郭加偉 李永樹(shù) 王洪蜀 魯恒

摘要：地震后經(jīng)常會(huì)引發(fā)大量的泥石流災(zāi)害（稱作地震泥石流），容易造成極大的破壞，無(wú)人機(jī)低空遙感技術(shù)以其便捷、時(shí)效性強(qiáng)等特點(diǎn)成為一種快速獲取災(zāi)害信息的手段，但其影像的光譜信息較為缺乏，較難準(zhǔn)確地檢測(cè)地震泥石流災(zāi)害信息。針對(duì)以上問(wèn)題，提出了一種基于遷移學(xué)習(xí)機(jī)制地震泥石流檢測(cè)方法，該方法在已構(gòu)建地震泥石流災(zāi)害樣本庫(kù)的基礎(chǔ)上，將卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的特征遷移到地震泥石流災(zāi)害信息檢測(cè)中，完成地震泥石流災(zāi)害信息的自動(dòng)檢測(cè)，并將面向?qū)ο蟮牡卣鹉嗍鳛?zāi)害信息檢測(cè)結(jié)果與遷移學(xué)習(xí)支持下的檢測(cè)結(jié)果進(jìn)行了對(duì)比與分析。結(jié)果表明：基于遷移學(xué)習(xí)的地震泥石流災(zāi)害信息檢測(cè)結(jié)果在精度上稍優(yōu)于面向?qū)ο蟮牡卣鹉嗍鳛?zāi)害信息檢測(cè)結(jié)果，且前者在保持地震泥石流的平滑性和完整性上要優(yōu)于后者。

關(guān)鍵詞：地震；泥石流；無(wú)人機(jī)高分影像；遷移學(xué)習(xí)；信息檢測(cè)

中圖分類號(hào)：P315.9；P642.23 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1000-0666（2018）02-0180-06

0 引言

2008年“5·12”汶川大地震給當(dāng)?shù)厝嗣駧?lái)了巨大的損失，且強(qiáng)震后較長(zhǎng)一段時(shí)間內(nèi)，伴隨著強(qiáng)降雨天氣常出現(xiàn)的地震泥石流，給災(zāi)區(qū)人民帶來(lái)了極大的威脅和傷害。據(jù)統(tǒng)計(jì)，汶川大地震由于地震滑坡、泥石流造成的人員死亡人數(shù)約占地震總死亡人數(shù)的1/4（殷躍平，2008），同時(shí)，地震泥石流還會(huì)造成房屋建筑受損、交通阻塞和堰塞湖等諸多問(wèn)題。因此，如何利用現(xiàn)有的科學(xué)手段對(duì)地震泥石流信息進(jìn)行快速檢測(cè)，準(zhǔn)確獲取災(zāi)情信息，是目前地震災(zāi)害信息檢測(cè)與應(yīng)急救援工作中的研究重點(diǎn)之一（唐川，2010；彭述剛，2014）。

無(wú)人機(jī)遙感技術(shù)以其靈活、快捷、受地形天氣影響小、影像分辨率高等得天獨(dú)厚的優(yōu)勢(shì)，已成為地震災(zāi)害信息檢測(cè)與應(yīng)急響應(yīng)工作中的常用手段（任娟，2015；周洋等，2017）。但目前基于無(wú)人機(jī)高分辨率影像的地震泥石流信息檢測(cè)多以目視解譯為主，效率比較低下，如何突破這一技術(shù)瓶頸已成為當(dāng)前該領(lǐng)域的研究熱點(diǎn)。

隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，深度學(xué)習(xí)已成功在語(yǔ)音識(shí)別、自然語(yǔ)言處理以及計(jì)算機(jī)視覺(jué)領(lǐng)域取得突破（Mikolov et al，2013）。遷移學(xué)習(xí)是深度學(xué)習(xí)的一種，遷移學(xué)習(xí)不需要做訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)同分布假設(shè)，這意味著遷移學(xué)習(xí)不需要對(duì)每個(gè)領(lǐng)域都標(biāo)定大量的訓(xùn)練數(shù)據(jù)，而是從現(xiàn)有的數(shù)據(jù)中遷移知識(shí)，用來(lái)幫助新的學(xué)習(xí)任務(wù)，目前基于特征的遷移學(xué)習(xí)具有更廣泛的遷移能力（Weiss et al，2016；Saha et al，2016）。針對(duì)此現(xiàn)狀，本文以地震泥石流無(wú)人機(jī)高分影像災(zāi)害樣本庫(kù)為基礎(chǔ)，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行地震泥石流特征訓(xùn)練，結(jié)合遷移學(xué)習(xí)特征的優(yōu)勢(shì)，將獲取的特征訓(xùn)練方法遷移到地震泥石流災(zāi)害信息檢測(cè)中，實(shí)現(xiàn)地震泥石流災(zāi)害信息的自動(dòng)檢測(cè)。并將該方法檢測(cè)的地震泥石流結(jié)果與面向?qū)ο蟮牡卣鹉嗍餍畔z測(cè)結(jié)果進(jìn)行對(duì)比分析，提出了一種基于遷移學(xué)習(xí)的無(wú)人機(jī)高分影響地震泥石流災(zāi)害信息檢測(cè)方法。

1 數(shù)據(jù)選取與研究方法

1.1 研究區(qū)及數(shù)據(jù)概況

本文選擇的研究區(qū)為汶川地震的重災(zāi)區(qū)汶川縣和都江堰市，地理位置如圖1所示。汶川縣位于四川盆地西北部邊緣，居阿壩藏族羌族自治州東南部，總面積4083km2；都江堰市西鄰汶川縣，位于成都平原西北邊緣，面積共1208km2。該區(qū)域受汶川地震影響極大，地震誘發(fā)了大量的泥石流等次地質(zhì)災(zāi)害，造成了嚴(yán)重的人員傷亡和財(cái)產(chǎn)損失。

圖1中黑色點(diǎn)位是地震誘發(fā)的地質(zhì)災(zāi)害，且擁有該區(qū)域無(wú)人機(jī)高分影像的位置，影像覆蓋區(qū)域面積總計(jì)76.59km2。利用收集到的無(wú)人機(jī)高分影像，采集地震泥石流災(zāi)害樣本，并按照統(tǒng)一格式進(jìn)行存儲(chǔ)，形成地震泥石流災(zāi)害樣本庫(kù)，其中包括地震泥石流正樣本（地震泥石流）280個(gè)，地震泥石流負(fù)樣本（非地震泥石流）1600個(gè)，所有樣本均縮放到256×256像素。地震泥石流樣本示例如圖2所示。

1.2 技術(shù)路線與方法

1.2.1 基于面向?qū)ο蠓诸惣夹g(shù)的地震泥石流災(zāi)害信息檢測(cè)

在遙感領(lǐng)域，面向?qū)ο蟮姆诸惣夹g(shù)是基于目標(biāo)（對(duì)象）的一種分類方法，是針對(duì)高分辨率影像應(yīng)用而興起的一種影像分類技術(shù)，能夠充分利用高分辨率遙感影像的光譜、紋理、形狀、空間信息、相鄰關(guān)系等實(shí)現(xiàn)影像的分割和對(duì)象的分類，使分類結(jié)果更加接近于目視判讀的結(jié)果，可有效地提高分類精度。目前，面向?qū)ο蟮姆诸惣夹g(shù)已被廣泛應(yīng)用于遙感影像分類中，面向?qū)ο蠓诸惣夹g(shù)有2個(gè)重要特征和技術(shù)關(guān)鍵：選取合適的分割尺度對(duì)高分辨率影像進(jìn)行分割，使檢測(cè)的地物能在最合適的分割尺度中凸顯出來(lái)；選取分割對(duì)象的多種典型特征建立地物的分類規(guī)則進(jìn)行檢測(cè)或分類（李宏宏，2013）。

