能昌信,孫曉晨,徐 亞,劉家琳,董 路,劉玉強

基于深度卷積神經(jīng)網(wǎng)絡的場地污染非線性反演方法

能昌信1,2*,孫曉晨3,徐 亞2**,劉家琳1,董 路2,劉玉強2

(1.山東工商學院信息與電子工程學院,山東 煙臺 264005；2.中國環(huán)境科學研究院環(huán)境基準與風險評估國家重點實驗室,中國環(huán)境科學研究院固體廢物污染控制技術研究所,北京 100012；3.山東工商學院計算機科學與技術學院,山東 煙臺 264005)

提出了將Sobel邊緣檢測算子與深度卷積神經(jīng)網(wǎng)絡(CNN)算法結合的方法(E-ConvNet),用于污染場地的ERT反演過程.通過Sobel算子提取污染區(qū)域視電阻率數(shù)據(jù)的邊緣特征作為CNN的先驗信息,提高E-ConvNet的計算效率及識別精度.在5種理論模型(單異常體、雙異常體及含雙異常體的層狀結構)和現(xiàn)場實例上測試了E-ConvNet算法的性能,并與最小二乘算法(LS)比較.測試結果表明:E-ConvNet能夠準確識別污染處的面積、位置及阻值,其識別精度和計算效率均優(yōu)于LS.E-ConvNet的單異常識別準確率為81.8%~84.9%,而LS則僅為9.6%~36.2%;多異常識別準確率為68.6%~84.4%,LS僅為2.8%~27.6%;E-ConvNet用時約為112~190ms,LS耗時為6000~7000ms. 因此,在污染場地調(diào)查工作中,E-ConvNet能夠準確高效地反演出污染區(qū)域的位置及范圍,為開展后續(xù)評估/修復工作提供技術支持.

污染場地；電阻率層析成像；深度卷積神經(jīng)網(wǎng)絡；邊緣檢測

場地污染不僅直接威脅人體健康,還可能導致大氣、地表/地下水體污染等次生環(huán)境問題[1-2],是亟需解決的環(huán)境問題.場地調(diào)查是污染場地風險管控過程的重要環(huán)節(jié),對于開展后續(xù)準確風險評估、定點精準阻隔乃至后續(xù)靶向高效修復均具有重要指導意義[3].環(huán)境物探,作為一種新興場地調(diào)查技術,由于兼具無損、低成本、時空分辨率高等優(yōu)點,近年來備受青睞,已被廣泛應用于各種污染場地調(diào)查中[4].

電阻率層析成像法(Electrical Resistivity Tomography, ERT)是目前使用最為廣泛的物探方法之一,它以污染介質的導電性差異為基礎,通過采集電阻率數(shù)據(jù)并進行反演解譯分析場地的污染情況[5].污染場地的ERT反演過程分為兩個階段,一是視電阻率到真實電阻率反演,二是真實電阻率到污染物濃度反演.目前,ERT數(shù)據(jù)的反演/解譯以線性或擬線性反演為主,例如α中心法[6]、最小二乘法[7]及Born近似法[8]等.然而ERT的反演過程是一個復雜的非線性問題,采用常規(guī)線性方法將非線性問題線性化時,反演結果可能出現(xiàn)非最優(yōu)解甚至錯誤解.為此,近年來,利用非線性反演方法進行ERT數(shù)據(jù)反演的嘗試越來越多,并已取得一定成果.

非線性反演方法主要有蒙特卡洛法(MonteCarlo,MC)[9],人工神經(jīng)網(wǎng)絡方法[10](Artificial Neural Networks, ANN),演化算法[11-13]等.其中,ANN能夠映射視電阻率(輸入)和真實電阻率(輸出)之間的非線性關系,因此在解決ERT非線性反演問題時更具優(yōu)勢.已有學者研究了反向傳播神經(jīng)網(wǎng)絡(BPNN)在一維、二維及三維非線性反演問題中的適用性[15-16], Calderón-Macías等[14]使用BP神經(jīng)網(wǎng)絡對一維電測深數(shù)據(jù)和地震波數(shù)據(jù)進行了反演;戴前偉等[17]利用混沌振蕩的PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡的權值和閾值實現(xiàn)電阻率二維反演;Neyamadpour等[18]研究了ANN在準三維電阻率數(shù)據(jù)中的適用性,并使用偶極-偶極陣列獲取的數(shù)據(jù)驗證其結果.雖然BP神經(jīng)網(wǎng)絡模型在電阻率非線性反演中取得了較好的結果,但仍存在網(wǎng)絡的收斂速度、預測精度會隨模型參數(shù)的增加而降低,以及訓練存在過擬合現(xiàn)象等局限性.

