徐玲，劉曉慧，張金雨，劉震

（山東建筑大學(xué)測(cè)繪地理信息學(xué)院，山東 濟(jì)南 250101）

0 引言

我國(guó)是地質(zhì)災(zāi)害頻發(fā)的大國(guó)，由于山區(qū)眾多、地形結(jié)構(gòu)較為復(fù)雜，地質(zhì)災(zāi)害隱患廣泛分布。國(guó)務(wù)院辦公廳于2020年5月印發(fā)《關(guān)于開(kāi)展第一次全國(guó)自然災(zāi)害綜合風(fēng)險(xiǎn)普查的通知》，定于2020—2022 年間開(kāi)展第一次全國(guó)自然災(zāi)害綜合風(fēng)險(xiǎn)普查工作［1］。根據(jù)自然資源部地質(zhì)災(zāi)害數(shù)據(jù)統(tǒng)計(jì)，2020 年我國(guó)共發(fā)生地質(zhì)災(zāi)害7 840 起，其中有滑坡4 810 起、崩塌1 797起、泥石流899起，造成了139人死亡（失蹤）、58人受傷，直接經(jīng)濟(jì)損失可達(dá)50.2 億元［2］。因此，對(duì)大范圍的滑坡開(kāi)展自動(dòng)檢測(cè)，快速獲取滑坡的區(qū)域分布、數(shù)量、規(guī)模等災(zāi)害信息，對(duì)地質(zhì)災(zāi)害普查工作、地質(zhì)災(zāi)害管理以及風(fēng)險(xiǎn)評(píng)估具有重要意義［3］。然而，傳統(tǒng)的滑坡提取方法大多基于現(xiàn)場(chǎng)調(diào)查［4-5］，調(diào)查范圍有限、耗時(shí)長(zhǎng)、工作量大、效率低，難以滿足救援部門的效率需求。由于遙感技術(shù)具有快速、宏觀的優(yōu)勢(shì)，使其飛速發(fā)展并在災(zāi)害應(yīng)急救援中得到廣泛應(yīng)用［6-9］。因此，利用遙感技術(shù)初步掌握災(zāi)害分布情況，對(duì)于地質(zhì)災(zāi)害普查工作具有重要意義。

深度學(xué)習(xí)方法在計(jì)算機(jī)視覺(jué)領(lǐng)域得到廣泛應(yīng)用，如影像分割、目標(biāo)檢測(cè)和影像分類，并為自動(dòng)提取滑坡提供了有效的框架［10-13］。與傳統(tǒng)方法相比，深度學(xué)習(xí)方法可以借助深度學(xué)習(xí)框架通過(guò)卷積運(yùn)算自動(dòng)學(xué)習(xí)特征，并用分層特征提取代替人工特征識(shí)別。MANFRé等［14］使用支持向量機(jī)、決策樹(shù)、二進(jìn)制編碼等多種機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)了對(duì)巴西圣保羅州地區(qū)的滑坡識(shí)別工作；陳天博等［15］基于模糊分類與支持向量機(jī)相結(jié)合的決策樹(shù)方法實(shí)現(xiàn)了對(duì)北京市西南部的霞云嶺鄉(xiāng)滑坡識(shí)別；HU 等［16］使用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林3 種方法實(shí)現(xiàn)了對(duì)九寨溝地區(qū)的滑坡識(shí)別工作。在上述研究中，采用了比較基礎(chǔ)的網(wǎng)絡(luò)結(jié)構(gòu)，由一系列卷積層、池化層和全連接層組成，網(wǎng)絡(luò)結(jié)構(gòu)比較簡(jiǎn)單，對(duì)滑坡提取有一定的限制。張倩熒［17］將3 種深度學(xué)習(xí)算法應(yīng)用于滑坡提取，在邊界上取得了很好的效果，但無(wú)法得到滑坡形狀。掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Mask Region-Based Convolutional Neural Networks，Mask R-CNN）是一個(gè)結(jié)構(gòu)完善、目標(biāo)特征提取能力強(qiáng)的實(shí)例分割模型，能夠在定位目標(biāo)的同時(shí)檢測(cè)不規(guī)則目標(biāo)的邊界，在滑坡檢測(cè)過(guò)程中可以同步提取滑坡的位置和形狀。

