基于地形特征融合的卷積神經(jīng)網(wǎng)絡(luò)滑坡識別

蔡浩杰，韓海輝，張雨蓮，王立社

(1. 中國地質(zhì)調(diào)查局西安地質(zhì)調(diào)查中心，陜西 西安 710054; 2. 中國遙感應(yīng)用協(xié)會黃河流域高質(zhì)量發(fā)展遙感分會,陜西 西安 710054)

0 引 言

滑坡是在地球引力作用下，巖石、泥土或巖屑沿著斜坡滑移的一種地質(zhì)災(zāi)害?；掳l(fā)生時，會裹挾大量的巖石、泥沙等邊坡物質(zhì)傾泄而下，對滑坡帶的地形地貌造成巨大的破壞，并塑造出新的滑坡地貌。滑坡地質(zhì)災(zāi)害經(jīng)常造成環(huán)境破壞和人員傷亡，災(zāi)區(qū)人民群眾的生命財產(chǎn)安全受到嚴(yán)重威脅。中國山地眾多，占國土總面積近70%，且強(qiáng)降雨多，地震活動頻繁，面臨眾多的滑坡、泥石流等地質(zhì)災(zāi)害。自然資源部發(fā)布的2021年全國地質(zhì)災(zāi)害災(zāi)情顯示，2021年全國共發(fā)生地質(zhì)災(zāi)害4 772起，其中滑坡2 335起，占全國地質(zhì)災(zāi)害總數(shù)的48.93%?；掳l(fā)生后的地點、體量、范圍等幾何、屬性信息是滑坡災(zāi)害應(yīng)急反應(yīng)、災(zāi)害損失評估和滑坡易發(fā)性分析、滑坡變化監(jiān)測、滑坡治理等研究的重要資料。了解滑坡的成因和控制因素，對滑坡的空間和長時間序列變化趨勢做出反應(yīng)，識別已有的滑坡，建立詳細(xì)的滑坡編錄，對滑坡模型的開發(fā)和評價具有重要價值。

傳統(tǒng)的滑坡調(diào)查與制圖方法是以現(xiàn)場調(diào)查為主，屬于研究區(qū)地貌分析的范疇。這種調(diào)查方法在山區(qū)難以實施，效率極低，而且調(diào)查成果不夠全面和準(zhǔn)確。隨著對地觀測技術(shù)的快速發(fā)展，災(zāi)害應(yīng)急預(yù)警和區(qū)域測繪應(yīng)用已與遙感相結(jié)合。遙感可以快速獲取宏觀的地表信息，遙感影像的時間、光譜和空間分辨率的提高為遙感應(yīng)用提供了豐富的數(shù)據(jù)庫。利用遙感技術(shù)對滑坡進(jìn)行監(jiān)測治理具有經(jīng)濟(jì)快捷的優(yōu)點，遙感技術(shù)已被廣泛應(yīng)用于滑坡調(diào)查制圖、監(jiān)測和易發(fā)性分析。將遙感技術(shù)用于滑坡識別經(jīng)歷了目視解譯和計算機(jī)解譯兩大階段。目視解譯是從遙感影像中提取滑坡信息最原始的方法，在滑坡、泥石流等地質(zhì)災(zāi)害中取得了良好的效果。然而目視解譯過于依賴解譯人員的經(jīng)驗和知識能力，工作量大，工作周期長，信息實時更新慢，難以應(yīng)急，結(jié)果有時也不可靠。隨著數(shù)字圖像處理技術(shù)和人工智能的發(fā)展，許多計算機(jī)解譯方法結(jié)合遙感技術(shù)被用于地球信息提取任務(wù)。機(jī)器學(xué)習(xí)方法是一種用于數(shù)據(jù)分析的自動建模方法，可以學(xué)習(xí)數(shù)據(jù)中存在的基本關(guān)系，從而構(gòu)建分析模型，并通過迭代學(xué)習(xí)過程產(chǎn)生準(zhǔn)確的結(jié)果。目前，應(yīng)用于滑坡易發(fā)性分析、識別和監(jiān)測的機(jī)器學(xué)習(xí)方法有支持向量機(jī)、隨機(jī)森林、旋轉(zhuǎn)森林和集成學(xué)習(xí)。這些機(jī)器學(xué)習(xí)方法都需要設(shè)計解釋邏輯或者提取圖像中的特征，導(dǎo)致算法設(shè)計復(fù)雜。