深度卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network, CNN)是將卷積理論與ANN相結合,通過數(shù)據(jù)特征提取及參數(shù)共享機制實現(xiàn)輸入和輸出數(shù)據(jù)之間非線性關系的映射,其預測精度和收斂速度均優(yōu)于傳統(tǒng)的ANN.U-Net網(wǎng)絡是一種用于細胞圖像分割的CNN[19],它使用卷積層替代傳統(tǒng)CNN中的全連接層,對末層特征數(shù)據(jù)進行上采樣操作,生成與輸入數(shù)據(jù)規(guī)模相同的輸出,可以高效實現(xiàn)圖像的像素級處理.目前已有學者將U-Net應用于醫(yī)學圖像重建、物體檢測等領域[20-21],Kyong等[22]將濾波反投影算法(FBP)與U-Net結合,利用高分辨率FBP數(shù)據(jù)訓練網(wǎng)絡,實現(xiàn)CT圖像的高分辨率重建;伍廣明等[23]使用雙重約束的改進U-Net進行建筑物目標檢測,提升了網(wǎng)絡的檢測精度.基于該網(wǎng)絡在其他領域的成功應用,本文將針對U-Net網(wǎng)絡在污染場地ERT的視電阻率數(shù)據(jù)到真實電阻率數(shù)據(jù)的非線性反演問題中的應用展開研究.

邊緣檢測算法是使用算子提取數(shù)據(jù)的邊緣特征,已有學者將邊緣檢測算子與神經(jīng)網(wǎng)絡架構結合用于解決實際問題[24-25],Vardhana等[26]使用邊緣檢測算法過濾醫(yī)學圖像中不必要的信息,并使用CNN對醫(yī)學圖像分類完成疾病診斷.在污染場地進行ERT檢測時,可利用邊緣檢測算子提取污染區(qū)域邊緣特征,為CNN非線性反演過程提供先驗信息,提高反演結果的準確率.

基于上述分析,本文以ERT采集的電阻率數(shù)據(jù)為研究對象,提出了一種邊緣檢測算子與U-Net網(wǎng)絡結合的方法(E-ConvNet),實現(xiàn)場地污染的視電阻率到真實電阻率的人工智能非線性反演.E- ConvNet方法首先利用邊緣檢測算子獲得污染場地視電阻率數(shù)據(jù)的邊緣特征,然后將邊緣特征統(tǒng)計數(shù)據(jù)作為網(wǎng)絡的訓練數(shù)據(jù),以真實電阻率為期望進行訓練,這意味著不需要設置初始模型即可獲得真實數(shù)據(jù)和視電阻率數(shù)據(jù)間的非線性關系.本文在模擬數(shù)據(jù)和實例數(shù)據(jù)上,將E-ConvNet算法和最小二乘反演算法進行比較,驗證了E-ConvNet算法的有效性,發(fā)現(xiàn)其計算效率更快、收斂性和預測精度更好.

1 模型和方法

1.1 基本框架和流程

圖1 污染場地ERT數(shù)據(jù)人工智能反演框架和流程

ANN進行非線性反演的基本原理是通過一系列數(shù)據(jù)樣本的訓練,產(chǎn)生能夠正確解釋觀測數(shù)據(jù)的網(wǎng)絡模型.其核心環(huán)節(jié)包括兩部分:一是大量有代表性的樣本數(shù)據(jù)的獲取,二是通過對大數(shù)據(jù)樣本的學習,得到能夠描述觀測數(shù)據(jù)與真實數(shù)據(jù)間非線性關系的網(wǎng)絡模型.

E-ConvNet對ERT電阻率數(shù)據(jù)的反演過程同樣如此,首先需要獲得代表性場景下的污染場地的電阻率數(shù)據(jù);其次利用E-ConvNet對這些電阻率數(shù)據(jù)進行訓練,學習數(shù)據(jù)與污染特性(污染范圍、程度)間的關系.對于前者,本文擬利用COMSOLMultiphysics仿真軟件(版本5.3)模擬獲得視電阻率數(shù)據(jù)樣本;然后以模擬數(shù)據(jù)為基礎訓練E-ConvNet網(wǎng)絡.為驗證E-ConvNet方法解決污染場地ERT反演問題的可行性和精度,本文還將開展模型測試和檢驗研究,分別利用COMSOL模型獲得的模擬測試集和現(xiàn)場數(shù)據(jù)對E-ConvNet網(wǎng)絡的污染智能識別結果進行驗證.本文的框架流程和具體步驟如圖1所示.

1.2 污染場地電阻率樣本數(shù)據(jù)獲取

E-ConvNet的反演精度和有效性取決于訓練樣本的代表性和數(shù)量.通常而言,訓練數(shù)據(jù)集可以通過實測數(shù)據(jù)獲取,獲取的污染場地類型越多,覆蓋的污染場景,如地層、污染分布特征越多越好.然而實際上,獲取如此之多的實測數(shù)據(jù)通常非常困難.仿真模擬模型的快速發(fā)展為訓練數(shù)據(jù)集的獲取提供了好的工具,已有學者通過實驗驗證仿真模型數(shù)據(jù)的真實性和可靠性[33].本研究將采用仿真模擬模型獲得不同污染物濃度分布、不同地層特性、不同污染源數(shù)量條件下的視電阻率數(shù)據(jù),為后續(xù)的E-ConvNet網(wǎng)絡學習奠定數(shù)據(jù)基礎.