在將深度學(xué)習(xí)應(yīng)用于滑坡檢測(cè)的現(xiàn)有研究中，滑坡檢測(cè)所使用的影像主要是無(wú)人機(jī)實(shí)測(cè)影像數(shù)據(jù)、高分衛(wèi)星數(shù)據(jù)以及地球眼衛(wèi)星數(shù)據(jù)，這些數(shù)據(jù)往往無(wú)法公開(kāi)獲取。對(duì)于滑坡檢測(cè)而言，低分辨率遙感影像往往會(huì)造成很多目標(biāo)的漏檢，而谷歌地球（Google Earth）影像分辨率高、易于獲取，可以滿足檢測(cè)影像的需求。

基于以上分析，文章以四川省中西部的丹巴縣以及甘肅省西南部的永靖縣為研究區(qū)，以開(kāi)源的Google Earth光學(xué)遙感影像為研究數(shù)據(jù)，分別建立了歷史山體滑坡和黃土滑坡樣本數(shù)據(jù)庫(kù)，利用Mask R-CNN目標(biāo)檢測(cè)算法并結(jié)合遷移學(xué)習(xí)機(jī)制訓(xùn)練滑坡數(shù)據(jù)集，探索使用Mask R-CNN深度學(xué)習(xí)方法檢測(cè)Google Earth 影像中大范圍的滑坡可行性。同時(shí)，結(jié)合影響滑坡發(fā)生的因子，使用多層感知器模型預(yù)測(cè)研究區(qū)內(nèi)各個(gè)區(qū)域的滑坡發(fā)生概率，通過(guò)對(duì)比基于Mask R-CNN檢測(cè)的滑坡災(zāi)害點(diǎn)在研究區(qū)滑坡發(fā)生概率分區(qū)圖中的分布情況驗(yàn)證滑坡識(shí)別結(jié)果的準(zhǔn)確性。

1 Mask R-CNN滑坡檢測(cè)方法

文章使用Mask R-CNN目標(biāo)檢測(cè)算法來(lái)實(shí)現(xiàn)滑坡的自動(dòng)識(shí)別。Mask R-CNN是由HE等［13］開(kāi)發(fā)的一種目標(biāo)檢測(cè)算法，該算法在圖像分類與識(shí)別中取得了很好的效果。如圖1 所示，Mask R-CNN 算法是在更快的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster Region-Based Convolutional Neural Networks，F(xiàn)aster R-CNN）的基礎(chǔ)上將感興趣區(qū)域（Region of Interest，RoI）特征提取算法RoI Pooling替換成RoI Align，并且在目標(biāo)檢測(cè)的基礎(chǔ)上添加分支全卷積網(wǎng)絡(luò)層（Fully Convolutional Network，F(xiàn)CN），用于語(yǔ)義分割識(shí)別。Mask R-CNN是一個(gè)兩階段的目標(biāo)檢測(cè)算法，第一階段是特征圖通過(guò)區(qū)域候選網(wǎng)絡(luò)（Region Proposal Network，RPN）生成候選框，再對(duì)每個(gè)候選框分類和邊界框回歸；第二階段則是在第一階段生成的候選框的基礎(chǔ)上，再次進(jìn)行分類和邊界框回歸，從而達(dá)到提高檢測(cè)精度的目的。

圖1 Mask R-CNN模型結(jié)構(gòu)圖

1.1 主干特征提取網(wǎng)絡(luò)結(jié)構(gòu)

