郭加偉 李永樹 王洪蜀 魯恒

摘要：地震后經(jīng)常會引發(fā)大量的泥石流災害（稱作地震泥石流），容易造成極大的破壞，無人機低空遙感技術(shù)以其便捷、時效性強等特點成為一種快速獲取災害信息的手段，但其影像的光譜信息較為缺乏，較難準確地檢測地震泥石流災害信息。針對以上問題，提出了一種基于遷移學習機制地震泥石流檢測方法，該方法在已構(gòu)建地震泥石流災害樣本庫的基礎(chǔ)上，將卷積神經(jīng)網(wǎng)絡(luò)訓練得到的特征遷移到地震泥石流災害信息檢測中，完成地震泥石流災害信息的自動檢測，并將面向?qū)ο蟮牡卣鹉嗍鳛暮π畔z測結(jié)果與遷移學習支持下的檢測結(jié)果進行了對比與分析。結(jié)果表明：基于遷移學習的地震泥石流災害信息檢測結(jié)果在精度上稍優(yōu)于面向?qū)ο蟮牡卣鹉嗍鳛暮π畔z測結(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；無人機高分影像；遷移學習；信息檢測

中圖分類號：P315.9；P642.23 文獻標識碼：A 文章編號：1000-0666（2018）02-0180-06

0 引言

2008年“5·12”汶川大地震給當?shù)厝嗣駧砹司薮蟮膿p失，且強震后較長一段時間內(nèi)，伴隨著強降雨天氣常出現(xiàn)的地震泥石流，給災區(qū)人民帶來了極大的威脅和傷害。據(jù)統(tǒng)計，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，地震泥石流還會造成房屋建筑受損、交通阻塞和堰塞湖等諸多問題。因此，如何利用現(xiàn)有的科學手段對地震泥石流信息進行快速檢測，準確獲取災情信息，是目前地震災害信息檢測與應急救援工作中的研究重點之一（唐川，2010；彭述剛，2014）。

無人機遙感技術(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厚的優(yōu)勢，已成為地震災害信息檢測與應急響應工作中的常用手段（任娟，2015；周洋等，2017）。但目前基于無人機高分辨率影像的地震泥石流信息檢測多以目視解譯為主，效率比較低下，如何突破這一技術(shù)瓶頸已成為當前該領(lǐng)域的研究熱點。

隨著計算機技術(shù)的不斷發(fā)展，深度學習已成功在語音識別、自然語言處理以及計算機視覺領(lǐng)域取得突破（Mikolov et al，2013）。遷移學習是深度學習的一種，遷移學習不需要做訓練數(shù)據(jù)與測試數(shù)據(jù)同分布假設(shè)，這意味著遷移學習不需要對每個領(lǐng)域都標定大量的訓練數(shù)據(jù)，而是從現(xiàn)有的數(shù)據(jù)中遷移知識，用來幫助新的學習任務(wù)，目前基于特征的遷移學習具有更廣泛的遷移能力（Weiss et al，2016；Saha et al，2016）。針對此現(xiàn)狀，本文以地震泥石流無人機高分影像災害樣本庫為基礎(chǔ)，利用卷積神經(jīng)網(wǎng)絡(luò)進行地震泥石流特征訓練，結(jié)合遷移學習特征的優(yōu)勢，將獲取的特征訓練方法遷移到地震泥石流災害信息檢測中，實現(xiàn)地震泥石流災害信息的自動檢測。并將該方法檢測的地震泥石流結(jié)果與面向?qū)ο蟮牡卣鹉嗍餍畔z測結(jié)果進行對比分析，提出了一種基于遷移學習的無人機高分影響地震泥石流災害信息檢測方法。

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)災害，造成了嚴重的人員傷亡和財產(chǎn)損失。

圖1中黑色點位是地震誘發(fā)的地質(zhì)災害，且擁有該區(qū)域無人機高分影像的位置，影像覆蓋區(qū)域面積總計76.59km2。利用收集到的無人機高分影像，采集地震泥石流災害樣本，并按照統(tǒng)一格式進行存儲，形成地震泥石流災害樣本庫，其中包括地震泥石流正樣本（地震泥石流）280個，地震泥石流負樣本（非地震泥石流）1600個，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)的地震泥石流災害信息檢測

在遙感領(lǐng)域，面向?qū)ο蟮姆诸惣夹g(shù)是基于目標（對象）的一種分類方法，是針對高分辨率影像應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)系等實現(xiàn)影像的分割和對象的分類，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)已被廣泛應用于遙感影像分類中，面向?qū)ο蠓诸惣夹g(shù)有2個重要特征和技術(shù)關(guān)鍵：選取合適的分割尺度對高分辨率影像進行分割，使檢測的地物能在最合適的分割尺度中凸顯出來；選取分割對象的多種典型特征建立地物的分類規(guī)則進行檢測或分類（李宏宏，2013）。

影像多尺度分割是通過同質(zhì)性及異質(zhì)性準則獲取多個對象，而不同的分割參數(shù)設(shè)置會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)對分割結(jié)果影響較小，故將2個參數(shù)固定，對比尺度參數(shù)對分割結(jié)果的影響。通過多個分割參數(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。

通過計算異質(zhì)度來判斷的分割對象的好壞程度，計算公式如下：

f=w·hcolor+（1-w）·hshape（1）式中：f表示總的分割對象的異質(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個相鄰區(qū)域的面積和光譜方差。