近年來，隨著計算機(jī)運算能力提升，深度學(xué)習(xí)的發(fā)展迎來了新的高峰。深度學(xué)習(xí)在圖像分類、目標(biāo)檢測、自然語言處理等應(yīng)用領(lǐng)域取得了巨大的成就。受這些成功應(yīng)用的啟發(fā)，基于像素和對象的深度學(xué)習(xí)方法被用于滑坡識別和易發(fā)性分析。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)是深度學(xué)習(xí)的代表算法之一。與傳統(tǒng)方法相比，卷積神經(jīng)網(wǎng)絡(luò)的多層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以自動獲取圖像的有效特征表示，能夠自動學(xué)習(xí)滑坡的特征卻不需要額外的特征工程。卷積神經(jīng)網(wǎng)絡(luò)在自然圖像分類、識別、定位等任務(wù)中取得了巨大的突破，但在滑坡識別與制圖領(lǐng)域中，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用案例不多。主要原因是：卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)通常比較復(fù)雜，復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)意味著更多的訓(xùn)練參數(shù)，許多在自然圖像分類中表現(xiàn)優(yōu)秀的模型參數(shù)達(dá)到千萬級甚至億級，復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)對網(wǎng)絡(luò)部署和訓(xùn)練平臺性能要求高，而且如果要取得較好的效果，就需要大量的訓(xùn)練樣本，否則網(wǎng)絡(luò)只會在小部分?jǐn)?shù)據(jù)集上學(xué)習(xí)，容易造成網(wǎng)絡(luò)過擬合，泛化能力差；滑坡在地質(zhì)災(zāi)害中屬于小樣本，在某一區(qū)域范圍內(nèi)，相比其他地物背景(如植被、水體、建筑等)相對較少；在實際情況中，滑坡大多數(shù)分布在山地中，存在樣本難以獲取的問題。即使利用遙感影像獲取樣本，但受成像技術(shù)和復(fù)雜地物的影響，仍然有許多滑坡在光學(xué)影像上無法辨認(rèn)。如果不能獲得足夠的訓(xùn)練樣本數(shù)據(jù)，卷積神經(jīng)網(wǎng)絡(luò)在滑坡識別上的能力反而會降低。

通過分析卷積神經(jīng)網(wǎng)絡(luò)在滑坡識別上面臨的問題，本文設(shè)計了一種網(wǎng)絡(luò)結(jié)構(gòu)簡單，層數(shù)較少的輕量級卷積神經(jīng)網(wǎng)絡(luò)。簡化網(wǎng)絡(luò)結(jié)構(gòu)后，為了避免性能降低，考慮在數(shù)據(jù)方面進(jìn)行改進(jìn)來保證設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到足夠多的滑坡特征。滑坡發(fā)生時會改變地表形態(tài)，這可以作為輔助特征來幫助識別滑坡。數(shù)字高程模型(Digital Elevation Model,DEM)特別適用于反映與滑坡有關(guān)的地表形態(tài)。因此，本文引入了高程、坡度、坡向、平面曲率、剖面曲率和地形起伏度6個地形因子；疊加地形因子后，設(shè)計的網(wǎng)絡(luò)可同時學(xué)習(xí)滑坡在遙感影像和地形因子上的空間和光譜特征并進(jìn)行融合，然后利用融合特征訓(xùn)練得到最優(yōu)滑坡識別模型。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)概況

本文選擇以四川省汶川縣銀杏鄉(xiāng)為主要研究區(qū)。2008年5月12日，四川省汶川縣發(fā)生8.0級地震。地震波及范圍極廣，導(dǎo)致大量的人員傷亡，并造成一系列次生災(zāi)害。地震區(qū)位于四川西部的山地區(qū)域，形成了大量的崩塌、滑坡和泥石流地質(zhì)災(zāi)害。研究區(qū)地處汶川縣南部(圖1)，東與都江堰市交界，南與映秀鎮(zhèn)相鄰，行政區(qū)面積約為282.70 km，地處深山峽谷地帶，境內(nèi)山高坡陡，是震后滑坡最多的地區(qū)。通過解譯和資料調(diào)查，滑坡數(shù)量約為178個，滑坡面積約22.36 km。

圖1 四川省汶川縣銀杏鄉(xiāng)位置Fig.1 Location of Yinxing Town in Wenchuan County of Sichuan Province

1.2 數(shù)據(jù)來源

本文所使用的數(shù)據(jù)主要有Landsat OLI遙感影像、ASTER GDEM數(shù)字高程模型、GIS數(shù)據(jù)庫和研究區(qū)滑坡編錄數(shù)據(jù)。Landsat OLI遙感影像用于提取滑坡，成像時間為2013年12月；對比影像與滑坡編錄數(shù)據(jù)和Google Earth歷史數(shù)據(jù)，2013年研究區(qū)的滑坡有少量被植被完全覆蓋，大多數(shù)被植被部分或沒有覆蓋。ASTER GDEM數(shù)字高程模型用于生成坡度、坡向、地形起伏度、平面曲率、剖面曲率地形因子。GIS數(shù)據(jù)庫主要是研究區(qū)各種自然條件，便于全面了解研究區(qū)的自然地理環(huán)境。遙感影像和地形因子的分辨率都為30 m，所有因子都采取連續(xù)變量。