文章使用經(jīng)典的殘差網(wǎng)絡(luò)ResNet101（Residual Neural Network，ResNet）［11］和特征金字塔網(wǎng)絡(luò)［18］（Feature Pyramid Network，F(xiàn)PN）作為主干特征提取網(wǎng)絡(luò)，如圖2 所示。使用ResNet101 網(wǎng)絡(luò)通過(guò)跨層連接提取圖像特征，圖像經(jīng)過(guò)ResNet101網(wǎng)絡(luò)5次卷積運(yùn)算（C1—C5）提取目標(biāo)特征，得到5個(gè)不同大小的特征圖（P2—P6），在不降低特征提取性能的情況下加深神經(jīng)網(wǎng)絡(luò)的深度，使訓(xùn)練更容易。為了使定位目標(biāo)更為準(zhǔn)確，通常使用高分辨率圖像輸入，其包含更多細(xì)節(jié)信息，從而可以提升目標(biāo)檢測(cè)的性能。

圖2 主干特征提取網(wǎng)絡(luò)結(jié)構(gòu)圖

FPN通過(guò)引入自上而下的路徑，充分利用了不同層提取的特征，對(duì)高層特征圖上采樣到和下一層同樣的尺寸，并將其和下面的一層進(jìn)行相加，進(jìn)而得到一個(gè)融合高低層特征的新特征圖層。將低分辨率、大感受野特征（語(yǔ)義信息）與高分辨率、小感受野特征（細(xì)節(jié)信息）相結(jié)合，以檢測(cè)不同尺度的物體，一定程度上緩解了特征圖分辨率與感受野大小之間的矛盾。

1.2 區(qū)域候選網(wǎng)絡(luò)結(jié)構(gòu)

采用滑動(dòng)窗口的方法將圖像劃分為大小不同且不重疊的圖像塊，然后對(duì)所有圖像塊進(jìn)行分類和回歸計(jì)算，得到圖像中得分最高的RoI。通過(guò)這種方式，將RoI輸入到RoI特征提取算法RoI Align 以提取感興趣區(qū)域的特征。

1.3 RoI Align

RoI Align 是Mask R-CNN 區(qū)別于Faster RCNN中RoI特征提取算法RoI Pooling的一大創(chuàng)新。RoI Pooling的作用是把候選框在特征圖上對(duì)應(yīng)的位置池化為固定大小的特征圖［12］，并進(jìn)行后續(xù)的分類、回歸、掩膜生成。該過(guò)程需要對(duì)RoI的邊界量化取整、裁剪，將裁剪好的區(qū)域平均分割為k×k個(gè)單元，同時(shí)對(duì)每個(gè)單元的邊界進(jìn)行第2次取整［13］。兩次量化使得候選框與回歸的邊界框之間存在偏移，從而造成區(qū)域不匹配的問(wèn)題。

RoI Align則是在遍歷候選區(qū)域的時(shí)候保持浮點(diǎn)數(shù)邊界不量化，同時(shí)采用雙線性插值和最大池化計(jì)算每個(gè)單元中的4 個(gè)坐標(biāo)位置。RoI Align 過(guò)程［13］如圖3所示。

圖3 RoI Align 過(guò)程

1.4 頭部網(wǎng)絡(luò)結(jié)構(gòu)

頭部網(wǎng)絡(luò)由3個(gè)分支構(gòu)成，分別實(shí)現(xiàn)目標(biāo)分類、定位（邊界框回歸）以及生成掩碼。因此，整個(gè)網(wǎng)絡(luò)的損失函數(shù)L被定義為分類、回歸、分割掩碼分支損失之和，由式（1）表示為

式中Lcls為分類損失；Lbox為回歸損失；Lmask為分割掩碼損失。

1.5 精度評(píng)價(jià)

