1,导读
王保云博士团队提出了提基于双通道残差结构的泥石流沟谷分类方法,该方法命名为双通道残差网络(two-way residual network, TWRNet)。论文发表在2023年11月的《贵州大学学报(自然科学版)》上。
首先采用切片的方式对数字高程(digital elevation model, DEM)数据和遥感数据分开处理,并使用改进的残差结构进行特征提取;然后将特征进行融合,并使用通道注意力机制SE(squeeze-and-excitation networks)模块进行通道增强;最后给出泥石流沟谷的分类结果。在训练过程中,本文使用了交叉熵和焦点损失构成的联合损失函数。TWRNet在泥石流沟谷识别方面达到了最高89.28%的识别率和87.50%的召回率,模型性能良好。
2,研究区域与研究数据
迪庆藏族自治州位于云南省西北部滇、藏、川三省交界处,其地势北高南低,地形以山地、岭峰为主,境内有澜沧江与怒江两大流域。而澜沧江上游流域沟壑纵横,地形复杂,高差大,是泥石流灾害的高发地区。
本文中的数据采用 DEM和遥感数据。 DEM数据来自公开数据集USGS,分辨率为30m。 遥感数据全部来自高分一号卫星(GF-1),分辨率为16m,采用的光谱信号为蓝波段、绿波段、红波段、近红外波段。 其中DEM能提供沟谷的地形信息,比如主沟的长度、汇水面积、土石量、坡度、坡向等。 遥感数据能够提供沟谷的地表信息,比如地表的植被覆盖率、建筑物、水系条件等。
为了使数据能够适应我们的模型,实验要对数据进行一些预处理。 首先要区分出发生过泥石流的沟谷以及未发生过泥石流的沟谷。 处理方式如下:对于发生过泥石流灾害的沟谷,本文查阅了《云南减灾年鉴》以及相关的新闻报道,将泥石流的发生地精确到村,并结合相关新闻报道,在澜沧江流域选取82条确认发生过泥石流的沟谷。 而对于没有被记录的泥石流沟谷,通过谷歌地球的卫星地图选取附近有村庄或农田的沟谷,并记录下来。通过这种方法得到了85条无灾害记录的沟谷。 将上述发生泥石流的82条沟谷记为正样本,无灾害记录的85条泥石流沟谷记为负样本。
按照小、中、大的流域面积分类方法将正负样本各分为3类。 其中正样本为0、1、2,负样本为3、4、5。
3,方法
模型训练流程可以分为3个主要步骤。 首先,对输入数据进行预处理,每条沟谷数据都包含1通道的DEM数据和4通道的遥感影像。 这两种数据经过适当处理后,被叠放成5层的数据块,以符合TWR模型的输入要求。 其次,把增强后的数据分为训练集与测试集进行训练,并输出模型在测试集上的准确率、精确率、召回率、F1-Score以及Kappa系数等评估指标。 最后,在训练的过程中,根据得到的参数和指标不断优化模型,保存训练平稳的最优的模型参数。
双通道残差网络的详细结构如下图所示。
4,结果
Backbone | 2分类准确率/% | 6分类准确率/% |
TWRNet | 89.28±0.00 | 89.28±4.00 |
DCRHNet | 75.00±4.00 | 71.42±0.00 |
VGG | 75.00±4.00 | 71.42±6.00 |
ResNet18 | 82.14±0.00 | 85.71±0.00 |
ResNet34 | 85.71±0.00 | 85.71±3.00 |
ResNeXt | 82.14±4.00 | 78.57±4.00 |
EfficientNet | 75.00±11.00 | 71.42±10.00 |
从表中可以看出,相比较其他网络结构,TWR-Net具有更好的沟谷特征识别能力。 TWR-Net在沟谷特征提取任务中的表现要优于其他模型,接近0. 9 的准确率说明模型可以准确提取具有潜在危险的沟谷的特征。 这一优势可能是由于TWR-Net能够同时处理空间几何信息和光谱信息,从而能够提取到沟谷更多的底层特征,提高了模型的分类性能。
本成果于2023年11月发表在《贵州大学学报(自然科学版)》第40卷06期上。
参考文献
袁若浩,王保云. 基于双通道残差网络的泥石流沟谷孕灾风险预测 [J]. 贵州大学学报(自然科学版), 2023, 40 (06): 78-85+115. DOI:10.15958/j.cnki.gdxbzrb.2023.06.11.
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-3452484-1431157.html?mobile=1
收藏