1.3 樣本生成

樣本制作流程為樣本標(biāo)簽制作和網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集制作。首先，將滑坡編錄數(shù)據(jù)矢量化并添加屬性數(shù)據(jù)；然后將滑坡矢量數(shù)據(jù)和研究區(qū)矢量合并，給研究區(qū)的滑坡和非滑坡數(shù)據(jù)添加標(biāo)簽；最后將處理好的矢量轉(zhuǎn)換為空間分辨率為30 m的柵格圖，柵格圖里的像元值代表的是地物類別。柵格圖共有3種類別：研究區(qū)外為背景，不屬于研究對象；研究區(qū)內(nèi)包含滑坡和非滑坡地物兩種類別，用作訓(xùn)練數(shù)據(jù)的標(biāo)簽和模型結(jié)果評價。

訓(xùn)練數(shù)據(jù)由遙感影像和地形因子組成。利用收集到的數(shù)據(jù)提取出地形因子之后，首先進(jìn)行預(yù)處理；預(yù)處理步驟為異常值校正、標(biāo)準(zhǔn)化和重采樣。有些地形因子在研究區(qū)外的柵格會有超出正常范圍的像元值，對后續(xù)的標(biāo)準(zhǔn)化計算產(chǎn)生影響。由于提取的因子類型不同，其柵格像元值變化范圍大，不利于網(wǎng)絡(luò)學(xué)習(xí)，所以在異常值校正之后，需要對高程、坡度、坡向、平面曲率、剖面曲率和地形起伏度6個地形因子進(jìn)行標(biāo)準(zhǔn)化，使所有地形因子的均值為0，標(biāo)準(zhǔn)差為1，具有相同的分布。標(biāo)準(zhǔn)化采用的是零均值標(biāo)準(zhǔn)化，也被稱為Z-score規(guī)范化。其計算公式為

(1)

式中：′為標(biāo)準(zhǔn)化后的數(shù)據(jù)；為原始數(shù)據(jù)；為樣本平均值；為樣本標(biāo)準(zhǔn)差。

標(biāo)準(zhǔn)化之后，由于和標(biāo)簽的分辨率不一致，所以需要重采樣成和標(biāo)簽柵格同樣的行列數(shù)，以確保每個像元都能夠一一對應(yīng)。由于滑坡的數(shù)量、規(guī)模在地形上的分布是不一致的，所以可以利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)這種差異，將這種差異放大，讓分類器有評判的依據(jù)。將所有地形因子和遙感影像進(jìn)行疊加，讓卷積神經(jīng)網(wǎng)絡(luò)同時學(xué)習(xí)遙感影像和地形因子的特征，地形因子以這種方式參與到滑坡提取中。遙感影像上疊加地形因子后會生成一個××三維影像，、和分別是數(shù)據(jù)的高度、寬度和通道。在本研究中，進(jìn)行過重采樣的遙感影像和地形因子的高度與寬度分別為882和659，通道數(shù)為13。本研究以像元為基本單元，每個像元為一個樣本，除去背景像元，研究區(qū)共有314 107個像元，也就是共有314 107個樣本。其中，滑坡像元共有24 812個，占7.9%；非滑坡像元共有289 295個，占92.1%。制作樣本時，采取的是以每個像元為中心，向四周擴(kuò)充多個像元的正方形窗口。對于研究區(qū)邊界上的像元，采取向外填充的方式使得邊界像元也能向外擴(kuò)充，填充方式為鏡像對稱方式。樣本制作方式如圖2所示。如果向外擴(kuò)展的像元個數(shù)=2，則研究區(qū)整體向外擴(kuò)充4行4列，每個樣本高度和寬度為2+1，即為5，通道數(shù)保持不變，也就是說，生成樣本高度和寬度都是5，通道數(shù)為13。將制作好的全部樣本按3∶7的比例劃分為訓(xùn)練樣本和測試樣本；樣本選擇方法為利用代碼對全圖進(jìn)行簡單隨機(jī)抽樣；模型訓(xùn)練完成后，計算整個研究區(qū)的滑坡制圖精度。

r為向外擴(kuò)展的像元個數(shù)；c為遙感影像的通道數(shù)圖2 樣本制作示意圖Fig.2 Schematic View of Sample Making