在目標(biāo)檢測(cè)的訓(xùn)練過(guò)程中，通常根據(jù)預(yù)測(cè)框與真實(shí)框的交并比來(lái)判斷識(shí)別的準(zhǔn)確性［19］。重疊度（Intersection over Union，IoU）可以作為目標(biāo)檢測(cè)算法中預(yù)測(cè)框與真實(shí)框相似度的度量，IoU 的值IU由式（2）表示為

式中I為預(yù)測(cè)框和真實(shí)框的交集面積；U為預(yù)測(cè)框和真實(shí)框的并集面積。

對(duì)模型精度評(píng)價(jià)之前要確定預(yù)測(cè)結(jié)果是否正確，通過(guò)設(shè)定置信度閾值和IoU 閾值判斷預(yù)測(cè)框是否能準(zhǔn)確預(yù)測(cè)到了位置信息。在文章中，將IU＞0.5、置信度＞0.9的結(jié)果作為正確預(yù)測(cè)結(jié)果。

文章使用精確率P、召回率R、F1 值作為定量評(píng)估模型檢測(cè)結(jié)果精度評(píng)價(jià)指標(biāo)。精確率是正確識(shí)別的滑坡數(shù)與識(shí)別滑坡總數(shù)的比值；召回率是正確識(shí)別的滑坡數(shù)與測(cè)試樣本集滑坡數(shù)量的比值；F1 值用于評(píng)估模型的整體性能，定義為精確率和召回率的調(diào)和平均數(shù)，且F1 值越大，模型的性能越好。精確率、召回率以及F1值分別由式（3）～（5）表示為

式中tp為正確識(shí)別的滑坡數(shù)量；fp為錯(cuò)誤識(shí)別的滑坡數(shù)量；fn為尚未識(shí)別的滑坡數(shù)量。預(yù)測(cè)結(jié)果和實(shí)際結(jié)果的混淆矩陣見(jiàn)表1。

表1 預(yù)測(cè)結(jié)果和實(shí)際結(jié)果的混淆矩陣表

2 案例研究

案例研究過(guò)程的技術(shù)流程如圖4 所示，主要步驟包括：（1）數(shù)據(jù)收集選擇開(kāi)源的Google Earth 遙感影像作為研究數(shù)據(jù)；（2）制作滑坡樣本集包括影像裁剪和樣本標(biāo)記；（3）滑坡信息提取訓(xùn)練模型得到最優(yōu)的滑坡檢測(cè)模型；（4）精度評(píng)價(jià)與檢測(cè)結(jié)果分析驗(yàn)證。

圖4 滑坡檢測(cè)技術(shù)流程圖

2.1 實(shí)驗(yàn)數(shù)據(jù)與樣本集制作

滑坡多數(shù)發(fā)生在我國(guó)的西北部和南部山區(qū)，文章選取101°17′—102°12′E、30°29′—31°29′N 和102°53′—103°13′E、35°59′—36°16′N的地理范圍作為研究區(qū)。兩個(gè)地區(qū)分別位于四川省中西部的丹巴縣以及甘肅省西南部的永靖縣，丹巴縣以山體滑坡為主，而永靖縣以黃土滑坡為主，如圖5所示。兩個(gè)研究區(qū)都是地質(zhì)災(zāi)害多發(fā)地區(qū)，區(qū)內(nèi)地質(zhì)災(zāi)害以滑坡、崩塌和泥石流為主。

圖5 研究區(qū)滑坡樣本分布圖

滑坡的尺寸、形狀各異，識(shí)別時(shí)有一定的難度。常見(jiàn)的滑坡特點(diǎn)可以總結(jié)為：（1）滑坡在空間分布上表現(xiàn)為多發(fā)生在道路兩側(cè)、山谷與河流相交的地區(qū)以及一些土壤較為松軟的邊坡與斜坡；（2）大部分山體滑坡的邊界較為明顯，在形狀上呈現(xiàn)為U形且與周圍的植被有明顯的界限，新發(fā)生的滑坡在顏色上呈現(xiàn)為暗灰色或灰白色，部分發(fā)生在沒(méi)有植被地區(qū)的滑坡以及發(fā)生時(shí)間較久的老滑坡，由于光譜信息與周圍相似識(shí)別難度較大，但仍然可以通過(guò)與周圍環(huán)境的顏色差異進(jìn)行識(shí)別；（3）發(fā)生滑坡的地區(qū)表層的植被遭到破壞，深層的土壤裸露出來(lái)，在紋理特征上表現(xiàn)為地表環(huán)境破碎，紋理粗糙且色塊分布不均。

