基于自校正原型網絡的泥石流災害易發性評價

收稿日期：2023-04-08；接受日期：2023-08-29

基金項目：國家自然科學基金項目（61966040）

作者簡介：韓俊，男，碩士研究生，研究方向為圖像處理和深度學習。E-mail：455804886@qq.com

通信作者：

王保云，男，副教授，博士，研究方向為機器學習及圖像處理。E-mail：wspbmly@163.com

Editorial Office of Yangtze River. This is an open access article under the CC BY-NC-ND 4.0 license.

文章編號：1001-4179（2024） 03-0123-11

引用本文：韓俊，王保云，徐繁樹.基于自校正原型網絡的泥石流災害易發性評價：以怒江州為例［J］.人民長江，2024，55（3）：123-133.

摘要：

為解決泥石流易發性評價中因子選擇不一致造成的評價差異問題，以及目前神經網絡不能有效提取泥石流特征以提升易發性評價正確率問題，提出了基于自校正原型網絡的泥石流災害易發性評價方法。以溝谷為評價單元，提取溝谷的DEM、高分一號和Google Earth遙感影像作為訓練數據，引入注意力機制和空洞空間卷積池化金字塔結構構建原型網絡的特征提取器，并使用自校正的方法優化原型網絡的計算，將未發生泥石流的溝谷圖像輸入改進后的模型，計算其泥石流災害易發性指數從而得出泥石流評價等級。運用該模型對怒江州的溝谷進行評價，并與歷史災害數據進行對比。結果表明：模型分類正確率達到86.32%，評價結果中的易發區和高易發區均與歷史泥石流溝谷的空間分布較為吻合；相比于傳統評價方法，該方法能夠較好地自動學習遙感影像中泥石流特征，并實現災害區域的快速識別與評價。研究成果可為泥石流災害的研究提供新的思路。

關鍵詞：泥石流； 易發性評價； 原型網絡； 小樣本學習； 遙感影像； 怒江州

中圖法分類號： P954

文獻標志碼： A" " " " " " " " " "DOI：10.16232j.cnki.1001-4179.2024.03.017

0引 言

泥石流是一種自然地質災害，發生時會對當地居民的人身和財產安全造成重大的危害。中國泥石流研究防治工作始于20世紀60年代，唐邦興等［1-2］通過對中國山地泥石流的考察研究，繪制了早期1∶6 000 000泥石流災害分布與危險區劃圖。陳寧生［3-5］、崔鵬［6-8］等對四川、云南、新疆、西藏等特定地區的泥石流進行了考察，并提出了有效的泥石流判別方法和防治策略。隨著遙感技術的發展，從遙感產品中提取泥石流相關因子并使用動力學模型FLO-2D［9］、Debris2D［10］、DAN3D［11］等模擬特定溝谷的泥石流動力學過程，能夠較準確地研究溝谷泥石流的形成機理并提出預警和防治方法。

為了實現大面積區域和更加精確的評價，李益敏［12］、孫濱［13］、趙巖［14］等將研究區域通過匯水面積或其他閾值劃分為小流域單元，統計各單元的泥石流相關因子，通過模型學習泥石流流域因子蘊含的特征來完成其他流域的危險性分類預測。然而，各學者劃分流域和選擇因子不同導致評價結果存在差異性，為了規避這些“主觀”選擇因子的過程，劉坤香等［15］改進殘差神經網絡自動學習泥石流的DEM圖像特征進行溝谷的分類預測。楊小兵等［16］使用神經網絡訓練和識別泥石流堆積扇遙感圖像，以此尋找更多的泥石流隱患點。區域尺度上的災害數據屬于小樣本問題，小樣本學習在遙感影像較少的情況下能夠取得更好的分類效果［17-18］，部分學者通過改進小樣本學習中經典的原型網絡來進一步提高模型在處理遙感數據時的分類性能［19-21］。目前將小樣本方法用于泥石流災害遙感的研究中還較為少見。