1.2.1 代表性污染場景構建 污染會導致場地電阻率的異常,不同的污染場景產(chǎn)生不同的污染物分布及電阻率異常分布.本文通過仿真軟件COMSOL[28]建立了簡化理想模型模擬5種代表性污染場景,對應5種異常體的分布:單異常體、雙異常體及含雙異常體的層結構(圖2),用于研究不同介質、含水率及水位差異的污染場地在電法探測中表現(xiàn)出的電阻率差異.在上述不同污染場景,模擬ERT進行視電阻率的采集,作為反演算法的訓練集和測試集.詳細模擬過程如下:首先,建立一個三維長方體模擬污染場地,體積為34m′20m′20m;其次,在模擬場地中放置不同數(shù)量的小長方體來模擬受污染影響的電阻率異常體,其幾何形狀根據(jù)污染場景的變化而變化;最后,模擬ERT進行視電阻率采集,ERT測線由67個電極組成,電極間距設置為0.5m.

通過改變場地和異常源的材料參數(shù)(電阻率和相對介電常數(shù))模擬不同場地和污染物類型所代表的電阻率區(qū)間.5種代表性污染場地模型中異常源的大小、位置和材料參數(shù)設置見圖2.

圖2 三維理論模型示意

1.2.2 電場控制方程 對于上述代表性場景下的污染場地幾何模型,ERT探測過程中的電場分布服從以下控制方程[34]:

1.2.3 邊界和場源設定 一般而言,電阻率探測模型的所有外邊界(除上表面)均可概化為無限元且電勢為零,以模擬無限遠處的電場分布規(guī)律. 通常ERT探測過程中的電流強度一般需要達到幾十到幾百毫安,才能使采集的電阻率數(shù)據(jù)清晰地反映出地下結構,因此本研究將電流源強度設為1A,并模擬Wenner裝置的供電電極和采樣電極移動過程以進行不同位置和深度處的電阻率采集.

1.3 電阻率非線性反演模型

E-ConvNet算法由邊緣檢測算子和CNN兩階段組成,首先利用邊緣檢測算子獲取視電阻率數(shù)據(jù)的邊緣特征,然后將邊緣特征數(shù)據(jù)作為CNN的輸入,真實電阻率作為數(shù)據(jù)的標簽,以期網(wǎng)絡輸出近似真實的電阻率.訓練后的網(wǎng)絡模型即可用于識別場地內(nèi)是否存在污染源,并確定污染范圍及位置.

1.3.1 邊緣檢測算法 污染場地中異常處的電阻率數(shù)據(jù)會區(qū)別于其他位置,因此使用邊緣檢測算子可以將電阻率數(shù)據(jù)中的異常邊緣特征提取出來,為CNN階段的網(wǎng)絡訓練提供形狀先驗信息.邊緣檢測階段的輸入數(shù)據(jù)規(guī)模為電阻率剖面數(shù)據(jù),假設其中一組數(shù)據(jù)矩陣為:

式中:,分別表示電阻率數(shù)據(jù)的行數(shù)和列數(shù),d表示一個視電阻率數(shù)據(jù)點.

E-ConvNet中使用的邊緣檢測算子為Sobel算子[27],它是一種基于梯度的邊緣檢測算子,通過計算數(shù)據(jù)的水平梯度和垂直梯度,即可得數(shù)據(jù)的邊緣特征.Sobel算子的邊緣檢測模板為兩組3′3的矩陣,形式如下:

式中:和分別表示橫向和縱向邊緣檢測值,則1的梯度值為

梯度的方向為

按照上述方式,對1.2節(jié)獲取的數(shù)據(jù)集train進行邊緣檢測,用于下一階段的CNN網(wǎng)絡訓練.

1.3.2 E-ConvNet網(wǎng)絡結構 E-ConvNet算法中CNN階段的輸入數(shù)據(jù)為邊緣檢測后的數(shù)據(jù)集,并以真實電阻率為標簽訓練網(wǎng)絡,得到能夠正確描述真實電阻率和視電阻率非線性關系的模型.

本文使用了U-Net網(wǎng)絡的收縮路徑和擴張路徑,但調(diào)整了網(wǎng)絡的深度,使其更適應本文中視電阻率數(shù)據(jù)的規(guī)模,并對網(wǎng)絡的計算方式進行修改,以提高網(wǎng)絡效率.E-ConvNet網(wǎng)絡的設置如下(圖3):

(1) 收縮路徑:目的是提取數(shù)據(jù)中的上下文信息.卷積層和池化層(下采樣)的目的是提取數(shù)據(jù)中的主要特征,同時減少網(wǎng)絡參數(shù),提高網(wǎng)絡的泛化能力,在每次下采樣后特征通道數(shù)量加倍;

(2) 擴張路徑:實現(xiàn)數(shù)據(jù)的精準定位.通過上采樣將收縮路徑提取到的數(shù)據(jù)特征逐步還原到與輸入數(shù)據(jù)相同的規(guī)模.上采樣層和特征圖之間使用跳躍連接,應對訓練過程中梯度消失的問題.