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

在影像多尺度分割后，選取地震泥石流災害信息檢測所需的最優(yōu)分割參數(shù)，通過對高分影像分割對象特征信息進行分析，選取可用于地震泥石流災害信息檢測的特征，然后根據(jù)特征信息建立檢測地震泥石流災害信息的自定義特征，最終完成地震泥石流信息的檢測。這里將實驗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分別表示無人機影像紅、綠、藍三通道的平均值。當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 基于遷移學習的地震泥石流災害信息檢測

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一個多層結(jié)構(gòu)學習算法，可通過分析空間相對關(guān)系來提高訓練效率（Zeiler，F(xiàn)ergus，2014）。CNN包含卷積層和下采樣層兩個部分，其中卷積層通過輸入影像和特定的卷積模板進行卷積運算生成，通過卷積層的特征圖進行下采樣可得到下采樣層。卷積層和下采樣層不斷反復交替，再加上諸多全連接層組成一個完整的卷積神經(jīng)網(wǎng)絡(luò)。

通過構(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，既可保持檢測的地震泥石流信息的完整性，又可以減少線狀地物對檢測結(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個輸入層、3個卷積層、1個FC256全連接層以及1個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)果將作為遷移學習支持下地震泥石流災害信息檢測的參數(shù)進行輸入。

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)建的地震泥石流災害樣本庫，通過上一步卷積神經(jīng)網(wǎng)絡(luò)線狀地物剔除模型，利用支持向量機（SYM）分類器將線狀地物剔除在該模型中的特征檢測方法遷移到地震泥石流信息檢測中，構(gòu)建如圖5所示的基于遷移學習的地震泥石流災害信息檢測流程。

遷移學習支持下的地震泥石流災害信息檢測，主要包括特征學習、特征遷移以及地震泥石流信息檢測模型訓練。針對特征學習階段，通過訓練樣本庫，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)訓練得到的參數(shù)進行轉(zhuǎn)移，保持模型各層參數(shù)不變，選擇一個輸出層，輸出地震泥石流災害特征。模型訓練階段，將特征遷移階段輸出的泥石流特征向量輸入支持向量機（SVM）分類器，進行模型訓練。

2 實驗及結(jié)果分析

2.1 地震泥石流信息檢測結(jié)果

實驗選取圖3a的無人機高分影像作為實驗數(shù)據(jù)，根據(jù)本文提出的面向?qū)ο蠓诸惣夹g(shù)，通過反復分割實驗，獲得研究的無人機高分影像的最優(yōu)分割尺度為140，形狀參數(shù)為0.6，緊致度參數(shù)為0.5。最終通過面向?qū)ο蟮姆诸惙椒z測該區(qū)域地震泥石流災害信息，結(jié)果如圖6a所示。1.2.2節(jié)基于遷移學習的地震泥石流災害信息檢測流程中，需通過對比分析正負樣本輸入各層的激活情況來分析特征遷移的訓練結(jié)果。實驗發(fā)現(xiàn)，地震泥石流的正樣本和負樣本在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。該方法對地震泥石流信息檢測結(jié)果如圖6b所示。

2.2 精度分析

針對上述地震泥石流二分類問題，采用混淆矩陣，通過計算真正類率（TPR）、負正類率（FPR）以及分類準確度（ACC），來評價本次地震泥石流信息檢測的精度。精度評價體系見表1。

從表1可以得出，面向?qū)ο蠓诸惙▽υ搮^(qū)域地震泥石流的檢測TPR為83.33%，F(xiàn)PR為13.64%，分類準確度ACC約為85.21%；而本文提出的基于遷移學習的該區(qū)域地震泥石流檢測FPR為9.10%，TPR為79.63%，分類準確度ACC則達到了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)于基于遷移學習的信息檢測方法，但在負正類率上前者不如后者，這說明面向?qū)ο蟮姆诸惙椒▽⒏嗟姆悄繕祟悪z測為自標類，從而導致在分類準確度上，基于遷移學習的地震泥石流信息檢測方法要高于面向?qū)ο蟮姆诸惙椒ā?/p>

3 結(jié)語

如何在地震災后第一時間通過獲取的無人機高分影像自動檢測泥石流等災害信息，已成為目前地震應急響應工作中的難點。本文結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和遷移學習方法，提出了一套行之有效的地震泥石流災害信息自動檢測方法，該方法的檢測精度優(yōu)于面向?qū)ο蟮姆诸惙椒?，且有效減少將非目標對象混淆為目標對象的情況。但該方法也存在樣本需求量大、訓練過程復雜、計算資源要求高等缺點。同時，考慮到該方法應用在空間數(shù)據(jù)信息檢測上的巨大潛力，今后將向多源數(shù)據(jù)的融合，將其運用到其它高分影像中，為地震災后信息檢測，包括建筑物倒塌、道路橋梁破壞等信息檢測提供可靠的技術(shù)方法。

參考文獻：

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.

魯恒，李永樹，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價[J].山地學報，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)測評估研究[D].湘潭：湖南科技大學.

任娟.2015.基于無人機遙感與GIS技術(shù)的泥石流災害監(jiān)測[D].成都：成都理工大學.

唐川.2010.汶川地震區(qū)暴雨滑坡泥石流活動趨勢預測[J].山地學報，28（3）：341-349.

殷躍平.2008.汶川八級地震地質(zhì)災害研究[J].工程地質(zhì)學報，16（4）：433-444.

周洋，明小娜，楊艷珠，等.災評新技術(shù)在云龍5.0級地震烈度調(diào)查中的應用[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.