影像多尺度分割是通過(guò)同質(zhì)性及異質(zhì)性準(zhǔn)則獲取多個(gè)對(duì)象，而不同的分割參數(shù)設(shè)置會(huì)得到不同的分割效果（魯恒等，2011）。圖3為不同分割尺度下的分割結(jié)果，由于本次多尺度分割形狀參數(shù)和緊湊度參數(shù)對(duì)分割結(jié)果影響較小，故將2個(gè)參數(shù)固定，對(duì)比尺度參數(shù)對(duì)分割結(jié)果的影響。通過(guò)多個(gè)分割參數(shù)下的分割效果，可以靈活地選擇影響分類任務(wù)所需的最優(yōu)分割參數(shù)，從而提高分類精度。

通過(guò)計(jì)算異質(zhì)度來(lái)判斷的分割對(duì)象的好壞程度，計(jì)算公式如下：

f=w·hcolor+（1-w）·hshape（1）式中：f表示總的分割對(duì)象的異質(zhì)度；w為用戶給定義的形狀參數(shù)占的權(quán)重，取值范圍為0～1；光譜異質(zhì)度為hcolor，形狀異質(zhì)度為hshape，且由2個(gè)參數(shù)組成，即緊致度異質(zhì)度hcompact和光滑度異質(zhì)度hsmooth。

形狀異質(zhì)度的計(jì)算公式如下：

hahape=wcompact·hcompact+（1-wcompact）·hsmooth（2）式中：wcompact為緊致度異質(zhì)度的權(quán)重，取值范圍為0～1。

光譜異質(zhì)度的計(jì)算公式如下：式中：wc表示參與分割合并的波段權(quán)重；nmerge、σcmerge分別表示合并后的區(qū)域面積和光譜方差；nobil、σcobj1、nobj2、σcobj2分別為2個(gè)相鄰區(qū)域的面積和光譜方差。

光滑度和緊致度的計(jì)算公式如下：式中：lmerge、bmerge分別表示合并后的區(qū)域周長(zhǎng)和外界矩形的周長(zhǎng)，lobj1、bobj1，lvbj2、bobj2分別為2個(gè)相鄰區(qū)域的周長(zhǎng)和外界矩形的周長(zhǎng)。根據(jù)形狀參數(shù)和光譜參數(shù)來(lái)不斷調(diào)整進(jìn)行分割，最后得到理想的分割對(duì)象，調(diào)整尺度參數(shù)可間接調(diào)整影像對(duì)象大小，大的參數(shù)值得到大的對(duì)象，反之亦然。

在影像多尺度分割后，選取地震泥石流災(zāi)害信息檢測(cè)所需的最優(yōu)分割參數(shù)，通過(guò)對(duì)高分影像分割對(duì)象特征信息進(jìn)行分析，選取可用于地震泥石流災(zāi)害信息檢測(cè)的特征，然后根據(jù)特征信息建立檢測(cè)地震泥石流災(zāi)害信息的自定義特征，最終完成地震泥石流信息的檢測(cè)。這里將實(shí)驗(yàn)影像分為地震泥石流區(qū)域和非地震泥石流區(qū)域。為檢測(cè)地震泥石流區(qū)域，建立自定義特征H；

H=2×B-G-R（6）式中：R、G、B分別表示無(wú)人機(jī)影像紅、綠、藍(lán)三通道的平均值。當(dāng)H屬于區(qū)間[30，50]，且所有波段的亮度均值（Brightness）在區(qū)間[150，196]范圍內(nèi)，則判別為地震泥石流災(zāi)害信息未分類的信息則判讀為非地震泥石流信息。

1.2.2 基于遷移學(xué)習(xí)的地震泥石流災(zāi)害信息檢測(cè)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一個(gè)多層結(jié)構(gòu)學(xué)習(xí)算法，可通過(guò)分析空間相對(duì)關(guān)系來(lái)提高訓(xùn)練效率（Zeiler，F(xiàn)ergus，2014）。CNN包含卷積層和下采樣層兩個(gè)部分，其中卷積層通過(guò)輸入影像和特定的卷積模板進(jìn)行卷積運(yùn)算生成，通過(guò)卷積層的特征圖進(jìn)行下采樣可得到下采樣層。卷積層和下采樣層不斷反復(fù)交替，再加上諸多全連接層組成一個(gè)完整的卷積神經(jīng)網(wǎng)絡(luò)。