(3) E-ConvNet在每個卷積層使用零填充,以保證每次卷積后的數(shù)據(jù)大小不發(fā)生改變.在每個卷積層和上采樣層中增加批標準化,提高網(wǎng)絡的訓練速度和泛化能力.網(wǎng)絡在訓練過程中使用隨機梯度下降法進行優(yōu)化.

E-ConvNet網(wǎng)絡的參數(shù)設置:激活函數(shù)為ReLU;學習率為10-4;訓練輪數(shù)為2000;動量等于0.99.

E-ConvNet的運行環(huán)境:CPU為Inter Core i7- 7700HQ,運行內(nèi)存為8GB,系統(tǒng)為64位win10系統(tǒng).

圖3 E-ConvNet網(wǎng)絡結構

1.4 方法驗證

模型驗證采用以下兩種方式:用1.2節(jié)中模型模擬獲取的測試數(shù)據(jù)集test以及現(xiàn)場實測數(shù)據(jù)驗證E-ConvNet.

現(xiàn)場數(shù)據(jù)來源于我國北方某危廢填埋場的ERT探測數(shù)據(jù).該填埋場庫底面積為近似180m×143m的長方形,場地地下水監(jiān)測數(shù)據(jù)表明,由于填埋場滲漏導致其下游(填埋場東側)土壤和地下水污染.因此在填埋場東側11m左右處布置兩條南北走向的測線,測線2位于測線1東側13m處,現(xiàn)場測線布置如圖4所示.本次電阻率法檢測采用美國AGI公司研發(fā)的SuperSting-R8高密度電法儀.檢測裝置采用Wenner-Schlumberger裝置,地表測線布置64個電極,極間距為3m,測線總長度為189m,采集到的視電阻率數(shù)據(jù)分別用2種方式反演:1)AGI自帶的反演模塊;2)本文構建的人工智能反演模塊.通過對兩種反演方法的結果比較,測試本方法的有效性和精度.

圖4 填埋場現(xiàn)場測線布置

2 結果分析

2.1 邊緣算子的性能評價

本節(jié)將通過比較Sobel算子和其他兩種常用算子(Roberts、Laplace)的性能,說明選擇Sobel算子作為E-ConvNet中邊緣檢測算子的原因.

Roberts算子[29]的橫向和縱向模板為公式(9),總梯度的計算遵循公式(7).

Laplace算子[30]的模板為

首先使用3個算子分別對模型模擬獲取的視電阻率數(shù)據(jù)進行邊緣檢測,并通過4個量化指標:品質因數(shù)[31]、信噪比、均方偏差和邊緣平均寬度[32]評價3個算子的性能,各項評價指標分別表示為

(1) 品質因數(shù)

式中:I為理想邊緣數(shù)據(jù)量;I是實際檢測的邊緣數(shù)據(jù)量;是理想邊緣與實際邊緣的距離;為常數(shù),通常設置=1.越大表示檢測效果越好.

(2) 信噪比

式中:I表示不符合理想邊緣的點數(shù);I表示符合理想邊緣的點數(shù).

(3) 均方偏差

(4) 邊緣平均寬度

3種算子在本文的視電阻率數(shù)據(jù)上的結果如表1所示.

從表1的結果中可以看出:

(1) Roberts算子適用于低噪聲數(shù)據(jù),且提取的邊緣較粗,定位不準確;

(2) Sobel算子對噪聲不敏感,提取的邊緣寬度與原數(shù)據(jù)邊緣寬度相似,邊緣定位較準確;

(3) Laplace算子對噪聲非常敏感,定位不準確.

表1 3種邊緣檢測算子的性能比較

綜合比較3種算子的性能,可以看出Sobel算子在電阻率數(shù)據(jù)上的表現(xiàn)優(yōu)于其他算子,因此選擇它作為E-ConvNet的邊緣檢測算子.

2.2 理論模型ERT結果分析

為了評估E-ConvNet方法的性能,分別對5種代表性場景下的視電阻率進行模擬采集,對采集到的視電阻率數(shù)據(jù)分別利用E-ConvNet算法和傳統(tǒng)的最小二乘算法(Least Squares, LS)(AGI軟件反演)反演,比較反演結果的差異.

本文采用均方誤差(MSE)評價兩種反演算法的性能,定義如下:

表2 兩種算法MSE比較結果

從表2中的數(shù)據(jù)可以看出,在理論模型測試階段,每種模型的E-ConvNet算法的MSE值都小于LS的,這說明E-ConvNet算法的預測誤差小,預測結果優(yōu)于LS.

