3+對遙感影像的提取流程

4.2 模型評價指標

通過混淆矩陣(見表1)，采用精確率(P)、召回率(R)、F1分數(F1Score)和交并比(IoU)來評估模型性能，其值越大，模型性能越好。其中，精確率表示在模型識別為正例的樣本中，真正例的樣本所占的比例；召回率表示模型正確識別為正例的樣本占總的正例樣本的比值；F1分數表示精確率和召回率的調和平均數；交并比表示真實值和預測值集合的交集與并集之比。

表1 混淆矩陣

精確率(P)、召回率(R)、F1分數(F1Score)和交并比(IoU)的計算公式分別為

(1)

(2)

(3)

(4)

4.3 最優DeepLab V3+模型訓練

對DeepLab V3+模型進行淤地壩影像提取訓練，共迭代80 000次，其損失值變化趨勢見圖3。由圖3可以看出，損失值在訓練初期迅速下降，表明模型正在快速擬合，學習效率較高。隨著迭代繼續，約在20 000次時，模型損失值下降到0.03，并開始呈現緩慢下降的趨勢，直至最終收斂，表明模型達到穩定，訓練結束。對獲得的模型進行精確率、召回率、F1分數和交并比評估，其結果見表2。由表2可知，模型識別淤地壩影像的精確率為97.24%、召回率為94.07%、交并比為91.62%、F1分數為95.63%，表明該模型各方面性能較高，能夠應用于淤地壩影像的識別提取。

圖3 DeepLab V3+模型訓練時損失值的變化趨勢

表2 基于DeepLab V3+模型的淤地壩影像提取結果評估 %

5 結 果

5.1 基于DeepLab V3+模型的民和縣淤地壩影像提取

將訓練好的模型應用到民和縣遙感影像上，測試其對淤地壩影像的識別提取能力。結果發現：能識別出全部骨干壩影像，召回率達到100%；僅能識別出15座中型壩中的12座影像(見圖4)，有3座影像未能識別出，分別為漢家溝、池溝1#及高崖溝2#中型壩。識別錯誤、未能提取淤地壩影像的原因可能為：一是受Google Earth影像質量的影響；二是制作樣本標簽時，淤地壩樣本標簽不夠全面，相對應的訓練樣本較少。

5.2 基于遙感解譯的民和縣淤地壩運行現狀

通過遙感解譯，結合現場調查，民和縣39座淤地壩運行現狀見表3。由表3可知，39座淤地壩主要分布在米拉溝和隆治溝流域，總壩控面積為119.69 km2，總庫容為1 673.19萬m3，已淤地面積為58.96萬m2，已淤積庫容達645.92萬m3。其中米拉溝壩系控制面積62 km2，骨干壩11座，自2008年壩系建成以來，已淤地面積11.08 hm2。從解譯結果中可以發現，大部分淤地壩庫內均有蓄水，高崖溝1#骨干壩、荒草山中型壩、大莊溝骨干壩、秦家灣骨干壩等下游均有農田，可以滿足防汛條件下蓄水灌溉及農村生產生活等用水需求。在以壩代路方面，隆治溝池灘溝2#骨干壩的建成，將前山村到隆治鄉政府的路程由以前的16 km縮短到5 km；米拉溝樂巴溝1#骨干壩和河西溝1#骨干壩的建成，直接連通了溝道兩邊的村子，避免了之前的繞山而行，既能縮短路程，又能保證出行安全。

表3 民和縣39座淤地壩運行現狀

6 應用前景及存在的限制

本研究以遙感及深度學習等技術為支撐，以具有滯洪減沙、淤地造田功能的淤地壩為研究對象，提出了一種能夠應用于大尺度的淤地壩影像提取方法，并將其應用到青海省民和縣。結果表明：相較于以往淤地壩在區域尺度上的調查存在低效及遺漏的情況，本研究采用的方法更方便、快捷，且準確；從提取的效果來看，淤地壩識別精度高達90%以上，這對及時獲取淤地壩分布和運行狀況等信息、強化防汛應急搶險，以及科學客觀評價淤地壩建設成效等具有重要意義[4]。另外，只要收集到足夠多的樣本數據進行訓練，該方法還可以應用到其他區域的淤地壩影像提取上。

受Google Earth影像質量及空間分辨率的限制，本研究只能應用到淤地壩影像的識別提取。在野外調查過程中，發現民和縣中型以上病險淤地壩數量較多，尚未除險加固的骨干壩和中型壩占總數的50%左右，而在制作淤地壩樣本時，淤地壩的病險特征無法在影像上呈現，因此該方法目前還不能應用到病險淤地壩影像的識別提取。但是，隨著高時空分辨率遙感影像及無人機攝影技術的發展，可獲取分辨率更高的影像數據，用于標注病險淤地壩，并制作成相應的樣本標簽用于模型訓練，以完成病險壩影像的識別提取。