通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)線狀地物剔除模型，剔除道路、河流等線狀地類，既可保持檢測(cè)的地震泥石流信息的完整性，又可以減少線狀地物對(duì)檢測(cè)結(jié)果的干擾。構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)線狀地物剔除模型包括1個(gè)輸入層、3個(gè)卷積層、1個(gè)FC256全連接層以及1個(gè)FC2輸出層，如圖4所示。圖中FC2輸出層的輸出結(jié)果為線狀地類與非線狀地類，其中輸出的非線狀地類結(jié)果將作為遷移學(xué)習(xí)支持下地震泥石流災(zāi)害信息檢測(cè)的參數(shù)進(jìn)行輸入。

從圖2地震泥石流的示例樣本中可以看出，地震泥石流的空間形狀各異、紋理變化大，且由于采集的多期數(shù)據(jù)，樣本的光譜差異較大。利用已構(gòu)建的地震泥石流災(zāi)害樣本庫(kù)，通過(guò)上一步卷積神經(jīng)網(wǎng)絡(luò)線狀地物剔除模型，利用支持向量機(jī)（SYM）分類器將線狀地物剔除在該模型中的特征檢測(cè)方法遷移到地震泥石流信息檢測(cè)中，構(gòu)建如圖5所示的基于遷移學(xué)習(xí)的地震泥石流災(zāi)害信息檢測(cè)流程。

遷移學(xué)習(xí)支持下的地震泥石流災(zāi)害信息檢測(cè)，主要包括特征學(xué)習(xí)、特征遷移以及地震泥石流信息檢測(cè)模型訓(xùn)練。針對(duì)特征學(xué)習(xí)階段，通過(guò)訓(xùn)練樣本庫(kù)，采用如圖4所示的卷積神經(jīng)網(wǎng)絡(luò)線狀地物剔除模型。特征遷移階段，將卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的參數(shù)進(jìn)行轉(zhuǎn)移，保持模型各層參數(shù)不變，選擇一個(gè)輸出層，輸出地震泥石流災(zāi)害特征。模型訓(xùn)練階段，將特征遷移階段輸出的泥石流特征向量輸入支持向量機(jī)（SVM）分類器，進(jìn)行模型訓(xùn)練。

2 實(shí)驗(yàn)及結(jié)果分析

2.1 地震泥石流信息檢測(cè)結(jié)果

實(shí)驗(yàn)選取圖3a的無(wú)人機(jī)高分影像作為實(shí)驗(yàn)數(shù)據(jù)，根據(jù)本文提出的面向?qū)ο蠓诸惣夹g(shù)，通過(guò)反復(fù)分割實(shí)驗(yàn)，獲得研究的無(wú)人機(jī)高分影像的最優(yōu)分割尺度為140，形狀參數(shù)為0.6，緊致度參數(shù)為0.5。最終通過(guò)面向?qū)ο蟮姆诸惙椒z測(cè)該區(qū)域地震泥石流災(zāi)害信息，結(jié)果如圖6a所示。1.2.2節(jié)基于遷移學(xué)習(xí)的地震泥石流災(zāi)害信息檢測(cè)流程中，需通過(guò)對(duì)比分析正負(fù)樣本輸入各層的激活情況來(lái)分析特征遷移的訓(xùn)練結(jié)果。實(shí)驗(yàn)發(fā)現(xiàn)，地震泥石流的正樣本和負(fù)樣本在FC6層的激活情況較好，可適用于區(qū)分地震泥石流與非地震泥石流。該方法對(duì)地震泥石流信息檢測(cè)結(jié)果如圖6b所示。

2.2 精度分析

針對(duì)上述地震泥石流二分類問(wèn)題，采用混淆矩陣，通過(guò)計(jì)算真正類率（TPR）、負(fù)正類率（FPR）以及分類準(zhǔn)確度（ACC），來(lái)評(píng)價(jià)本次地震泥石流信息檢測(cè)的精度。精度評(píng)價(jià)體系見(jiàn)表1。