本實驗將5種理論模型分為3類,分別為單異常體理論模型、雙異常體理論模型和雙異常體層狀理論模型,定義模型的識別準確率為

式中:o表示識別的異常體與實際異常體相交部分的面積;p表示識別的異常體的面積;S表示實際異常體的面積.

根據(jù)E-ConvNet算法和LS的識別準確率及中心位置準確率,分析每一類測試數(shù)據(jù)的ERT結果.

2.2.1 單異常體理論模型的ERT結果 觀察圖5和表3的結果,可以得到以下信息:

(1)對于代表性污染場景1,E-ConvNet計算的異常體面積略大于實際異常體面積,且反演的異常體準確的包裹了實際異常體區(qū)域,識別準確率為81.8%;而與之相反,LS的準確率僅為9.6%,寬度小了3.85m,識別的污染中心位置與實際相差(0.2,5.3)m.

(2)對于代表性污染場景2,E-ConvNet計算的異常體面積略大于實際異常體面積,且將實際異常體區(qū)域包裹在內(nèi),識別準確率為84.9%;然而,LS的準確率為36.2%,寬度小了3.85m,中心位置與實際相差(0.5,3.8)m.

結合以上兩點,E-ConvNet和LS都可以識別出電阻率數(shù)據(jù)中的單一異常體.但LS計算的異常體較理論模型而言,寬度小,且垂直位置低,定位不準確;E- ConvNet算法計算的異常體的面積比理論值稍大,包圍了實際污染區(qū)域,對異常形態(tài)的描述更清晰準確,且能夠抑制數(shù)據(jù)噪聲對反演結果的影響.此外,E- ConvNet對于真實電阻率值的預測比LS更加準確.綜上,對于單異常體模型,E-ConvNet比LS性能更好.

圖5 單異常體理論模型1(a)-2(b)及E-ConvNet (c和d)和LS(e和f)的ERT結果

2.2.2 雙異常體理論模型的ERT結果 觀察圖6、表4和表5的結果,可以得到以下信息:

(1)對于代表性污染場景3,E-ConvNet計算的左異常體的識別準確率達84.4%,識別中心位置偏移(0.3,0.4)m;而右異常體的準確率為78%,中心位置偏移(0,0.6)m.然而,LS計算的左異常體的準確率為2.8%,中心位置偏移(-0.1,5.2)m;右異常體為11.4%,中心位置偏移(0.6,5.3)m.

(2)對于代表性污染場景4,E-ConvNet計算的上異常體的識別準確率為84.1%,同時中心位置偏移(-0.9,0.1)m;下方異常體的準確率為68.6%,中心位置偏移(-0.6,-1.2)m.另一方面,與之前不同的是, LS認為只存在一個異常體,而該異常體的識別準確率僅為27.6%,且中心位置偏移(0.7,4.3)m.

圖6 雙異常體理論模型3(a)-4(b)及E-ConvNet (c和d)和LS(e和f)的ERT結果

表4 模型3的異常區(qū)域結果

表5 模型4的異常區(qū)域結果

綜上,對于多異常體的情況,E-ConvNet與LS的表現(xiàn)差異明顯.就異常體位置的描述而言,無論是水平位置還是垂直位置的雙異常體,E- ConvNet都可以較為準確地描述,且都優(yōu)于LS;而LS卻只能識別水平定位的異常體.另一面方面,對于異常體的阻值的描述,E-ConvNet也好于LS.當然,值得注意的是E-ConvNet對垂直位置上方低阻異常的形狀預測時存在微小誤差,但它仍然能夠準確的識別出高阻和低阻值異常體的位置及電阻值.

2.2.3 雙異常體層狀理論模型的ERT結果 觀察圖7和表6的結果,可以得到以下信息:

(1) E-ConvNet能夠識別出數(shù)據(jù)中的層狀結構及每層包含的異常體,但計算的上層結構比理論深1m.計算的上層異常體的識別準確率為74.3%,中心位置偏移(-0.5,-0.5)m;下層異常體準確率為77.6%,中心位置偏移(-0.5,-0.9)m.

(2) LS能夠識別出數(shù)據(jù)中的層狀結構,但未能識別上層異常,而受上層中異常體的影響,在下層結構中出現(xiàn)了識別錯誤的現(xiàn)象.

結合以上兩點,E-ConvNet算法在層結構邊界處的預測稍有偏差,但其結果仍能夠清晰的反應出理論模型的層狀結構以及異常體的位置和阻值,其結果優(yōu)于LS的結果.

綜合分析圖6(f)和圖7(c),產(chǎn)生該結果的原因是圖6(b)和圖7(a)的理論模型中均存在高阻異常和低阻異常,場中的電流優(yōu)先從低阻體中通過,使得高阻體反映的電場分布規(guī)律信息較少,最小二乘法進行反演時不能獲得好的初始模型,導致其不能反應出高阻異常的形態(tài);而E-ConvNet算法通過多數(shù)據(jù)樣本的訓練,學習到了高阻異常和低阻異常的電阻率分布特征,因此得出了優(yōu)于LS的ERT結果.