為了驗證引入的6個地形因子特征與滑坡之間的關(guān)系，在建模前分析了所有地形因子對滑坡的重要性，利用信息增益比(Information Gain Ration,IGR)對訓(xùn)練集進(jìn)行了分析。某地形因子信息增益比越高，則該地形因子對滑坡發(fā)生的影響越大；某地形因子信息增益比為0，則該地形因子對滑坡的發(fā)生沒有貢獻(xiàn)。所選取的6個地形因子的信息增益比均大于0(圖3)，說明這些地形因子對研究區(qū)滑坡的發(fā)生都有影響。此外，本文還計算了6個地形因子的Pearson相關(guān)系數(shù)(圖4)。從圖4可以看出，雖然坡度和地形起伏度有較強(qiáng)的相關(guān)性，但不是完全相關(guān)，二者存在著信息差異，只有當(dāng)Pearson相關(guān)系數(shù)絕對值等于1，即達(dá)到完全相關(guān)的情況下才會剔除其中一個地形因子。綜合信息增益比和Pearson相關(guān)系數(shù)，上述6個地形因子全部保留。

圖3 地形因子的信息增益比直方圖Fig.3 Histogram of IGR of Terrain Factors

圖4 相關(guān)系數(shù)熱圖Fig.4 Heatmap of Correlation Coefficient

2 分析方法

2.1 卷積神經(jīng)網(wǎng)絡(luò)

利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行滑坡提取的原理如下：卷積神經(jīng)網(wǎng)絡(luò)迭代地學(xué)習(xí)輸入網(wǎng)絡(luò)中包含滑坡的地物場景，并與給定的場景標(biāo)簽做相似性對比，當(dāng)誤差小于預(yù)先設(shè)定的某個閾值時即可停止學(xué)習(xí)，完成模型訓(xùn)練，然后利用訓(xùn)練好的模型，在相似的場景中預(yù)測滑坡發(fā)生的區(qū)域。卷積神經(jīng)網(wǎng)絡(luò)的核心模塊為輸入層、卷積層、激活層、池化層和輸出層。

輸入層是卷積神經(jīng)網(wǎng)絡(luò)輸入樣本的入口，可以有多個，也可以有不同的維度。卷積層是卷積神經(jīng)網(wǎng)絡(luò)的核心部分，負(fù)責(zé)學(xué)習(xí)輸入樣本的特征。卷積層的學(xué)習(xí)能力是通過卷積核與輸入的卷積運算來實現(xiàn)的。這里的卷積核和空間域濾波器的作用相似，只不過特定的濾波器中的參數(shù)是已經(jīng)設(shè)置好的，而卷積核的參數(shù)是通過網(wǎng)絡(luò)迭代學(xué)習(xí)而來的。卷積核在輸入的圖像或者特征矢量上進(jìn)行滑動，然后卷積核與其對應(yīng)的輸入?yún)^(qū)域進(jìn)行卷積運算，得到一個特征值。卷積運算公式為

()=(()?(-1)+())

(2)

式中：()為第層的輸出；(·)為激活函數(shù)；為權(quán)重矩陣；為偏置矩陣；?為矩陣乘法。

激活層作用是激活卷積運算得到的特征，通常位于卷積層后面，運行時激活神經(jīng)網(wǎng)絡(luò)中某一部分神經(jīng)元，將激活信息向后傳入下一層神經(jīng)網(wǎng)絡(luò)。激活函數(shù)可以加入非線性因素，把激活的特征保留下來。目前卷積神經(jīng)網(wǎng)絡(luò)中常用的激活函數(shù)為修正線性單元(Rectified Linear Unit,ReLU)，修正線性單元起源于神經(jīng)科學(xué)研究。修正線性單元是分段線性函數(shù)，特征值為負(fù)的會被抑制為0，只激活特征值為正的神經(jīng)元，這種操作被稱為單側(cè)抑制。單側(cè)抑制原理與人類大腦類似，不同的神經(jīng)元有不同的功能分區(qū)，當(dāng)訓(xùn)練一個深度網(wǎng)絡(luò)模型的時候，與目標(biāo)有關(guān)聯(lián)的特征并不多，因此，通過修正線性單元實現(xiàn)稀疏表達(dá)后的特征更加符合大腦神經(jīng)元對特征的處理。池化層通常會在一個卷積模塊后面，具有兩個作用：一是降采樣，用來減少特征層的大小，降低網(wǎng)絡(luò)參數(shù)，防止過擬合；另一個是提取特征。其計算方式和卷積運算類似，利用池化窗口在特征圖上進(jìn)行滑動，然后計算這個窗口中的均值或最大值，計算結(jié)果代表這個區(qū)域的特征值。還有一種池化方式稱為全局池化，采取計算整個特征圖的平均值或最大值來代表整個特征圖的特征，可以將三維特征圖降低到一維，輸出特征矢量。將提取好的特征圖輸入到網(wǎng)絡(luò)最后的激活函數(shù)中，可得到一個激活值或概率值，最后的輸出是輸入樣本屬于每個類別的概率。卷積神經(jīng)網(wǎng)絡(luò)可以有多個輸出，可以輸出任意的中間特征層，用來分析各個卷積層的作用。