為了解決動力學模擬研究中無法快速高效進行大面積評價和泥石流因子評價中選擇因子不一導致的評價結果差異問題，本文提出了一種基于自校正原型網絡的泥石流災害易發性評價方法。該方法以溝谷為評價單元劃分流域，利用溝谷的DEM、高分遙感和Google Earth遙感構建溝谷泥石流災害遙感數據集，并采用小樣本中經典的原型網絡作為訓練模型，自動學習溝谷遙感圖像中的泥石流特征并進行溝谷的泥石流災害易發性評價。為了提升模型性能，引入注意力機制構建一個高分辨率特征提取網絡作為原型網絡的特征提取器，同時，采用自校正的方法改進原型計算，并改進余弦退火學習率，使用漸進式焦點損失函數對模型進行優化。最后，利用ArcGIS繪制溝谷易發性分區圖，并對結果進行了詳細分析。

1研究區域概況及泥石流遙感數據集構建

云南省怒江傈僳族自治州（以下簡稱怒江州）是全國發生泥石流較嚴重的州（市）之一。怒江州地處云南省西北部橫斷山脈縱向嶺谷區，轄瀘水市、福貢縣、貢山縣和蘭坪縣，州內高黎貢山、怒山山脈、云嶺山脈近南北向延伸，瀾滄江、怒江、獨龍江等深切峽谷平行南下。全州氣候具有年溫差小、日溫差大、干濕季分明、四季之分不明顯等低緯度高原季風氣候特點。同時，因受地形地貌和緯度的影響，又具有北部冷、中部溫暖、南部熱、高山寒冷、半山溫暖、江邊炎熱等獨特立體氣候特征。高山峽谷的特殊地形、每年較高的降水量及其他因素導致怒江州泥石流災害頻發。怒江州的地理位置和地形分布情況如圖1所示。

以溝谷流域為單元提取遙感影像構建泥石流災害遙感數據集，提取的溝谷圖像數據包含DEM、高分一號遙感和Google Earth遙感，詳細信息如表1所列。

數據的提取和處理如圖2所示。使用DEM提取河網，在河網中按照溝谷流域的溝口位置確定傾瀉點，使用分水嶺功能按照傾瀉點計算溝谷掩膜，對掩膜進行修正后按掩膜批量提取校正后的高分遙感影像、無偏移的Google Earth遙感影像和DEM圖像。將提取到的高分圖像和Google Earth圖像按照DEM圖像大小進行重采樣，并按DEM中最大溝谷圖像尺寸進行填0處理，將溝谷圖像統一填充為1 164×1 164大小。最后將同一溝谷的3種圖像進行疊加，共8個圖層通道。

數據集包含正樣本、負樣本和待評價樣本。正樣本從《云南減災年鑒》［22］、相關文獻和網絡中獲得發生泥石流的山谷和村莊的精確地點信息，從而確定發生泥石流的溝谷。負樣本確定依據為在歷史記錄中不能檢索到溝谷發生泥石流信息、影像中沒有明顯的沖積痕跡和堆積扇且周圍村莊密集的溝谷。最終提取到正樣本82條、負樣本108條、其余溝谷樣本482條。

在正負樣本中，形態各異的溝谷潛在危險性存在特征差異，直接將溝谷分為正負樣本兩類訓練，在忽略特征差異的同時網絡型也不穩定。李益敏等［12］在泥石流小流域研究中，按Melton［23］指數對研究區域泥石流點的分布進行統計，0.141～0.441分段內大約有60個泥石流點，0.441～0.741分段內大約250個，0.741～1.341分段內大約50個，其余兩個分段只有不到10個。趙巖［14］、張書豪［24］等的研究中泥石流點也有著同樣的分布情況。同時研究發現Melton因子對泥石流影響最為重要［12，14］，由此可見，Melton指數是泥石流溝谷的一個重要特征。使用K-means聚類的方法按Melton指數將正負樣本溝谷各預分3類，0，1，2類屬于正樣本，3，4，5類屬于負樣本，為保持數據平衡，將個別類別樣本進行旋轉增強數據并按聚類標簽設置監督訓練標簽，結果如表2所列。

