1,摘要
结合立体卷积与残差结构,提出了一个同时对DEM数据与多光谱数据进行特征学习的网络模型。该模型一定程度上解决了常规网络在少量训练样本上无法有效习得数据特征的问题。在沟谷泥石流分类任务上达到最高76%的正确率与88%的召回率,比其它已有模型的正确率高出12%。
2,引言
本文借鉴双通道卷积神经网络结构,构建了一种能够同时对泥石流沟谷的数字高程模型(DEM)图与多光谱图像进行特征提取与学习的残差网络StereoScopicNet(SSNet)。模型在历史泥石流灾害沟谷的DEM和多光谱数据上进行训练后,然后对沟谷的泥石流孕灾危险度进行评测。
3,数据
研究区域为怒江州。本文使用的DEM数据来自USGS的公开数据集,分辨率为30米。所使用的多光谱图像来自高分一号(GF-1)卫星,GF-1所拍摄的各个光谱图范围参数与属性在表1中列出:
表1 多光谱数据参数
参数 | 16m分辨率多光谱相机 | 主要信息 |
光谱范围 | 波段1:0.45~0.52µm | 对水体穿透强 提供水体信息 |
波段2:0.52~0.59µm | 对绿色穿透力强 可区分人造地物,反映水下特征 | |
波段3:0.63~0.69µm | 叶绿素的主要吸收波段 提供植被、裸露地表信息 | |
波段4:0.77~0.89µm | 对绿色植物类别差异敏感 可用于区分植被类型,增强陆水反差 | |
幅宽 | 800km | / |
数据集的构建方式为如下:对于正样本(有泥石流灾害发生的沟谷),通过查阅2000-2019年间的《云南减灾年鉴》,并结合相关新闻报道,通过ArcGis软件提取出了怒江州内有记录的泥石流沟谷,共计50条。对于未发生泥石流灾害的沟谷,我们选取了沟谷旁有建筑或农田,且无泥石流记录的沟谷共50条作为负样本。
在初步将所提取的沟谷分为是否发生泥石流这两类的基础上,我们又根据主沟长度,将上述两类数据在各自划分为3类,数据的具体划分方式如下表所示:
表2 数据的分类方式(单位:张)
主沟长度/m | 流域面积/km2 | 发生 | 未发生 |
<5000 | <15 | 21 | 17 |
5000-10000 | 15-30 | 14 | 17 |
>10000 | >35 | 15 | 16 |
图1 各类DEM示意图
为了能充分挖掘多光谱数据与DEM的信息,我们将一条沟谷的DEM图与4张对应的多光谱图像堆叠在一起,构建出1080x1080x5的数据块作为网络的原始输入,构建方式如下所示:
图2 数据预处理方式
4,方法
图3 SSNet结构示意图
SSNet是基于立体卷积与残差结构所设计的网络,该网络结构能很好的适应所输入的数据特点。不同于仅有三个通道(RGB)的普通图像,本实验的数据块为1通道DEM数据与4通道遥感数据,每个通道图像提供的信息也各不相同,因此可以利用3D卷积块,使网络同时学习图像的空间特征及光谱间的关联特征。
网络A的输入是DEM图与四张不同光谱带图像堆叠而成的数据块。输入的数据块在经过1x1x2的卷积操作后,变成了4张1080x1080像素的特征图,之后该特征图分别通过两次1x1x3,步长为2的过滤器,生成了大小为270x270x4的特征图。另一方面,为了尽可能利用数据块中的空间特征,原1080x1080像素的特征图通过4x4的最大池化,经残差连接后与过滤器生成的结果相加。然后后使用1x1x4的卷积块,将4维特征图提取成1维,进一步提取高级特征。最后,该1维特征图经过最大池化与全连接,给出相似度评分用于危险度计算。
5,结论
SSNet在几乎各指标上的表现都是最好的。最值得注意的是高达88%的召回率,因为对于泥石流危险性评价而言,召回率尤为关键,由于召回率表示的是样本中有多少正例被正确分类,即有泥石流风险的沟谷有多少被模型所正确捕获,因此召回率高的模型可以覆盖更多真正有泥石流风险的样本,这对风险评估至关重要。
表3 实验结果
模型 | 正确率/% | 精准率/% | 召回率/% | kappa系数 |
SSNet | 76 | 66 | 88 | 0.81 |
InceptionV1 | 62 | 68 | 62 | 0.55 |
ResNet18 | 55 | 58 | 60 | 0.52 |
ResNet34 | 50 | 60 | 62 | 0.54 |
成果于2023年5月发表于《云南大学学报(自然科学版)》第45卷04期上。
参考文献:
徐繁树,王保云. 基于三维卷积与残差结构的沟谷泥石流危险度评价 [J]. 云南大学学报(自然科学版), 2023, 45 (04): 875-885.
转载本文请联系原作者获取授权,同时请注明本文来自王保云科学网博客。
链接地址:https://wap.sciencenet.cn/blog-3452484-1430841.html?mobile=1
收藏