2.2 特征融合網(wǎng)絡(luò)

本文設(shè)計的輕量級網(wǎng)絡(luò)被稱為特征融合卷積神經(jīng)網(wǎng)絡(luò)(Feature Fusion Convolutional Neural Network，F(xiàn)F-CNN)，網(wǎng)絡(luò)結(jié)構(gòu)是在LeNet-5網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)而來(圖5)，減少了一個卷積層，增加了一個光譜特征提取通道。特征融合卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括兩個分支。第一個分支提取空間特征，共有5層：第一層輸入樣本的高度和寬度都為23，通道數(shù)為13；接下來兩層都為卷積層，主要提取輸入樣本的空間特征；第四層為池化層，可以提取特征和降低模型參數(shù)；最后一層是將三維特征展開成一維的特征層，便于特征融合。第二個分支總體結(jié)構(gòu)和第一個分支相似，輸入數(shù)據(jù)是長度為13的像元光譜向量，對光譜信息進(jìn)行一維卷積，來獲得像元的光譜特征。最后將兩種特征進(jìn)行連接，實現(xiàn)特征融合，將融合特征輸入到分類器中，得到該像元屬于每個類別的概率，取概率值最大的類別作為該像元的預(yù)測值。將預(yù)測的類別和真實標(biāo)簽對比，計算損失函數(shù)，不斷調(diào)整參數(shù)，最終得到最佳分類模型。圖5中，每層的數(shù)字代表對應(yīng)層的大小，第一層數(shù)字代表輸入樣本的大小，其余層數(shù)字代表對應(yīng)的特征層大小。特征融合卷積神經(jīng)網(wǎng)絡(luò)一共有4個卷積層，兩個池化層，網(wǎng)絡(luò)訓(xùn)練參數(shù)為0.34 M，而目前應(yīng)用最廣泛的分類網(wǎng)絡(luò)ResNet-50共有訓(xùn)練參數(shù)約25.56 M，語義分割網(wǎng)絡(luò)U-Net有7.85 M，這兩種網(wǎng)絡(luò)的訓(xùn)練參數(shù)都是百萬級別的，且網(wǎng)絡(luò)結(jié)構(gòu)非常復(fù)雜。在滑坡識別應(yīng)用中，由于缺乏足夠的樣本，所以這種復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)很容易造成網(wǎng)絡(luò)過擬合，而且遙感影像圖幅較大，這樣會造成網(wǎng)絡(luò)迭代時間過長，而特征融合卷積神經(jīng)網(wǎng)絡(luò)就很好地解決了這兩個問題。特征融合卷積神經(jīng)網(wǎng)絡(luò)中卷積核的大小、特征層的數(shù)量等超參數(shù)一方面參考了LeNet-5等網(wǎng)絡(luò)的通用設(shè)置，另一方面根據(jù)模型在測試集上的表現(xiàn)進(jìn)行調(diào)試。最終，特征融合卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.000 1，優(yōu)化器為Adam，損失函數(shù)為交叉熵，批次大小為50，迭代次數(shù)為30，提取空間特征的卷積核大小為3×3，兩個卷積層的特征數(shù)為256和512，提取光譜特征的卷積核大小為1×3，兩個卷積層的特征數(shù)為64和128。

圖5 FF-CNN模型結(jié)構(gòu)Fig.5 Structure of FF-CNN Model

3 結(jié)果分析

為了驗證本文引入的地形因子和特征融合的有效性，設(shè)置了不同的對比實驗。實驗平臺為個人計算機(jī)，配置為Intel i5-9300 CPU，8 GB RAM，NVIDIA GTX1650 4 GB。所有網(wǎng)絡(luò)源碼都是基于TensorFlow深度學(xué)習(xí)框架編寫的。

3.1 特征融合驗證

為了驗證添加的光譜特征提取通道是否提高了模型的性能，共設(shè)置了3組實驗，即使用地形因子和遙感影像數(shù)據(jù)，分別輸入本文提出的特征融合卷積神經(jīng)網(wǎng)絡(luò)(FF-CNN)、只有空間特征提取通道的二維卷積神經(jīng)網(wǎng)絡(luò)(2-D-CNN)和只有光譜特征提取通道的一維卷積神經(jīng)網(wǎng)絡(luò)(1-D-CNN)。實驗結(jié)果如圖6所示。