表6 模型5的異常區(qū)域結果

2.3 現(xiàn)場實測數(shù)據(jù)ERT結果

圖8(a-c)顯示了測線1的視電阻率剖面、E- ConvNet算法和LS算法的ERT反演結果.在開展現(xiàn)場電阻率法探測前,根據(jù)現(xiàn)場工作人員描述及歷史地下水監(jiān)測數(shù)據(jù)已知,9#地下水監(jiān)測井前期發(fā)生過滲漏,并且9#監(jiān)測井的錳離子濃度和總大腸菌指數(shù)明顯偏高,11#、12#地下水監(jiān)測井的總大腸菌指數(shù)開始偏高,因此布置如圖4的測線,判斷填埋場周圍土壤是否受到污染,并明確污染范圍.

從圖8的ERT結果來看, E-ConvNet算法和最小二乘法均識別出電阻率數(shù)據(jù)中存在異常,位置約在測線36~65m,縱深9~20m.后經(jīng)驗證,產(chǎn)生土壤低阻異常的原因是9#監(jiān)測井再次發(fā)生滲漏,使得土壤可能受到污染.綜上,E-ConvNet能夠反演出場地的污染異常,并得到較好的檢測結果.

2.4 耗時分析

本文提出的E-ConvNet算法進行理論模型的測試數(shù)據(jù)和現(xiàn)場實例數(shù)據(jù)的異常識別時,Sobel算子邊緣檢測過程耗時大約60ms,CNN預測過程大約52~130ms,因此E-ConvNet算法的總用時為112~ 190ms,比傳統(tǒng)的最小二乘算法快得多,使用AGI軟件反演大約為6000~7000ms.

3 討論

本文通過理論模型數(shù)據(jù)和現(xiàn)場實測數(shù)據(jù)驗證了E-ConvNet方法用于場地污染反演的可行性,其他學者也開展了人工神經(jīng)網(wǎng)絡在ERT非線性反演中的相關研究,通過優(yōu)化算法提升神經(jīng)網(wǎng)絡的反演性能.如江沸菠等[16]提出了剪枝貝葉斯神經(jīng)網(wǎng)絡(PBNN);戴前偉等[17]提出了混沌震蕩PSO-BP算法用于ERT數(shù)據(jù)的反演/解譯.

使用MSE(公式(15))作為性能評價指標,E- ConvNet的性能優(yōu)于BPNN,與優(yōu)化后的PBNN及混沌震蕩PSO-BP網(wǎng)絡的性能水平相當,這說明E- ConvNet在解決ERT非線性反演問題時更具優(yōu)勢.

本研究中建立的用于E-ConvNet訓練的模型模擬數(shù)據(jù)主要用于研究不同場地和污染物類型的電阻率差異,在建立模型時考慮了不同場地和污染物類型代表的電阻率區(qū)間,但由于并未專注于某一種污染物類型的研究,E-ConvNet的反演精度會略有偏差.在未來工作中,將針對一種或多種污染物類型的電阻率差異展開研究,提高網(wǎng)絡的反演精度.

由于現(xiàn)場實測數(shù)據(jù)獲取困難,本文并未在更復雜的污染場地數(shù)據(jù)上驗證E-ConvNet,因此研究復雜場地的污染識別問題將成為未來工作的另一重心.

神經(jīng)網(wǎng)絡方法在污染場地ERT中的應用是一個新興的研究領域,目前用于神經(jīng)網(wǎng)絡訓練的數(shù)據(jù)集大都是通過建立模擬模型獲取的,與實際的場地數(shù)據(jù)有較大差異,因此建立電阻率成像反演的通用數(shù)據(jù)庫也是一項有意義的工作.

4 結論

4.1 利用Sobel算子提取電阻率數(shù)據(jù)的邊緣特征能夠提高CNN的計算效率,訓練后的E-ConvNet進行污染智能識別大約用時112~190ms.

4.2 E-ConvNet能準確地識別出數(shù)據(jù)中異常體的位置、形態(tài)及電阻值.在單異常體條件下,識別準確率為81.8%~84.9%,而傳統(tǒng)方法的識別進度僅為9.6%~36.2%;雙異常體條件下,識別準確率在68.6%~84.4%之間,傳統(tǒng)反演算法精度僅為2.8%~ 27.6%.

4.3 在進行污染場地調(diào)查時,利用E-ConvNet進行ERT的非線性反演能夠為后續(xù)的場地準確風險評估、定點精準阻隔乃至后續(xù)靶向高效修復提供技術支持.

[1] 徐 亞,劉玉強,胡立堂,等.填埋場井筒效應及其對污染監(jiān)測井監(jiān)測效果的影響[J]. 中國環(huán)境科學, 2018,38(8):3113-3120. Xu Y, Liu Y Q, Hu L T, et al. Wellbore effect and its influence on contamination monitor well-a case study on groundwater monitor well around landfill [J]. China Environmental Science, 2018,38(8):3113- 3120.