文章使用Google Earth 數(shù)據(jù)作為數(shù)據(jù)源構(gòu)建用于深度學(xué)習(xí)的滑坡樣本集。Google Earth 的衛(wèi)星影像是由多傳感器融合而成的。選擇2021 年9 月24日、2019年11 月5 日以及2018 年4 月16 日三期Pléiades 1A和SPOT 7衛(wèi)星融合而成的遙感影像作為實(shí)驗(yàn)數(shù)據(jù)，其最高分辨率分別為0.5 和1.5 m。從Google Earth Pro虛擬地球應(yīng)用軟件下載了1 400 幅遙感影像，其分辨率為2.15 m，為了使每個(gè)訓(xùn)練批次可以訓(xùn)練多張影像，將所有影像設(shè)置為相同的512 pixel×512 pixel，每張影像都只有RGB3個(gè)通道。

參考中科院地理所資源環(huán)境科學(xué)與數(shù)據(jù)中心（https：／ ／www.resdc.cn／）公開(kāi)的滑坡點(diǎn)，結(jié)合滑坡特點(diǎn)，對(duì)照遙感影像使用“VGG Image Annotator”Web工具對(duì)已經(jīng)發(fā)生的滑坡進(jìn)行樣本標(biāo)記，對(duì)一些不確定是否為滑坡的地區(qū)，可以在Google Earth Pro中反復(fù)旋轉(zhuǎn)角度，從多角度查看三維影像，辨認(rèn)是否為滑坡。將注釋了用于對(duì)象實(shí)例分割的訓(xùn)練樣本保存為JavaScript Object Notation 的格式，手動(dòng)注釋中使用的影像子集示例如圖6 所示。注釋的山體滑坡樣本共有1 466個(gè)，可隨機(jī)分為3個(gè)子數(shù)據(jù)集，包括訓(xùn)練數(shù)據(jù)樣本集（1 047 個(gè)滑坡樣本），用于最小化過(guò)度擬合的驗(yàn)證樣本集（100 個(gè)滑坡樣本），以及用于評(píng)估經(jīng)過(guò)訓(xùn)練的深度學(xué)習(xí)算法的性能的測(cè)試樣本集（319個(gè)滑坡樣本）；黃土滑坡樣本共有757個(gè)，其中訓(xùn)練樣本599個(gè)、驗(yàn)證樣本96 個(gè)、測(cè)試樣本62個(gè)，樣本統(tǒng)計(jì)情況見(jiàn)表2。

表2 滑坡樣本統(tǒng)計(jì)表

圖6 手動(dòng)注釋中使用的影像子集示例

2.2 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

模型訓(xùn)練和測(cè)試所使用的硬件設(shè)備為AMD Ryzen Threadripper 2970WX 24 - Core Processor、NVIDIA GeForce RTX 2080 Ti。實(shí)驗(yàn)環(huán)境配置的tensorflow-gpu版本為1.8.0，cuda 版本為9.0。在訓(xùn)練過(guò)程中，圖形處理單元用于訓(xùn)練包裝中采用的網(wǎng)絡(luò)為ResNet101，共訓(xùn)練100 個(gè)批次，每個(gè)批次迭代運(yùn)算200 次，實(shí)驗(yàn)中使用的圖形處理器顯存為11 GB，可以容納兩張圖片，因此將批量大小設(shè)置為2。HE［13］將學(xué)習(xí)率設(shè)置為0.02，但是在實(shí)際訓(xùn)練時(shí)發(fā)現(xiàn)較高的學(xué)習(xí)率容易造成權(quán)重爆炸，尤其是訓(xùn)練小批量的數(shù)據(jù)時(shí)，而較小的學(xué)習(xí)率收斂的更快，因此文章實(shí)驗(yàn)中將學(xué)習(xí)率設(shè)置為0.001、學(xué)習(xí)動(dòng)量設(shè)置為0.9、權(quán)重正則化系數(shù)設(shè)置為0.000 1。

