基于深度学习的泥石流灾害危险性评价

摘要：泥石流作为一种极具破坏力的地质灾害，它的发生造成了大量的生命财产损失，如何减小损失，对泥石流的预测是极其重要的一环。深度学习作为机器学习的一个分支，近些年来的兴起，给人工智能造成了极大便利。文章通过ARCGIS软件提取DEM（数字高程图）来训练VGG和InceptionNet V3，对发生泥石流的沟谷进行识别。通过两个训练网络的结果对比，VGG最高能达到的75%准确率，InceptionNet V3最高能够达到61.1%的准确率，VGG的性能表现整体优于InceptionNet V3。

关键词：泥石流;数字高程模型;VGG;InceptionNet V3

中图分类号：TP391      文献标识码：A

文章编号：1009-3044（2022）23-0003-02

每年入汛以来，我国南方大部分地区大量降水，引发经常性山体滑坡、泥石流、塌陷等地质灾害，尤其是在我国西南山区西北部，海拔高，降雨侵蚀力变化趋势系数随海拔高度升高而不断增加[1]，从而引发了泥石流等地质灾害，造成当地大量财产损失和人员伤亡，故对泥石流的预测尤为重要。

当前，对泥石流进行预测的方法主要有以下几种，第一种是实地泥石流定点观测，建立泥石流风险分析和风险管理方法[2];第二种通过遥感技术，快速识别泥石流孕灾区域[3-4];第三种就是基于深度学习的方法，在遥感影像的基础上，通过网络提取泥石流沟谷的特征，从而更加高效、快速地预测泥石流[5-6]。

本文基于深度学习的内容，为了挑选能够较好识别泥石流的网络，对比了两种常见的神经网络模型——VGG[7]、InceptionNet V3[8-9]，分别计算输出这两种网络对泥石流灾害的预测结果，得出泥石流数据在VGG上性能表现更加优异。

1 实验数据

1.1 研究区域

怒江傈僳族自治州，以下简称怒江州，位于云南省西北部，地处横断山脉北段，云岭、怒山与高黎贡山的峡谷区，其中怒江、独龙江、澜沧江三大水系自北往南流经该地区。怒江州的地形陡峻，山高沟深，沟床纵坡降大，流域形状便于水流汇集[10]，在受土壤、植被、地质、河流、降雨等影响因子的共同作用下[11]，易突发泥石流。

1.2 数据

通过查阅书籍和寻找大量新闻的报道，在怒江州这一区域确认了有泥石流发生记录的沟谷共50处，记为正样本;未有泥石流发生记录的沟谷共50处，记为负样本。我们确定了所需要的沟谷位置，通过ArcGIS地理系统分析软件，在Matlab编程环境下，通过区域生长算法提取了这些沟谷的DEM图，得到了训练所需的实验数据。

2实验方法

2.1 数据预处理

我们将获得的100张DEM图数据，根据是否记录发生过泥石流，划分为两大类：发生过泥石流，记为正样本，和未发生过泥石流，记为负样本，再在这两种分类中，根据沟谷主沟的大小划分为3小类，正样本中主沟长度大于10000m的样本数为15张，主沟长度处于10000m到5000m的样本数为13张，主沟长度小于5000m的样本数为22张;负样本中主沟长度大于10000m的样本数为16张，主沟长度处于10000m到5000m的样本数为17张，主沟长度小于5000m的样本数为27张。

将获得的100张DEM图写入json文件，目的是易于编写和阅读，并把数据随机划分80张为训练集，20张为测试集。在VGG网络中，将图片转换为227*227的大小;在InceptionNet V3中，将图片转换为299*299的大小，并升为三维图片。

2.2 模型与方法

基于卷积神经网络的泥石流灾害危险性评价体系，包括输入层、中间层、输出层共三个层级，在每一层进行提取泥石流特征提取的时候，当前层中所有神经元都会与上一层的神经元进行连接，每一层会进行如下形式的计算[12]：

VGG于2014年提出，探索了卷积神经网络的深度对性能的影响，通过反复地堆叠3*3的卷积核和2*2的最大池化层，通过不断加深层数来提高网络性能，构建了16～19层深的卷积神经网络，在图像分类中取得了不错的表现，修改了部分网络结构，结构示意图如图3所示：

Inception模型于2014年提出，由于神经网络层数的加深，带来计算量增大和过拟合的问题，Inception模型的出现减少了计算量和避免了过拟合问题。InceptionNet V3是这个模型中比较具有代表性的一个版本，其特点是将对称卷积计算分解成非对称卷积计算，这种非对称卷积拆分，可以处理更丰富的空间特征，增加了特征多样性，在图像分类中表现优异。在原有的InceptionNet V3网络结构基础上，修改了全连接部分，结构示意图如图4所示：

3 实验结果与分析

在两组网络中，训练迭代了各200次，部分超参数：学习率设置为0.008，batch size设置为8，dropout率设置为0.5。

在两组网络中，各进行了25组平行实验，每组结果较为相似，我们分别计算了训练的准确率和损失，测试的准确率，我们各选取其中一组实验结果绘制如下可视化曲线。

VGG网络的训练准确率和损失，测试准确率，如图5所示。

InceptionNet V3网络的训练准确率和损失，测试准确率，如图6所示：

通过以上两张图可以看出，在训练集上的准确率与在测试集上的准确率变化趋势基本一致，训练损失函数均可趋于0，对泥石流沟谷遥感图像特征的提取在VGG上的性能要优于InceptionNet V3，VGG模型对是否发生泥石流的沟谷预测效果较好。

4 结论

对于我国常发泥石流这类地质灾害，如何减小损失，及时做出防治反应，泥石流的准确预测尤为重要。本文运用深度学习的方法，通过神经网络来提取泥石流正负样本特征进行学习和预测，对比了不同网络对泥石流的识别能力，发现VGG的识别能力更强。在后续工作中，通过改进VGG，进一步提高模型预测能力。

参考文献：

[1] 刘斌涛，陶和平，宋春风，等.我国西南山区降雨侵蚀力时空变化趋势研究[J].地球科学进展，2012，27（5）：499-509.

[2] 崔鹏.我国泥石流防治进展[J].中国水土保持科学，2009，7（5）：7-13，31.

[3] 孙显辰.基于深度迁移学习的遥感影像中泥石流沟谷分类[D].昆明：云南师范大学，2021.

[4] 刘小莎，董秀军，钱济人，等.高植被山区泥石流物源LiDAR遥感精细识别方法研究[J].武汉大学学报（信息科学版），2022，3（11）：1-16

[5] 梁万杰.滑坡、泥石流地质灾害评价方法研究[D].南京：南京农业大学，2012.

[6] 刘永垚，第宝锋，詹宇，等.基于随机森林模型的泥石流易发性评价——以汶川地震重灾区为例[J].山地学报，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]泥石流形成的基本条件.中国气象局官方网站. http：//www.cma.gov.cn/2011xzt/2018zt/20100728/2010072811/201807/t20 180706_472595.html，2019-07-04/2022-03-05.

[11] 孔艳，王保云，王乃强，等.滇西高山峡谷区泥石流危险性评价——以怒江傈僳族自治州为例[J].云南师范大学学报（自然科学版），2019，39（3）：63-70.

[12] 付锦涛.基于神经网络模型的都（江堰）四（姑娘山）线泥石流易发性评价研究[D].成都：西南交通大学，2020.

【通联编辑：梁书】