[2] 王澤亞,徐 亞,董 路,等.金屬離子污染砂土復電阻率的時變特征及形成機制[J]. 中國環(huán)境科學, 2019,39(3):1147-1153. Wang Z Y, Xu Y, Dong L, et al. Complex resistivity of cationic metal contaminated sandy soils: Time-varying characteristics and formation mechanism [J]. China Environmental Science, 2019,39(3):1147-1153.

[3] 徐 亞,朱雪梅,劉玉強,等.基于隨機-模糊耦合的污染場地健康風險評價及案例 [J]. 中國環(huán)境科學, 2014,34(10):2692-2700. Xu Y, Zhu X M, Liu Y Q, et al. A fuzzy-stochastic integratedmodel of contaminated site risk assessment model and case study [J]. China Environmental Science, 2014,34(10):2692-2700.

[4] 王玉玲,王 蒙,閆 巖,等.基于聚類算法的ERT污染區(qū)域識別方法 [J]. 中國環(huán)境科學, 2019,39(3):1315-1322. Wang Y L, Wang M, Yan Y, et al. An ERT pollution area identification method based on clustering algorithm [J]. China Environmental Science, 2019,39(3):1315-1322.

[5] 李金銘.地電場與電法勘探 [M]. 北京:地質出版社, 2005:136-144. Li J M. Geoelectric field and electrical exploration [M]. Beijing: Geological Publishing House, 2005:136-144.

[6] Shima H. 2-D and 3-D resistivity image reconstruction using crosshole data [J]. Geophysics, 1992,57(10):1270?1281.

[7] Loke M H. Least-squares deconvolution of apparent resistivity pseudosections [J]. Geophysics, 1995,60(6):1682?1690.

[8] Li Y G, Oldenburg D W. Approximate inverse mappings in DC resistivity problems [J]. Geophysical Journal International, 1992, 109(2):343-362.

[9] Jari K P, Ville K, Erkki S, Marko V. Statistical inversion and Monte Carlo sampling methods in electrical impedance tomography [J]. Inverse Problems, 2000,16(5):1487-1522.

[10] El-Qady G, Ushijima K. Inversion of DC resistivity data using neural networks [J]. Geophysical Prospecting, 2001,49:417-430.

[11] Shaw R, Srivastava S. Particle swarm optimization: A new tool to invert geophysical data [J]. Geophysics, 2007,72(2):75-83.

[12] Sharma S P. VFSARES-a very fast simulated annealing FORTRAN program for interpretation of 1-D DC resistivity sounding data from various electrode arrays [J]. Computers & Geosciences, 2012,42: 177-188.

[13] Liu B, Li S, Nie L, et al. 3D resistivity inversion using an improved genetic algorithm based on control method of mutation direction [J]. Journal of Applied Geophysics, 2012,87:1-8.

[14] Calderón-Macías C, Sen M K, Stoffa P L. Artificial neural networks for parameter estimation in geophysics [J]. Geophysical Prospecting, 2001,48(1):21?47.

[15] 徐海浪,吳小平.電阻率二維神經(jīng)網(wǎng)絡反演 [J]. 地球物理學報, 2006,49(2):584-589. Xu H L, Wu X P. 2-D resistivity using the neural network method [J]. Chinese Journal of Geophysics, 2006,49(2):584-589.

[16] 江沸菠,戴前偉,董莉.基于剪枝貝葉斯神經(jīng)網(wǎng)絡的電阻率成像非線性反演 [J]. 應用地球物理, 2016,13(2):267-278. Jiang F B, Dai Q W, Dong L. Nonlinear inversion of electrical resistivity imaging using pruning Bayesian neural networks [J]. Applied Geophysics, 2016,13(2):267-278.

[17] 戴前偉,江沸菠.基于混沌振蕩 PSO-BP 算法的電阻率層析成像非線性反演 [J]. 中國有色金屬學報, 2013,23(10):2897-2904. Dai Q W, Jiang F B. Nonlinear inversion for electrical resistivity tomography based on chaotic oscillation PSO-BP algorithm [J]. 2013,23(10):2897-2904.

[18] Neyamadpour A, Abdullah W A T, Taib S. Inversion of quasi-3D DC resistivity imaging data using artificial neural networks [J]. Journal of Earth System Science, 2010,119(1):27-40.

[19] Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation [C]// Medical Image Computing and Computer-Assisted Intervention, 2015:234-241.

[20] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks [J]. Advances in Neural Information Processing Systems, 2012,25(2):1097–1105.

[21] Burger H C, Schuler C J, Harmeling S. Image denoising: Can plain neural networks compete with BM3D?[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2012:2392–2399.

[22] Kyong H J, McCann M T, Froustey E, et al. Deep convolutional neural network for inverse problems in imaging [J]. IEEE Trans Image Process, 2017,26(9):4509-4522.