為了降低訓(xùn)練成本，有效提高模型性能和整體檢測(cè)精度，使用matterport 團(tuán)隊(duì)在COCO 2014 數(shù)據(jù)集上訓(xùn)練Mask R-CNN 得到的mask_rcnn_coco.h5（https：／ ／github.com／matterport／Mask_RCNN）作為文章滑坡檢測(cè)算法的預(yù)訓(xùn)練權(quán)重。在預(yù)訓(xùn)練權(quán)重的基礎(chǔ)上，對(duì)文章的訓(xùn)練樣本集進(jìn)行遷移學(xué)習(xí)，保存訓(xùn)練得到的權(quán)重結(jié)果。在訓(xùn)練過(guò)程中，為了減少過(guò)度擬合，使用驗(yàn)證樣本集來(lái)驗(yàn)證模型的精度，載入訓(xùn)練得到的權(quán)重結(jié)果進(jìn)行模型測(cè)試，將精度最高的模型作為測(cè)試模型，并將其應(yīng)用于測(cè)試樣本集的滑坡檢測(cè)。

2.3 實(shí)驗(yàn)結(jié)果與分析

2.3.1 滑坡檢測(cè)結(jié)果

Mask R-CNN 模型的訓(xùn)練結(jié)果顯示，山體滑坡檢測(cè)模型訓(xùn)練到第55個(gè)訓(xùn)練批次時(shí)，驗(yàn)證樣本集的平均精度（Average Precision，AP）達(dá)到最大值0.96（如圖7所示），此時(shí)損失也下降至平緩，因此將第55個(gè)模型參數(shù)用于后面測(cè)試樣本集的山體滑坡識(shí)別及精度評(píng)價(jià)。黃土滑坡檢測(cè)模型訓(xùn)練到第7個(gè)批次時(shí)，AP 達(dá)到最大值0.82（如圖8 所示），同時(shí)損失達(dá)到0.41并趨于平緩，因此選擇第7個(gè)模型參數(shù)用于測(cè)試樣本集的黃土滑坡識(shí)別與精度評(píng)價(jià)。

圖7 山體滑坡訓(xùn)練精度與損失

圖8 黃土滑坡訓(xùn)練精度與損失

測(cè)試樣本集的精度見(jiàn)表3，共有319 個(gè)山體滑坡樣本和62個(gè)黃土滑坡樣本，分別使用文章實(shí)驗(yàn)獲得的最優(yōu)模型進(jìn)行檢測(cè)，其結(jié)果如下：正確識(shí)別的山體滑坡個(gè)數(shù)為273 個(gè)、錯(cuò)誤識(shí)別的山體滑坡個(gè)數(shù)為11個(gè)、未識(shí)別的山體滑坡個(gè)數(shù)為46 個(gè)。訓(xùn)練模型對(duì)于山體滑坡識(shí)別的精確率為96%、召回率為85%、F1值為0.90。正確識(shí)別的黃土滑坡個(gè)數(shù)為40個(gè)、錯(cuò)誤識(shí)別的黃土滑坡個(gè)數(shù)為1 個(gè)、未識(shí)別的黃土滑坡個(gè)數(shù)為22 個(gè)。訓(xùn)練模型對(duì)于黃土滑坡識(shí)別的精確率為98%、召回率為65%、F1值為0.78。