圖6(a)是FF-CNN模型提取的結(jié)果，總體來說大部分滑坡區(qū)域都被提取出來了，只遺漏了很少的滑坡區(qū)域，其識別結(jié)果與實際滑坡的范圍最接近，滑坡區(qū)域內(nèi)無噪點，一些比較靠近的滑坡也能準(zhǔn)確地劃分出邊界；整個滑坡圖識別完整，不同尺度的滑坡都能識別出來，將非滑坡識別為滑坡像元情況非常少。圖6(b)是2-D-CNN模型提取的結(jié)果，與FF-CNN模型的提取結(jié)果相比，目視上整體識別效果差異不大，大多數(shù)滑坡都能夠識別到；一些滑坡內(nèi)部存在漏識別的現(xiàn)象，識別完整度不及FF-CNN模型。圖6(c)為1-D-CNN模型的提取結(jié)果，整體上也能夠識別出較多的滑坡，但是識別出的滑坡完整度不及FF-CNN模型和2-D-CNN模型；一些滑坡內(nèi)部只識別出來部分像元，滑坡的召回率非常低，錯誤識別率太高，有許多非滑坡區(qū)域被分類為滑坡區(qū)域。

圖6 3種模型滑坡識別遙感影像 Fig.6 Remote Sensing Images of Landslides Recognized by Three Models

對上述3種模型進(jìn)行滑坡識別定量評價，評價指標(biāo)選取常用的召回率()、準(zhǔn)確率()、F1分?jǐn)?shù)()和平均交并比(MIoU)。F1分?jǐn)?shù)是準(zhǔn)確率和召回率的調(diào)和平均值，F(xiàn)1分?jǐn)?shù)越高，整體的分類結(jié)果就越好。F1分?jǐn)?shù)計算公式為

(3)

MIoU是由交并比(IoU)計算而來，交并比是預(yù)測區(qū)域和實際區(qū)域交集除以預(yù)測區(qū)域和實際區(qū)域的并集，然后計算所有類別交并比的平均數(shù)，即可得到MIoU值。MIoU值越高，整體分類結(jié)果越好。F1分?jǐn)?shù)和MIoU值反映的都是整體結(jié)果，因此，在二分類任務(wù)中較為常用，也最科學(xué)。評價結(jié)果如表1所示。FF-CNN模型的召回率最高，說明被識別出來的滑坡最多；2-D-CNN模型準(zhǔn)確率是最高的，說明被正確識別出來的滑坡最多。FF-CNN模型的F1分?jǐn)?shù)和MIoU值都是最高的，整體效果是這3個模型中最好的。相較于2-D-CNN模型，F(xiàn)F-CNN模型F1分?jǐn)?shù)和MIoU值分別提升0.020 2和0.014 4。實驗結(jié)果表明，增加的光譜特征是有效的。

表1 3種模型滑坡識別評價結(jié)果Table 1 Evaluation Results of Landslides Recognized by Three Models

3.2 地形因子驗證

為了驗證添加的地形因子是否提高了模型的性能，共設(shè)置了3組實驗，即將遙感影像、地形因子、遙感影像+地形因子輸入到FF-CNN模型中。3種輸入樣本方式的FF-CNN模型滑坡提取結(jié)果如圖7所示。圖7(c)是只使用地形因子的提取結(jié)果。總體上觀察，許多滑坡沒有被提取出來，尤其是山谷里兩側(cè)的滑坡，沒有一個滑坡區(qū)域被完全提取出來，且在實際滑坡區(qū)域內(nèi)，提取的滑坡像元互相分離，沒有連成一片，噪聲現(xiàn)象嚴(yán)重，滑坡成片區(qū)域無法準(zhǔn)確區(qū)分出邊界。圖7(b)展示了利用遙感影像的提取結(jié)果，與只使用地形因子的提取結(jié)果相比，模型的滑坡識別能力有了較大的提高，主要表現(xiàn)在滑坡識別得比較全面，大多數(shù)滑坡都能夠識別出。圖7(a)是疊加遙感影像和地形因子的提取結(jié)果。識別結(jié)果與實際滑坡范圍最接近，識別的滑坡圖斑沒有空洞，邊界幾乎完全匹配。

圖7 3種輸入樣本方式下的FF-CNN模型滑坡識別結(jié)果Fig.7 Landslides Recognized by FF-CNN Model with Three Types of Input Data Samples

上述3種輸入樣本方式的FF-CNN模型滑坡識別定量評價結(jié)果如表2所示。從表2可以看出：添加遙感影像+地形因子之后的FF-CNN模型4個評價指標(biāo)都是最高的，F(xiàn)1分?jǐn)?shù)和MIoU值相較于利用遙感影像的模型，分別提高了0.066 4和0.048 2；從召回率和準(zhǔn)確率也可以反映出添加遙感影像+地形因子之后的FF-CNN模型，不僅識別的滑坡最完整，識別準(zhǔn)確率也最高。

表2 3種輸入樣本方式下的FF-CNN模型滑坡識別評價結(jié)果Table 2 Evaluation Results of Landslides Recognized by FF-CNN Model with Three Types of Input Data Samples