2基于自校正原型網絡的泥石流災害易發性評價

2.1基于原型網絡的評價流程

基于原型網絡的溝谷泥石流災害易發性評價流程如圖3所示，流程包括數據收集、溝谷提取、流域劃分、數據集劃分、數據集預分類、模型訓練和預測、易發性評價和易發性分區圖等。

2.2原型網絡分類模型

如圖4所示，原型網絡通過特征提取器（feature extractor）提取支持集（Support Set）中每一類溝谷的特征計算該類的原型中心（Ck），將查詢集（Query Set）中待評價溝谷x^的特征（Qx^）與原型中心進行距離度量來完成待評價溝谷的分類和預測，并通過Softmax函數計算待評價溝谷所屬類別概率。

在訓練和測試時，原型中心計算如式（1）所示：.

式中：Ck為每一類溝谷的原型中心，Sk為訓練批次中每一類溝谷的樣本集合，Sk為該類的樣本數量；xi，yi分別為某一樣本和對應的標簽；fφ為特征提取器，φ為提取器的參數。

原型網絡使用余弦或歐氏距離度量方式作為分類器，通過計算溝谷樣本x^的特征與每類原型中心的距離大小來完成分類，并通過式（2）計算溝谷樣本x^屬于某一類溝谷的概率：

式中：pφ表示某一待評價溝谷樣本x^屬于真實類別k的概率，d為距離度量函數，Qx^為樣本x^通過fφ提取的特征，k′表示同一批訓練的每一類別。在訓練優化階段，通過將式（3）中的目標函數J（φ）使用反向傳播和隨機

梯度下降來對網絡模型參數φ進行優化。.

2.3引入注意力機制的高分辨率特征提取器

在經典的網絡資源、效率和性能無法滿足的情況下，結合GoogleNet中Inception多分支結構和ResNet中殘差結構的優點，構造了雙路卷積（two path convolution，TPC）結構，并加入坐標注意力機制（Coordinate Attention，CA）［25］和空洞空間卷積池化金字塔（Atrous Spatial Pyramid Pooling，ASPP）［26］結構，提出基于注意力機制的高分辨率特征提取器（Attention-based High-Resolution Feature Extractor，AHRFE），結構如圖5所示。

AHRFE首先通過卷積來對高分辨率遙感溝谷圖像進行下采樣，使用坐標注意力機制在主干網絡中保留位置信息特征，接著使用空洞卷積池化金字塔結構和雙路卷積結構的多尺度特點來進行細節特征的提取，最后將特征進行降維和正則化，得到溝谷的深層特征。

2.4自校正原型計算改進

在樣本量極少的情況下，原型網絡比一般網絡有著更好的分類性能。但也存在著缺點：① 計算訓練樣本特征的平均值作為原型，不能準確地代表訓練樣本情況；② 提取器的泛化能力較弱，對不同的數據魯棒性差。Cheng等［19］計算原型中心、訓練樣本、測試樣本兩兩之間的損失來減少類別內差異，擴大類別間差異，以提高分類性能。Liu等［20］將預測置信度較高的測試樣本加入到訓練集中以減少類內特征帶來的偏差從而提高網絡性能。Li等［27］通過優化提取器的分類損失和度量損失來增加類間差異，最大化原型的代表能力。本文通過優化原型與訓練樣本及測試樣本之間的損失來對原型計算進行校正，改進損失計算和學習率策略來優化網絡。其次，構建基于注意力機制網絡結構作為原型網絡的特征提取器，改進后提出自校正原型網絡（Self-Calibration Prototypes Net，SCPNet）。

2.4.1原型校正

如圖6所示，計算訓練集（Support Set）的每類原型Ck，求得測試集（Query Set）與Ck之間的損失Lqc。同時計算訓練集每類中樣本與該類Ck的損失Lsc，即自校正（Self-Calibration）過程。通過最小化Lqc和Lsc來達到校正Ck的目的，提高分類性能。

Lqc為測試集樣本與Ck之間的損失，計算如式（4）所示：.

