||
1,摘要
针对基于泥石流因子的易发性评价中选择因子不一和目前神经网络不能有效提取遥感中泥石流特征进行泥石流易发性评价的问题,本文提出一种基于自校正原型网络提取沟谷遥感图像的泥石流特征进行泥石流易发性评价的方法。以沟谷为评价单元,提取沟谷的DEM、高分1号和Google Earth遥感图像作为训练数据,引入注意力机制和空洞空间卷积池化金字塔结构构建原型网络的特征提取器,并使用自校正的方法优化原型网络的计算,将还未发生泥石流的沟谷图像输入改进后的模型计算其泥石流易发性指数,得到泥石流评价等级。运用模型对怒江州的沟谷进行评价,并与历史灾害数据进行比对,模型分类正确率达到86.32%,评估结果中的易发区和高易发区均与历史泥石流沟谷的空间分布较为吻合。相比于传统评价方法,本文方法能够通8影像叫泥树灾害球的快速识别与评价灾害的研究创新的思路
2,引言
本文以沟谷为评价单元,提取怒江州遥感影像建立沟谷泥石流灾害数据集,重新构建基于注意力机制的高分辨率网络结构作为原型网络特征提取器,使用自校正的方法优化原型的计算,将改进的原型网络模型用于沟谷的泥石流易发性评价,借助ArcGIS软件将每条沟谷易发性结果和易发性分区进行可视化。
3,研究数据
云南省怒江傈僳族自治州是全国发生泥石流最严重的州(市)之一。以沟谷流域为单元提取遥感影像构建泥石流遥感数据集。提取的沟谷图像数据包含DEM、高分一号遥感和Google Earth遥感。所使用的高分一号、Google Earth遥感和DEM数据的信息如下表所示。
数据信息 | DEM | 高分一号 | Google Earth |
数据来源 | 地理空间数据云 http://www.gscloud.cn/home | 地理空间数据云 http://www.gscloud.cn/home | Google Earth软件 |
数据类型 | 数字高程模型 | 遥感图像 | 遥感图像 |
空间分辨率 | 垂直精度20米,水平精度30米 | 16米 按照DEM采样为30米 | 2~15米 按照DEM采样为30米 |
通道数 | 1 | 4 | 3 |
时相 | 2015年1月6日发布的ASTER GDEM V2版本 | 泥石流沟谷:与发生时间后最近时间分辨率影像图像 负样本及评测沟谷:最新遥感图像 | 泥石流沟谷:与发生时间后最近时间分辨率影像图像 负样本及评测沟谷:最新遥感图像 |
数据的提取和处理如下图所示。从怒江州DEM中使用GIS软件提取河网,按照沟谷流域的沟口位置确定倾泻点(出水口),使用分水岭功能得到沟谷掩膜,最后按掩膜批量提取校正后的高分遥感影像、无偏移的Google Earth遥感影像和DEM图像。将提取到的高分沟谷图像和Google Earth沟谷图像按照DEM沟谷图像大小进行重采样,并按DEM中最大沟谷图像尺寸进行填0处理。最后将同一沟谷的三种图像进行叠加,共8个图层通道。
4,研究方法
处理流程如下图:
在训练和测试泥石流数据时,原型网络将VGG、GoogleNet、ResNet等不带分类器的卷积结构作为特征提取器,计算支持集中每一类沟谷特征的原型中心作为该类沟谷的代表,原型中心计算如式(1)所示:
$C_k=\frac{1}{|S_k|}\sum_{(x_i,y_i)\in S_k}f_\phi (x_i)$ (1)
式中$C_k$为每一类沟谷的原型中心,$S_k$为训练批次中每一类沟谷的样本集合,$|S_k|$表示该类的样本数量,$x_i,y_i$分别为某一样本和对应的标签,$f_\phi$为特征提取器,$\phi$为提取器的参数。
过式(2)计算沟谷样本$\hat{x}$属于某一类沟谷的概率:
$p_\phi (y=k|\hat{x})=\frac{exp(-d(Q_{\hat{x}},C_k))}{\sum_{k'}exp(-d(Q_{\hat{x}},C_{k'}))}$ (2)
式中$p_\phi$表示某一样本$\hat{x}$属于真实类别$x$的概率,$d$为距离度量函数,$Q_{\hat{x}}$为样本$\hat{x}$通过$f_\phi$提取的特征,$k'$表示同一批训练的每一类别。在训练优化阶段,通过将式(3)中的目标函数$J(\phi)$使用反向传播和随机梯度下降来对网络模型参数$\phi$进行优化。
$J(\phi)=-log p_\phi (y=k|x)$ (3)
在此基础上,引入注意力机制和空间金字塔池化来改进原型网络。
5,分类结果与分析
改进的特征提取器AHRFE构建的网络AHRNet比常见机器学习算法和一般的深度学习有着更好的分类预测性能。
方法 | 模型 | 总体准确率/% | 查准率/% | 召回率/% | Kappa系数 | 2分类准确率/% |
机器学习算法 | SVM | 64.74 | 64.38 | 63.49 | 0.57 | 68.95 |
决策树 | 62.63 | 60.77 | 60.93 | 0.54 | 65.79 | |
随机森林 | 64.74 | 63.40 | 65.12 | 0.57 | 66.84 | |
深度学习 | Conv6 | 35.26 | 35.97 | 38.57 | 0.23 | 60.53 |
VGG | 56.32 | 55.65 | 56.20 | 0.47 | 67.37 | |
ResNet18 | 46.32 | 51.57 | 47.39 | 0.36 | 71.05 | |
GoogleNet | 43.16 | 46.97 | 45.60 | 0.32 | 68.42 | |
AHRNet | 65.26 | 63.50 | 66.04 | 0.58 | 76.32 | |
小样本度量学习的方法 | 原型网络(VGG) | 53.33 | 53.77 | 57.17 | 0.42 | 66.67 |
原型网络(Conv6) | 56.67 | 61.41 | 64.80 | 0.47 | 76.67 | |
原型网络(ResNet18) | 50.00 | 46.73 | 48.99 | 0.40 | 71.43 | |
SCPNet | 73.68 | 73.64 | 73.39 | 0.68 | 86.32 |
本研究成果于2024年发表在《人民长江》第55卷03期上。
参考文献:
韩俊,王保云,徐繁树. 基于自校正原型网络的泥石流灾害易发性评价——以怒江州为例 [J]. 人民长江, 2024, 55 (03): 123-133. DOI:10.16232/j.cnki.1001-4179.2024.03.017.
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-5-10 06:15
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社