表3 測(cè)試樣本集精度統(tǒng)計(jì)表

2.3.2 滑坡檢測(cè)結(jié)果分析

部分正確的滑坡識(shí)別結(jié)果如圖9所示。為了便于展示識(shí)別效果，圖9（a）和（c）使用手動(dòng)注釋的多邊形邊界來(lái)表示滑坡的真實(shí)值，圖9（b）和（d）為滑坡識(shí)別的結(jié)果。盡管Google Earth 影像是由不同傳感器的影像融合而成，光譜特征不統(tǒng)一，但從滑坡檢測(cè)的結(jié)果來(lái)看，Mask R-CNN 模型可以自動(dòng)識(shí)別Google Earth影像中的歷史滑坡。

圖9 正確檢測(cè)結(jié)果圖

圖10～12 顯示了部分錯(cuò)檢和漏檢的滑坡識(shí)別結(jié)果。通過(guò)識(shí)別結(jié)果對(duì)比發(fā)現(xiàn)，主要有3 種錯(cuò)誤類型。第1種錯(cuò)誤的識(shí)別結(jié)果多發(fā)生在生態(tài)環(huán)境遭到破壞、地表紋理較為復(fù)雜的地區(qū)，如河流階地、土壤侵蝕和地表裸露的地區(qū)（如圖10 所示）。這些地區(qū)復(fù)雜的地表紋理可能會(huì)形成類似于滑坡的光譜特征，因此這些區(qū)域很容易被錯(cuò)誤地識(shí)別為滑坡。第2種遺漏的識(shí)別結(jié)果大多出現(xiàn)在有陰影（如圖11 所示）、山脊或斜坡頂部的影像中，在空間分布上集中分布在山體背斜的陰影區(qū)域。由于山體的陰影，滑坡信息模糊，無(wú)法正確識(shí)別這些地區(qū)的滑坡。第3種是多尺度目標(biāo)檢測(cè)時(shí)，易出現(xiàn)遺漏的識(shí)別結(jié)果。由于精度和計(jì)算資源之間通常難以達(dá)到平衡，因此在識(shí)別大目標(biāo)時(shí)容易遺漏一些小目標(biāo)（如圖12所示）。

圖10 錯(cuò)誤檢測(cè)結(jié)果圖

圖11 遺漏檢測(cè)結(jié)果圖

圖12 遺漏檢測(cè)結(jié)果圖

2.3.3 滑坡檢測(cè)結(jié)果驗(yàn)證分析

導(dǎo)致滑坡發(fā)生的影響因素有很多，如地形地貌、植被覆蓋、斷層巖性以及人類活動(dòng)等。為了進(jìn)一步驗(yàn)證基于Mask R-CNN模型檢測(cè)滑坡的準(zhǔn)確性，文章以丹巴縣為例，通過(guò)分析研究區(qū)概況及歷史滑坡災(zāi)害情況，選擇高程、坡度、坡向、巖性、歸一化植被指數(shù)以及斷層等6 個(gè)評(píng)價(jià)因子，構(gòu)建了丹巴縣滑坡災(zāi)害影響因子體系，并采用多層感知器（Multilayer Perceptron Model，MLP）模型預(yù)測(cè)研究區(qū)內(nèi)各個(gè)區(qū)域的滑坡災(zāi)害發(fā)生的概率。通過(guò)對(duì)比基于Mask RCNN模型檢測(cè)的滑坡災(zāi)害點(diǎn)在滑坡發(fā)生概率分區(qū)中的分布情況，來(lái)驗(yàn)證滑坡檢測(cè)結(jié)果的準(zhǔn)確性。

