基于原型網(wǎng)絡(luò)對泥石流溝谷的分類預(yù)測
——以怒江流域為例

韓 俊，王保云，徐繁樹，劉坤香

（1.云南南師范大學信息學院，昆明 650500；2.云南南師范大學數(shù)學學院，昆明 650500；3.云南省高校復(fù)雜系統(tǒng)建模及應(yīng)用重點實驗室，昆明 650500）

0 引言

泥石流災(zāi)害是一種主要由強降雨引發(fā)的自然災(zāi)害，泥石流災(zāi)害給周圍的城鎮(zhèn)和村莊帶來嚴重的財產(chǎn)和生命損失。云南是全國泥石流發(fā)生最高頻的省份之一，對泥石流災(zāi)害的預(yù)防是一項重要的研究工作。泥石流的預(yù)測尚沒有精確的方法，高速等簡述了目前泥石流常用的預(yù)測方法。翟淑花等基于遺傳規(guī)劃對包括降雨量、流域面積、松散物質(zhì)比率及溝床平均坡度等因子建立模型對泥石流發(fā)生進行預(yù)測。

隨著數(shù)據(jù)量的增加，使用機器學習以及深度學習的方法對泥石流數(shù)據(jù)進行預(yù)測取得了良好的效果。唐旺等基于LSTM模型對西北地區(qū)的降雨量與泥石流進行訓練，通過降雨量對泥石流預(yù)測取得良好的預(yù)測效果。孫顯辰基于深度遷移學習的方法對云南怒江流域的泥石流溝谷數(shù)字高程模型（DEM）圖按發(fā)生次數(shù)進行分類預(yù)測，取得了良好的分類效果。趙巖等詳細構(gòu)建了引發(fā)泥石流相關(guān)因子的數(shù)據(jù)庫，并使用深度學習的方法來識別泥石流堆積扇，使用線性回歸的方式對泥石流發(fā)生進行預(yù)測。

目前，使用泥石流溝谷圖像的深度學習大多是對泥石流堆積扇的識別，本文采用深度學習中的小樣本學習方法，對泥石流溝谷圖像正負樣本進行訓練，從溝谷形態(tài)特征上實現(xiàn)對泥石流發(fā)生與否的概率預(yù)測。

1 泥石流溝谷圖像數(shù)據(jù)構(gòu)建

文中的數(shù)據(jù)來源依據(jù)主要是云南怒江流域相關(guān)監(jiān)測站的記錄及網(wǎng)絡(luò)新聞報告。對記錄發(fā)生的數(shù)據(jù)，按記載信息結(jié)合地圖，確定到具體發(fā)生的村和溝谷，此溝谷作為確定發(fā)生的溝谷之一。通過查找，共找到50條確定發(fā)生的泥石流溝谷。同樣地，查找50條沒有任何發(fā)生泥石流記錄且人員密集居住的溝谷作為負樣本。

目前常用的遙感影像主要有數(shù)字高程模型（DEM）和遙感兩類數(shù)據(jù)，文中采用谷歌高清遙感地圖，如圖1所示，對某一條樣本溝谷，采用正俯視、左斜下俯視、右斜下俯視，溝口仰視、上下翻轉(zhuǎn)俯視進行截圖。除了正俯視，其他幾種截圖都作為對此溝谷的數(shù)據(jù)增強。隨機選擇正負樣本中各10份正俯視圖作為測試集，其余80份數(shù)據(jù)的正俯視及數(shù)據(jù)增強作為正負樣本的訓練集。

圖1 緯度：26.643457，經(jīng)度：98.905072的高清遙感溝谷圖

因為數(shù)據(jù)量少，將截取的圖像摳出完整溝谷。同時，為保障數(shù)據(jù)的大小比例，將同一位置的圖，按照ArcGIS中DEM比例尺，縮放到同一比例下，然后對短邊進行填充操作使之成為寬高相同的圖形。訓練的時候只進行縮放，不再進行隨機裁剪和旋轉(zhuǎn)等操作。

2 小樣本學習

小樣本學習是指在樣本量很少或者標注樣本很少的情況下實現(xiàn)對樣本的正確分類和識別。不同學者對小樣本方法的分類不同?？傮w而言，小樣本學習方法有：微調(diào)方法、度量學習方法和元學習的方法等等。

原型網(wǎng)絡(luò)（prototypical networks）由Snell J等人于2017年發(fā)表在NIPS上，是小樣本學習度量方法中的經(jīng)典模型。其思想主要如圖2所示。

圖2 原型網(wǎng)絡(luò)

支持集通過特征提取器提取特征，C、C、C分別為各類支持集特征向量的均值，x＾為查詢向量，將x＾提取特征后與C、C、C做歐氏距離，距離越小，x＾屬于這一類的概率越大，最終完成分類。

3 實驗結(jié)果

實驗只分正負樣本，即N-way為2，K-shot為5，使用Conv-4和ResNet-12作為骨干架構(gòu)來提取圖像特征。準確率有微小波動，因此選取5次實驗的均值作為實驗結(jié)果。重要的超參數(shù)有學習率lr：0.01、dropout率：0.3、epoch：450。重新從正負樣本中，再次隨機選擇正負樣本中各10份正俯視圖作為測試集進行第二輪實驗。結(jié)果如表1所示。

表1 2-way 5-shot下原型網(wǎng)絡(luò)對泥石流遙感圖像的預(yù)測結(jié)果

通過以上實驗，可以發(fā)現(xiàn)，對泥石流溝谷遙感圖像特征的提取ResNet12優(yōu)于Conv_4，取Resnet12兩次的平均結(jié)果，正確率為65.60%。這意味著，對于同流域的其他溝谷圖像，此模型有65%的可信度認為某一溝谷圖像具有發(fā)生或者是未發(fā)生的泥石流溝谷的特征，如果預(yù)測為發(fā)生泥石流溝谷圖像的類，那么此溝谷可能有發(fā)生泥石流的潛在可能，當雨季來臨時，溝谷附近的人應(yīng)該提前做好防范措施。

4 結(jié)語

趙巖等目前對泥石流形成因子總結(jié)較為全面，其中地貌條件是泥石流發(fā)生最基本的條件。本文中截取的溝谷高清遙感圖保留了溝谷長度、流域面積、溝谷形態(tài)等地貌條件因子，還包括植被覆蓋、土地利用等物質(zhì)條件因子。借助神經(jīng)網(wǎng)絡(luò)對正負樣本的這些特征進行學習和預(yù)測，是一個極好的方法，但也存在一些問題，首先，此樣本遙感圖樣本量極少且包含的信息有限，如高程差等信息缺失；其次，由于目前泥石流發(fā)生的背景、形成機理等認識不深，單一靠一個方面的條件來判斷，能提高的精度有限。降雨量是一個重要的誘發(fā)因素，將誘發(fā)因素、物質(zhì)條件和地貌條件綜合考慮的多模態(tài)深度學習可能會取得更好的預(yù)測效果。最后，小樣本深度學習自身的發(fā)展還不夠完善，好的建模才能繼續(xù)提高預(yù)測精度。