式中：N為類別數，KQ為測試集樣本個數，pφi為測試樣本x^i屬于真實類別k的概率。

Lsc為訓練集樣本與Ck之間的損失，即自校正損失，計算如式（5）所示：.

式中：KS為訓練集樣本個數。

則總的損失為.

式中：λ為自校正的損失權重，λ∈R+。

將式（6）使用隨機梯度下降對模型參數φ進行優化，使用優化后的參數φ′按式（7）重新計算原型Ck′：.

按照式（1）～（7），在訓練中循環計算損失及原型，最終不斷地優化參數φ′，對原型的計算進行校正。

2.4.2漸進式焦點損失優化

漸進式焦點損失函數（Progressive Focal Loss，PFL）［28］是在焦點損失函數［29］基礎上改進得到的，其對樣本不平衡問題和困難樣本問題有著更好的優化能力。PFL的計算如式（8）～（13）所示。.

式中：αad表示不平衡樣本的調整權重，γad表示困難樣本的調整權重，n表示每個batchsize樣本數，pt表示樣本xi的onehot概率。

2.4.3改進余弦退火優化

使用梯度下降算法優化目標函數時，按余弦方式對學習進行衰減被證明有著良好的優化效果［30］。圖7中實線為學習率按余弦方式周期性變化，周期變化能夠防止損失函數陷入局部最小值。點線表示1/4個余弦周期重啟學習率衰減，在防止損失函數陷入局部最小值的同時減少收斂輪數。點劃線表示取半個余弦周期進行學習率衰減，有助于使網絡趨于平穩，經過實驗，如圖中改進衰減策略虛線所示，在1/4個周期上衰減到一定學習率后，穩定學習率能夠帶來更好的學習效果。

2.5易發性指數

式中：Si表示樣本xi屬于第i類的預測概率也即相似概率，vi表示樣本特征向量，j表示分類數。

訓練時，將正負樣本按Melton指數分布各分為3類進行訓練學習，評價時，待評價樣本與正樣本中0，1，2類的其中一類的相似概率越高，說明待評價溝谷泥石流災害易發性越高。使用式（15）將相似概率轉化為易發性指數，將正樣本每類概率之和與負樣本每類之和作差，差值大于等于0，表示樣本與正樣本相似程度大，取正樣本中的最大值作為易發性指數，值越大易發性越大。相反，差值小于0，取負樣本中最大值的相反數為易發性指數，值越小易發性越小。.

式中：Ii表示評價樣本xi的易發性指數，SP和SN分別表示xi樣本的正樣本概率之和和負樣本概率之和，m和u分別表示正樣本和負樣本的類別數，文中m=u=3。

3結果及分析

3.1分類性能

本次實驗實現的硬件為：CPU為Intel Xeon E5-2650 v3，內存為64GB，GPU為NVIDIA GeForce RTX3090。軟件為Ubuntu 18.06、Pytorch 1.9.0、python 3.8、CUDA 11.1。實驗時，提取溝谷相關的泥石流因子，使用常見的機器學習算法學習因子特征并進行預測。同時選取常見深度學習網絡模型結構，包括卷積結構的網絡：Conv6、VGG、GoogleNet、ResNet，AHRFE加上分類器構造的AHRNet分類模型進行學習和預測。然后，將這些網絡作為原型網絡的特征提取器進行實驗。進行5折交叉驗證后計算模型評價指標，如表3所列。