3.3 方法討論

在深度學(xué)習(xí)中，最常用的特征融合方式為按點逐位相加(Point-wise Addition)和向量連接(Concatenate)。本實驗中所采用的融合方式為向量連接，原因是這兩個通道提取的特征是兩種不同類別的特征，如果通過按點逐位相加的方式，會改變原來特征。為了驗證特征融合方式對網(wǎng)絡(luò)模型性能的影響，設(shè)置了對比實驗。按點逐位相加要求兩種特征向量必須一一對應(yīng)，因此，在原來網(wǎng)絡(luò)的每個通道后面多增加了一個全連接層，將兩種不同長度的特征向量都映射為相同長度。增加全連接層后，精度通常會有所上升，但也會帶入大量的參數(shù)。兩種特征融合方式的定量評價結(jié)果如表3所示。從評價結(jié)果可知，向量連接融合方式的MIoU值和F1分?jǐn)?shù)都高于按點逐位相加融合方式，向量連接融合方式是較好的。

表3 兩種特征融合方式評價結(jié)果Table 3 Evaluation Results of Two Feature Fusion Methods

機(jī)器學(xué)習(xí)方法在滑坡識別上具有廣泛的應(yīng)用。

實驗選取了3種典型的機(jī)器學(xué)習(xí)方法，分別為支持向量機(jī)(Support Vector Machine,SVM)、隨機(jī)森林(Random Forest,RF)和梯度提升決策樹(Gradient Boosting Decision Tree,GBDT)，訓(xùn)練樣本的比例和FF-CNN模型保持一致。經(jīng)過多次調(diào)試，支持向量機(jī)懲罰參數(shù)設(shè)置為4.0，核函數(shù)為徑向基函數(shù)(Radial Basis Function,RBF)。隨機(jī)森林的決策樹為100個，最大深度為50。梯度提升決策樹的決策數(shù)為100個，最大深度為20。評價指標(biāo)選用F1分?jǐn)?shù)和MIoU值，對比結(jié)果如表4所示。從定量評價結(jié)果來看，在只使用較少的訓(xùn)練樣本下，支持向量機(jī)、隨機(jī)森林和梯度提升決策樹的性能遠(yuǎn)不及FF-CNN模型，這是因為3種機(jī)器學(xué)習(xí)方法在小樣本中造成了過擬合。這3種傳統(tǒng)機(jī)器學(xué)習(xí)方法中，表現(xiàn)最好的是隨機(jī)森林，MIoU值和F1分?jǐn)?shù)分別為0.713 0和0.645 3，但仍小于FF-CNN模型對應(yīng)的指標(biāo)值。

表4 FF-CNN模型與傳統(tǒng)機(jī)器學(xué)習(xí)方法對比結(jié)果Table 4 Comparison of FF-CNN Model and Traditional Machine Learning Methods

3.4 適用性討論

為了驗證FF-CNN模型在其他類型滑坡上的效果，將FF-CNN、2-D-CNN、1-D-CNN模型應(yīng)用到湖北省三峽庫區(qū)主要滑坡帶(圖8)。所選區(qū)域面積約396 km，共有202個不同規(guī)模的滑坡，主要分布在長江及其支流沿岸，標(biāo)記的滑坡主要為歷史滑坡。遙感影像選取資源三號01衛(wèi)星2013年4月的成像，影像上滑坡大多數(shù)已經(jīng)被植被和其他地物覆蓋。地形因子類型、訓(xùn)練樣本和測試樣本比例、對比實驗設(shè)置與四川省汶川縣銀杏鄉(xiāng)實驗一致。5組對比實驗滑坡制圖結(jié)果如圖9所示，定量評價結(jié)果如表5所示。

圖8 湖北省三峽庫區(qū)滑坡分布Fig.8 Distribution Map of Landslides in Three Gorges Reservoir Area of Hubei Province

表5 3種輸入樣本方式下的3種模型滑坡識別評價結(jié)果Table 5 Evaluation Results of Landslides Recognized by Three Models with Three Types of Input Data Samples

從最終的制圖效果可以看出：融合地形因子和遙感影像特征的FF-CNN模型滑坡識別效果最好，不同規(guī)模的滑坡都可以識別出來，滑坡邊界準(zhǔn)確；2-D-CNN模型也能識別出大部分滑坡，但部分滑坡識別不完整，小型滑坡無法識別出來；1-D-CNN模型識別效果最差，幾乎沒有正確識別出任何滑坡；只利用遙感影像的FF-CNN模型滑坡識別效果也較差，大部分滑坡無法識別出來，而只使用地形因子的FF-CNN模型卻可以識別出更多的滑坡，由此可見在滑坡有覆蓋物的情況下，地形因子可以起到積極的作用(圖9)。

圖9 3種輸入樣本方式下的3種模型滑坡識別結(jié)果 Fig.9 Landslides Recognized by Three Models with Three Types of Input Data Samples