[23] 伍廣明,陳 奇,Ryosuke S,等.基于U型卷積神經(jīng)網(wǎng)絡的航空影像建筑物檢測 [J]. 測繪學報, 2018,47(6):864-872. Wu G M, Chen Q, Ryosuke S, et al. High precision building detection from aerial imagery using a U-Net like convolutional architecture [J]. Acta Geodaetica et Cartographica Sinica, 2018,47(6):864-872.

[24] Jeong C, Yang H S, Moon K. A novel approach for detecting the horizon using a convolutional neural network and multi-scale edge detection [J]. Multidimensional Systems and Signal Processing, 2018: 1-18.

[25] Wang W, Lu X B, Song J J, et al. A two-column convolutional neural network for facial point detection[C]// International Conference on Progress in Informatics and Computing, 2016.

[26] Vardhana M, Arunkumar N, Lasrado S, et al. Convolutional neural network for bio-medical image segmentation with hardware acceleration [J]. Cognitive Systems Research, 2018,50:10-14.

[27] Kanopoulos N, Vasanthavada N, Baker R L. Design of an image edge detection filter using the Sobel operator [J]. IEEE Journal of Solid-State Circuits, 1988,23(2):358-367.

[28] Craig W B, Stanley H W. Three-dimensional mise-à-la-masse modeling applied to mapping fracture zones [J]. Geophysics, 1986, 51(1):98-113.

[29] 畢 卓,韓 冰.抗噪Roberts算子邊沿檢測器 [J]. 計算機技術與發(fā)展, 2016,23(6):258-261. Bi Z, Han B. Anti-noise roberts edge detector [J]. Computer Technology and Development, 2016,23(6):258-261.

[30] Perona P, Malik J. Scale-space and edge detection using anisotropic diffusion [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1990,12(7):629-639.

[31] Abdou I E, Pratt W K. Quantitative design and evaluation of enhancement/thresholding edge detectors [J]. Proceedings of the IEEE, 1979,67(5):753-763.

[32] Peil T, Malah D. A study of edge detection algorithms [J]. Computer Graphics and Image Processing, 1982,20(1):1-21.

[33] Butler S L, Sinha G. Forward modeling of applied geophysics methods using comsol and comparison with analytical and laboratory analog models [J]. Computers & Geosciences, 2012,42:168-176.

[34] 肖宏躍,雷 宛.地電學教程 [M]. 北京:地質出版社, 2008:98-163. Xiao H Y, Lei W. Geoelectrical tutorial [M]. Beijing: Geological Publishing House, 2008:150-163.

A site pollution nonlinear inversion method based on deep convolutional neural network.

NAI Chang-xin1,2*, SUN Xiao-chen3, XU Ya2**, LIU Jia-lin1, DONG Lu2, LIU Yu-qiang2

(1.School of Information and Electronic Engineering, Shandong Technology and Business University, Shandong 264005, China；2.State Key Laboratory of Environmental Benchmarks and Risk Assessment, Research Institute of Solid Waste Management, Chinese Research Academy of Environment Science, Beijing 100012, China；3.School of Computer Science and Technology, Shandong Technology and Business University, Shandong 264005, China)., 2019,39(12)：5162~5172

A novel nonlinear method named E-ConvNet was proposed for ERT inversion of contaminated sites, which combined Sobel edge detection operator with deep convolutional neural network algorithm (CNN). The edge features of apparent resistivity data in contaminated sites were extracted by the Sobel operator as the prior information feed into CNN, which improved computational efficiency and identification accuracy of E-ConvNet. The performance of E-ConvNet algorithm were testedon five theoretical model data (single anomaly, double anomalies, and layered structures with double anomalies) and field data, and then compared with results from the traditional Least Squares (LS) algorithm. The results showed that E-ConvNet can accurately identify the area, location and resistance of pollution, and its accuracy and computing efficiency were better than those of LS. The single anomaly recognition accuracy of E-ConvNet and LS were 81.8%~84.9% and 9.6%~36.2%, respectively; the multiple anomalies recognition accuracy of E-ConvNet and LS were 68.6%~84.4% and 2.8%~27.6%, respectively; the computing time of E-ConvNetis about 112~190ms,and the computing time of LS was 6000~7000ms. Therefore, E-ConvNet proposed in this study can accurately and efficiently inversed the polluted areas in the investigation of contaminated sites and provide technical support for the follow-up assessment/restoration work.

contaminated site；electrical resistivity tomography；convolutional neural network；edge detection

X523

A

1000-6923(2019)12-5162-11

能昌信(1965-),男,山東臨沂人,教授,博士,研究方向為環(huán)境監(jiān)測技術.發(fā)表論文60余篇.

2019-05-14

國家重點研發(fā)計劃(2018YFC1800902)

* 責任作者, 教授, naicx@126.com; ** 副研究員, xuya@craes.org.cn