可以看出，改進的特征提取器AHRFE構建的網絡AHRNet比常見機器學習算法和一般的深度學習有著更好的分類預測性能。將AHRFE作為原型網絡的特征提取器，構建的自校正原型網絡（SCPNet）總體正確率、查準率、召回率、Kappa系數都優于其他網絡。選取表3中3種評價方法中較好的分類模型，畫出正負二分類的ROC曲線如圖8所示。在ROC曲線中，SCPNet的AUC達到0.87，說明了SCPNet在識別泥石流發生情況上有著良好的分類性能。

3.2度量方式和損失計算的影響

文獻［19-20，27］使用余弦距離度量得到了更好的分類效果，文中對兩種度量進行對比，在本次實驗中，歐氏距離表現了更好的分類效果，如表4所列。

同時，文中使用了自校正原型優化方式來校正原型的計算，按照式（6）對損失函數中的λ參數進行了多輪試驗發現，當λ取6時，即總損失L=Lqc+6Lsc時，自校正效果最好，六分類和二分類正確率最高，如圖9所示。

3.3易發性評價

3.3.1易發性分區

將482條待評價溝谷及正負樣本輸入到訓練后的自校正原型網絡中，計算出易發性指數并使用自然斷點法將指數分為5個自然段：不易發區［-0.961 6，-0.754 2］、低易發區（-0.754 2，-0.543 4］、較低易發區（-0.543 4，-0.231 2］、易發區（-0.231 2，0.599 4］、高易發區（0.599 4，0.999 7］。在ArcGIS中繪制易發性分區圖，如圖10所示。從圖10中可以看出，評價為易發及高易發的溝谷分布在瀾滄江以西，易發和高易發的溝谷分布在面積大、溝長較長的溝谷中。

表5顯示按照易發等級統計各評價數量情況。從表5可以看出，正樣本數目分布隨著易發性的增加而增加，負樣本的數據分布隨著易發性的增加而減少，這說明了自校正原型網絡預測的正確性。與其他學者［12，24］ 以5 km2為閾值提取的河網和河網節點劃分小流域的評測不同，很多大溝谷被劃分成多個小流域，這使得小流域數量較多，出現按照易發性增加而所占面積減少的情況，但是文中以溝谷單元劃分流域，更加注重溝谷型泥石流的易發性評價，多數歷史泥石流均分布在較大溝谷中，表中呈現隨易發性增加面積增加的情況，說明以溝谷流域評價，結果是合理的。

3.3.2易發性分析

為了進一步地討論評價結果的情況，從DEM、高分遙感和其他模型產品中提取得到與泥石流相關的16個因子，包含一級指標因子8個，二級指標因子8個，二級指標使用一級指標間接計算得到，這些指標描述了溝谷的各項形態和特征，如表6所列。

分析時，根據Max等［36］篩選因子的方法，選出高程差、水系總長、平均坡度、Metlon、流域相對切割度、圓狀率、1 h最大降雨量、植被歸一化指數、標準化陸地水儲量指數共9個較不相關指數因子，按易發性分區統計它們的分布情況，如圖11所示，作為對比，正樣本分布如圖中虛線空心小提琴所示。從圖11可以看出，評價為易發和高易發的溝谷在分布上和正樣本非常相似，數據密度分布也非常接近，因此，改進后的原型網絡很好地學習了溝谷的泥石流特征，評價為易發和高易發的溝谷與歷史泥石流分布相似，評價結果合理。

3.3.3典型溝谷分析

在《云南減災年鑒》中檢索到4條發生人員傷亡或多次發生泥石流的溝谷，地理位置如圖12（a）中A、B、C、D處所示，4條溝谷的溝口泥石流堆積和沖刷情況如圖12（b）～（e）所示。從圖12可以看出，東月谷和咪谷河暴發的泥石流規模較大，形成較大的堆積扇，而臘咱村和色仲村由于發生規模相對前兩條溝較小，發生后已經著手治理，修建了排洪溝渠。