使用MLP 模型對(duì)丹巴縣滑坡災(zāi)害發(fā)生概率進(jìn)行預(yù)測(cè)的具體流程如圖13所示，歷史滑坡樣本點(diǎn)與隨機(jī)生成的非滑坡樣本點(diǎn)按照1∶1 的比例構(gòu)建樣本數(shù)據(jù)集，獲取每個(gè)樣本數(shù)據(jù)所對(duì)應(yīng)的影響因子值，并將獲取多源數(shù)據(jù)信息的樣本數(shù)據(jù)集輸入到數(shù)據(jù)挖掘軟件SPSS Modeler 中進(jìn)行模型的訓(xùn)練、驗(yàn)證與測(cè)試。將樣本數(shù)據(jù)集的70%設(shè)置為訓(xùn)練數(shù)據(jù)集、15%設(shè)置為驗(yàn)證數(shù)據(jù)集、15%設(shè)置為測(cè)試數(shù)據(jù)集，得到最優(yōu)模型的測(cè)試數(shù)據(jù)集精度為82.1%。用訓(xùn)練好的最優(yōu)模型預(yù)測(cè)整個(gè)研究區(qū)發(fā)生滑坡災(zāi)害的概率，得到研究區(qū)滑坡災(zāi)害發(fā)生概率圖。統(tǒng)計(jì)滑坡檢測(cè)點(diǎn)在研究區(qū)滑坡災(zāi)害發(fā)生概率圖中的分布情況，發(fā)現(xiàn)79%滑坡檢測(cè)點(diǎn)分布于滑坡發(fā)生概率＞80%的區(qū)域（如圖14所示），驗(yàn)證了基于Mask R-CNN 的滑坡檢測(cè)方法的可行性以及準(zhǔn)確性。發(fā)生概率＜80%的區(qū)域也有滑坡發(fā)生的可能性，所以有21%的點(diǎn)落在該區(qū)域。

圖13 多層感知器模型滑坡發(fā)生概率流程圖

圖14 滑坡災(zāi)害點(diǎn)在研究區(qū)滑坡災(zāi)害發(fā)生概率圖中的分布圖

4 結(jié)論

針對(duì)傳統(tǒng)滑坡檢測(cè)方法自動(dòng)化程度低、檢測(cè)精度不高的問(wèn)題，文章將深度學(xué)習(xí)、遷移學(xué)習(xí)與遙感技術(shù)相結(jié)合，以Google Earth 遙感影像為數(shù)據(jù)源構(gòu)建了歷史滑坡樣本集，使用Mask R-CNN 目標(biāo)檢測(cè)算法實(shí)現(xiàn)大范圍滑坡信息的自動(dòng)檢測(cè)。經(jīng)過(guò)分析得到以下結(jié)論：

（1）以丹巴縣為研究區(qū)的山體滑坡案例研究結(jié)果顯示，山體滑坡識(shí)別精確率為96%、召回率為85%、F1 值為0.90，且有79%的滑坡檢測(cè)點(diǎn)分布于滑坡發(fā)生概率＞80%的區(qū)域，表明Mask R-CNN 目標(biāo)檢測(cè)算法訓(xùn)練的模型能夠快速準(zhǔn)確地識(shí)別大范圍的山體滑坡。

（2）以永靖縣為研究區(qū)的黃土滑坡案例研究結(jié)果顯示，黃土滑坡識(shí)別的精確率為98%、召回率為65%、F1 值為0.78，表明Mask R-CNN 目標(biāo)檢測(cè)算法對(duì)黃土滑坡的檢測(cè)精度較高，但由于黃土滑坡的光譜信息與背景一致，檢測(cè)結(jié)果存在較多漏檢現(xiàn)象。

（3）文章綜合考慮地形特征和紋理特征，有效地提高了地質(zhì)災(zāi)害信息獲取的自動(dòng)化程度以及滑坡檢測(cè)的精度，為從高分辨率遙感影像中快速準(zhǔn)確地提取滑坡信息提供了一種方法，同時(shí)對(duì)地質(zhì)災(zāi)害普查工作也具有重要意義。