從定量評價結(jié)果可以看出：FF-CNN模型在湖北省三峽庫區(qū)滑坡識別的召回率、準(zhǔn)確率、F1分?jǐn)?shù)和MIoU值都是最高的，評價結(jié)果基本和四川省汶川縣銀杏鄉(xiāng)實驗一致。定性和定量評價結(jié)果都表明，融合地形因子和遙感影像特征的FF-CNN模型在不同類型、不同地區(qū)的滑坡識別上都可以取得較好的效果，尤其在提取被植被或者其他地物覆蓋的滑坡上具有明顯的優(yōu)勢。

利用FF-CNN模型在四川省汶川縣銀杏鄉(xiāng)和湖北省三峽庫區(qū)都取得了較好的效果，有必要進(jìn)一步通過實驗來驗證訓(xùn)練好的模型在不同空間域的遷移能力。本文選取四川省都江堰市虹口鄉(xiāng)進(jìn)行實驗，遙感影像和四川省汶川縣銀杏鄉(xiāng)為同一時期，大多數(shù)滑坡無植被覆蓋，只有少量被植被所覆蓋。實驗將在銀杏鄉(xiāng)訓(xùn)練好的FF-CNN模型直接應(yīng)用到未調(diào)查過的四川省都江堰市虹口鄉(xiāng)來提取滑坡，滑坡提取結(jié)果如圖10所示。從整體提取結(jié)果來看，F(xiàn)F-CNN模型在四川省都江堰市虹口鄉(xiāng)能夠識別出絕大多數(shù)的滑坡體，目視對比Landsat遙感影像的真實滑坡范圍，滑坡區(qū)域位置基本能夠準(zhǔn)確定位，能夠較完整地識別出大部分滑坡范圍。從圖10(a)可以看出，四川省都江堰市虹口鄉(xiāng)的滑坡主要分布在北部和中部山區(qū)，南部較少。從圖10(b)、(c)可以看出，還有許多較小的滑坡沒有識別出來，小型滑坡的漏識別率較高。結(jié)合四川省都江堰市虹口鄉(xiāng)Google Earth歷史影像，在Landsat遙感影像上共解譯出198個滑坡，模型識別結(jié)果準(zhǔn)確定位出位置的滑坡數(shù)量有169個，可以識別出大部分滑坡發(fā)生位置。定量和定性評價結(jié)果表明，將FF-CNN模型遷移應(yīng)用到具有相同的滑坡成災(zāi)機(jī)理條件的區(qū)域，其識別結(jié)果可以滿足應(yīng)急救災(zāi)的滑坡定位需求。

圖10 基于FF-CNN模型的四川省都江堰市虹口鄉(xiāng)滑坡識別結(jié)果Fig.10 Landslides Recognized by FF-CNN Model in Hongkou Town of Dujiangyan City, Sichuan Province

4 結(jié) 語

(1)相關(guān)性和重要性分析實驗結(jié)果表明，高程、坡向、坡度、地形起伏度、平面曲率和剖面曲率6個地形因子對滑坡的發(fā)生都有影響。其中，剖面曲率和平面曲率的影響最大，坡向、坡度、高程和地形起伏度的影響依次降低。各個地形因子之間都存在著信息差異，結(jié)合對比實驗結(jié)果，本研究提出在遙感影像上疊加地形因子構(gòu)建滑坡訓(xùn)練樣本的方法，可以增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的滑坡識別能力。

(2)本文設(shè)計的輕量級特征融合卷積神經(jīng)網(wǎng)絡(luò)(FF-CNN)可以提取滑坡樣本的空間與光譜特征，并實現(xiàn)空間與光譜特征融合、光學(xué)影像與地形因子特征融合。實驗結(jié)果表明，這兩種特征融合方式在較少的訓(xùn)練樣本情況下可以有效提升卷積神經(jīng)網(wǎng)絡(luò)的滑坡識別能力，可為卷積神經(jīng)網(wǎng)絡(luò)的滑坡識別研究提供新的思路。

西安地質(zhì)調(diào)查中心組建六十周年的重要時刻，也是我正式就職于西安地質(zhì)調(diào)查中心的第一年，謹(jǐn)以此文祝賀！六十年來，西安地質(zhì)調(diào)查中心創(chuàng)造了許多輝煌的業(yè)績，在礦產(chǎn)、能源、生態(tài)保護(hù)、城市群規(guī)劃等方面做到很好的支撐作用，為國家實現(xiàn)“兩個一百年”奮斗目標(biāo)貢獻(xiàn)了力量！很高興加入西安地質(zhì)調(diào)查中心這個大家庭，祝愿西安地質(zhì)調(diào)查中心在新時代地質(zhì)調(diào)查事業(yè)和科技創(chuàng)新中取得更大的成就！