4條泥石流溝谷在模型中的相似概率和易發性指數如表7所列。

可以看出，模型對4條溝谷的預測全部正確，東月谷和咪谷河溝谷與正樣本2類有著較高的相似特征，并且它們的Melton指數也包含在Melton指數劃分的第2類區間，色仲村和臘咱村溝谷與正樣本0類有著較高的相似特征，它們的Melton指數包含在Melton指數劃分的第0類區間，這也說明了使用Melton對溝谷進行預劃分具有合理性。4條溝谷在李益敏等［12］評價中的結果為東月谷為低易發、咪谷河為高易發、臘咱村為高易發、色仲村為低易發。對于4條已經發生泥石流的溝谷，文中的評價與歷史情況更為符合。

4結 論

使用改進后的原型網絡對溝谷泥石流遙感影像數據進行學習，并用于泥石流災害易發性評價，通過實驗，得到以下結論：

（1） 文中構建基于注意力機制的高分辨率網絡結構作為原型網絡的特征提起器，采用自校正的方法計算原型中心，改進后的原型網絡比基于因子的機器學習分類模型和常規卷積網絡分類模型有著更好的分類預測性能，在正負樣本的分類精度達到86.32%，說明改進后的原型網絡模型有著較好的評價性能。

（2） 以溝谷流域為評測單元，將溝谷泥石流災害易發性分區分為不易發區、低易發區、較低易發區、易發區和高易發區5個等級。高易發區溝谷主要集中在瀾滄江以西，分布在貢山縣、福貢縣、瀘水市中，蘭坪縣較少，與李益敏等［12］基于泥石流因子統計分析的方法得到的易發性分布有相似的結果，這與歷史泥石流溝谷在空間的分布上較為吻合。

（3） 提取溝谷的泥石流因子，使用相關性分析選出9個具有代表性的因子，分析其在5個易發性等級中的分布情況，結果顯示高易發區和較高易發區溝谷因子與正樣本有著相似的分布，說明改進原型網絡模型較好地學習了溝谷圖像的泥石流特征，且評價結果較為合理。

參考文獻：

［1］唐邦興，杜榕桓，康志成，等.我國泥石流研究［J］.地理學報，1980（3）：259-264.

［2］唐邦興，柳素清，劉世建.我國山地災害的研究［J］.山地研究，1984（1）：1-7.

［3］陳寧生，楊成林，李戰魯，等.汶川地震次生泥石流形成發展趨勢與防治對策［C］∥汶川大地震工程震害調查分析與研究，成都，2009.

［4］陳寧生，謝萬銀，李戰魯.中國西南山區的泥石流分區與預測［J］.高原氣象，2004（增1）：134-140.

［5］陳寧生，胡桂勝.天山天池景區地質災害防治與生態環境保護關鍵技術研究及應用［J］.科技促進發展，2015（3）：380-384.

［6］崔鵬，陳曉清，程尊蘭，等.西藏泥石流滑坡監測與防治［J］.自然雜志，2010，32（1）：19-25，66.

［7］崔鵬，莊建琦，陳興長，等.汶川地震區震后泥石流活動特征與防治對策［J］.四川大學學報（工程科學版），2010，42（5）：10-19.

［8］崔鵬，楊坤，陳杰.前期降雨對泥石流形成的貢獻：以蔣家溝泥石流形成為例［J］.中國水土保持科學，2003（1）：11-15.

［9］林文，周偉，李婧，等.基于Flow-R和FLO-2D的溝谷型泥石流危險性評價［J］.人民長江，2022，53（5）：143-148.

［10］LIU K F，WU Y H.The assessement of debris flow hazard in korea using debris 2D［C］∥Interpraevent-international Symposium in Pacific Rim，2010.

［11］盛豪，胡卸文，熊沖沖.基于DAN3D的五花海泥石流運動過程模擬研究［J］.四川水力發電，2020，39（3）：11-16，93.

［12］李益敏，楊蕾，魏蘇杭.基于小流域單元的怒江州泥石流災害易發性評價［J］.長江流域資源與環境，2019，28（10）：2419-2428.

［13］孫濱，祝傳兵，康曉波，等.基于信息量模型的云南東川泥石流災害易發性評價［J］.中國地質災害與防治學報，2022，33（5）：119-127.