從表1可以得出，面向?qū)ο蠓诸惙▽?duì)該區(qū)域地震泥石流的檢測(cè)TPR為83.33%，F(xiàn)PR為13.64%，分類準(zhǔn)確度ACC約為85.21%；而本文提出的基于遷移學(xué)習(xí)的該區(qū)域地震泥石流檢測(cè)FPR為9.10%，TPR為79.63%，分類準(zhǔn)確度ACC則達(dá)到了86.62。從以上參數(shù)可以看出，面向?qū)ο蟮姆诸惙椒ㄔ谡嬲惵噬弦獌?yōu)于基于遷移學(xué)習(xí)的信息檢測(cè)方法，但在負(fù)正類率上前者不如后者，這說(shuō)明面向?qū)ο蟮姆诸惙椒▽⒏嗟姆悄繕?biāo)類檢測(cè)為自標(biāo)類，從而導(dǎo)致在分類準(zhǔn)確度上，基于遷移學(xué)習(xí)的地震泥石流信息檢測(cè)方法要高于面向?qū)ο蟮姆诸惙椒ā?/p>

3 結(jié)語(yǔ)

如何在地震災(zāi)后第一時(shí)間通過(guò)獲取的無(wú)人機(jī)高分影像自動(dòng)檢測(cè)泥石流等災(zāi)害信息，已成為目前地震應(yīng)急響應(yīng)工作中的難點(diǎn)。本文結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)方法，提出了一套行之有效的地震泥石流災(zāi)害信息自動(dòng)檢測(cè)方法，該方法的檢測(cè)精度優(yōu)于面向?qū)ο蟮姆诸惙椒?，且有效減少將非目標(biāo)對(duì)象混淆為目標(biāo)對(duì)象的情況。但該方法也存在樣本需求量大、訓(xùn)練過(guò)程復(fù)雜、計(jì)算資源要求高等缺點(diǎn)。同時(shí)，考慮到該方法應(yīng)用在空間數(shù)據(jù)信息檢測(cè)上的巨大潛力，今后將向多源數(shù)據(jù)的融合，將其運(yùn)用到其它高分影像中，為地震災(zāi)后信息檢測(cè)，包括建筑物倒塌、道路橋梁破壞等信息檢測(cè)提供可靠的技術(shù)方法。

參考文獻(xiàn)：

李宏宏.2013.面向?qū)ο蟮母叻直媛蔬b感影像分類及泥石流信息提取研究[D].南京：南京理工大學(xué).

魯恒，李永樹(shù)，唐敏.2011.面向?qū)ο蟮纳降貐^(qū)域多源遙感影像分割尺度選擇及評(píng)價(jià)[J].山地學(xué)報(bào)，29（6）：688-694.

彭述剛.2014.汶川縣震后泥石流遙感信息提取與監(jiān)測(cè)評(píng)估研究[D].湘潭：湖南科技大學(xué).

任娟.2015.基于無(wú)人機(jī)遙感與GIS技術(shù)的泥石流災(zāi)害監(jiān)測(cè)[D].成都：成都理工大學(xué).

唐川.2010.汶川地震區(qū)暴雨滑坡泥石流活動(dòng)趨勢(shì)預(yù)測(cè)[J].山地學(xué)報(bào)，28（3）：341-349.

殷躍平.2008.汶川八級(jí)地震地質(zhì)災(zāi)害研究[J].工程地質(zhì)學(xué)報(bào)，16（4）：433-444.

周洋，明小娜，楊艷珠，等.災(zāi)評(píng)新技術(shù)在云龍5.0級(jí)地震烈度調(diào)查中的應(yīng)用[J].地震研究，40（1）：161-166.

Mikolov T，Chen K，Corrado G，et al.2013.Efficient Estimation of WordRepresentations in Vector Space[J/0L].（2013-09-07）[2016-12-14].https；//aritiv.org/pdf/1301.37810.pdE

Saha B，Gupta.S，phung D，et al.2016.Multiple task transfer lefoingwith small sample sizes[J].Knowledge&Information; SysteMS，46（2）：315-342.

Weiss K，Khoshgoftaar T M，Wang D D.2016.A survey of transfer learn-ing[J].Journal of Big Data，3（1）：9.

Zeiler M D，F(xiàn)ergus B.2014.Visualizing and Understanding ConvolutionalNetworks[C]//European Conference on Computer Vision.Springer，Chain：818-833.