［14］趙巖.基于機器學習的白龍江流域潛在低頻泥石流溝識別［D］.蘭州：蘭州大學，2020.

［15］劉坤香，王保云，徐繁樹，等.基于殘差注意力機制的泥石流溝谷識別［J］.中國地質災害與防治學報，2022，33（6）：134-141.

［16］楊小兵，王登貴.基于多光譜影像和DEM的泥石流堆積扇識別研究：以白龍江流域武都段為例［J］.測繪與空間地理信息，2016，39（4）：118-121.

［17］茹穎.基于標簽傳播與小樣本學習的高光譜圖像分類方法［D］.西安：西安電子科技大學，2021.

［18］張萌月.小樣本光學遙感影像目標檢測識別技術研究［D］.北京：中國電子科技集團公司電子科學研究院，2021.

［19］CHENG G，CAI L，LANG C，et al.SPNet：siamese-prototype network for few-shot remote sensing image scene classification［J］.IEEE Transactions on Geoscience and Remote Sensing，2021，60：1-11.

［20］LIU J，SONG L，QIN Y.Prototype rectification for few-shot learning［C］∥Cham：European Conference on Computer Vision，2020.

［21］SNELL J，SWERSKY K，ZEMEL R S.Prototypical networks for few-shot learning［J］.arXiv Preprint arXiv：1703.05175，2017：1-11

［22］陳勤.云南減災年鑒［M］.昆明：云南科技出版社，2018.

［23］MELTON M A.The geomorphic and paleoclimatic significance of alluvial deposits in southern arizona［J］.Journal of Geology，1965，73（1）：1-38.

［24］張書豪，吳光，張喬，等.基于子流域特征的泥石流災害易發性評價［J］.水文地質工程地質，2018，45（2）：142-149.

［25］HOU Q，ZHOU D，FENG J.Coordinate attention for efficient mobile network design［C］∥Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition，2021：13713-13722.

［26］CHEN L C，PAPANDREOU G，KOKKINOS I，et al.DeepLab：semantic image segmentation with deep convolutional nets，atrous convolution，and fully connected CRFs［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2018，40（4）：834-848.

［27］LI H，CUI Z，ZHU Z，et al.RS-MetaNet：deep meta metric learning for few-shot remote sensing scene classification［J］.arXiv preprint arXiv：2009.13364，2020：1-12.

［28］WU B，YANG Y，YANG D，et al.Progressive hard-case mining across pyramid levels in object detection［J］.arXiv Preprint arXiv 2019.07217，2021：1-17.

［29］LIN T Y，GOYAL P，GIRSHICK R，et al.Focal loss for dense object detection［C］∥Proceedings of the IEEE International Conference on Computer Vision，2017：2980-2988.

［30］LOSHCHILOV I，HUTTER F.Sgdr：stochastic gradient descent with warm restarts［J］.arXiv Preprint arXiv：1608.03983，2016：1-16.

［31］方教勇.基于GIS的清平地區滑坡分布分形特征與危險性評價研究［D］.成都：成都理工大學，2018.

［32］劉欣.基于地形指標的黃土高原坡面侵蝕溝發生與空間分異研究［D］.西安：西北大學，2021.

［33］王毅，方志策，牛瑞卿，等.基于深度學習的滑坡災害易發性分析［J］.地球信息科學學報，2021，23（12）：2244-2260.

［34］連綱，郭旭東，傅伯杰，等.黃土高原縣域土壤養分空間變異特征及預測：以陜西省橫山縣為例［J］.土壤學報，2008，45（4）：577-584.

［35］BEVEN K J，KIRKBY M J.A physically based，variable contributing area model of basin hydrology［J］.Hydrological Sciences Journal，1979，24（1）：43-69.

［36］MAX K，KJELL J.Applied predictive modeling［M］.London：Springer，2013：84-87.

（編輯：劉 媛）