王啟宏

(民和回族土族自治縣水土保持站，青海 民和 810800)

1 研究背景

淤地壩是修建在多泥沙溝道中用于固溝減蝕、蓄洪滯洪和控制泥沙輸移的一種水土保持工程措施[1]，通常以單壩或壩群形式出現(xiàn)。長(zhǎng)期的社會(huì)生產(chǎn)實(shí)踐表明，淤地壩在滯洪減沙的同時(shí)，還可以淤地造田、蓄水養(yǎng)殖、以壩代路，在發(fā)展農(nóng)業(yè)生產(chǎn)和改善生態(tài)環(huán)境等方面發(fā)揮著重要作用[2]。2019年9月，習(xí)近平總書記在黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展座談會(huì)上提出“有條件的地方要大力建設(shè)淤地壩”。早期修建的淤地壩大多為群眾自發(fā)建設(shè)的小型水利工程，缺乏合理規(guī)劃，現(xiàn)大部分已淤滿，失去蓄洪滯洪功能；后期修建的淤地壩，有相當(dāng)多的是由兩大件構(gòu)成，沒有配套泄洪設(shè)施。隨著全球氣候變化，部分地區(qū)因極端暴雨引起連續(xù)垮壩，對(duì)下游造成較大洪水災(zāi)害[3]。因此，對(duì)淤地壩進(jìn)行動(dòng)態(tài)監(jiān)控十分有必要。

《黃河流域生態(tài)保護(hù)和高質(zhì)量發(fā)展規(guī)劃綱要》中提出，要建立跨區(qū)域淤地壩信息監(jiān)測(cè)機(jī)制，實(shí)現(xiàn)對(duì)重要淤地壩的動(dòng)態(tài)監(jiān)控和安全風(fēng)險(xiǎn)預(yù)警。而動(dòng)態(tài)監(jiān)控淤地壩最重要的問題之一就是如何從大量影像數(shù)據(jù)中識(shí)別出淤地壩影像，同時(shí)準(zhǔn)確獲得現(xiàn)有淤地壩的空間位置及淤積面積等信息，為淤地壩的加固維修提供依據(jù)?，F(xiàn)實(shí)中淤地壩通常分布少、控制面積小，低分辨率遙感影像難以識(shí)別提取，而目視解譯及實(shí)地考察等方法又耗費(fèi)大量人力、物力，且目視解譯依賴解譯人員的經(jīng)驗(yàn)，局限性較大，加之有些淤地壩受地形、地理位置影響，技術(shù)人員無(wú)法實(shí)地考察，這些均會(huì)影響淤地壩影像提取精度。如何從大范圍遙感影像中快速識(shí)別、提取高精度淤地壩影像信息，減少人力、物力的消耗，實(shí)現(xiàn)淤地壩動(dòng)態(tài)監(jiān)控、空間優(yōu)化配置及水土流失防治，是本研究的重點(diǎn)。

2 研究區(qū)概況

民和縣是青海省海東市下轄縣，位于青海省東部邊緣?？h境南北長(zhǎng)約96 km、東西寬約32 km，總面積1 890 km2；海拔最高4 220 m，最低1 650 m；年均氣溫9.4 ℃，年均降水量351.4 mm；黃河及其支流湟水分別從其南部、北部流過，年總徑流量2.289億m3。民和縣地處青藏高原與黃土高原過渡地帶，山大溝深，植被稀疏，是青海省水土流失較為嚴(yán)重的地區(qū)之一。為防治水土流失，自20世紀(jì)90年代開始，民和縣開展了淤地壩建設(shè)，以單壩建設(shè)為主；2003年水利部“亮點(diǎn)工程”啟動(dòng)實(shí)施后，民和縣加快了淤地壩的建設(shè)。根據(jù)野外調(diào)查數(shù)據(jù)，民和縣現(xiàn)有淤地壩41座，其中骨干壩24座、中型壩15座、小型壩2座。2座小型壩主要是為發(fā)展農(nóng)業(yè)生產(chǎn)而修建，也被稱為“生產(chǎn)壩”，其在調(diào)控徑流和攔截泥沙方面的效果十分有限，本研究未作考慮，僅考慮其余39座淤地壩。為了解民和縣39座淤地壩現(xiàn)狀及其運(yùn)行狀況，本研究采用GIS空間分析與機(jī)器學(xué)習(xí)相結(jié)合的方法，對(duì)獲取的淤地壩遙感影像進(jìn)行自動(dòng)、快速、精確的解譯，并結(jié)合野外調(diào)查，對(duì)其解譯結(jié)果進(jìn)行印證。

3 樣本標(biāo)簽制作

39座淤地壩遙感影像均來自于Google Earth，其空間分辨率為0.3 m。影像中淤地壩的形態(tài)特征比較簡(jiǎn)單，最明顯且易被識(shí)別的為壩體和壩地。在原始影像中壩體影像通常呈矩形或類矩形，少數(shù)呈類三角形；壩頂因以壩代路，常用于連接溝道兩岸的交通，其影像呈線狀；壩地處于壩體后方，由壩體攔截流域內(nèi)泥沙淤積而成，和周圍地形相比，壩地地勢(shì)平緩，表面平整[見圖1(a)]。根據(jù)淤地壩原始影像，在ArcGIS Pro中對(duì)淤地壩影像進(jìn)行二分類標(biāo)注，用于模型訓(xùn)練，將淤地壩壩體及壩地區(qū)域標(biāo)注為1(白色區(qū)域)、非淤地壩區(qū)域標(biāo)注為0(黑色背景區(qū)域)，然后將影像裁剪成512×512像素大小[見圖1(b)]，39座淤地壩共制作樣本影像170個(gè)。有的樣本影像質(zhì)量好，分辨率高，可直接處理為相對(duì)應(yīng)的樣本標(biāo)簽[見圖1(c)]；有的樣本影像因在網(wǎng)絡(luò)中過度擬合，限制了其粗分類的能力，為得到泛化能力更強(qiáng)的樣本影像，需采用旋轉(zhuǎn)、翻轉(zhuǎn)和平移等幾何變換的方法，對(duì)樣本影像進(jìn)行數(shù)據(jù)增強(qiáng)處理，得到增強(qiáng)后的圖像[見圖1(d)]和相對(duì)應(yīng)的樣本標(biāo)簽[見圖1(e)]。處理后最終得到樣本標(biāo)簽1 336個(gè)，按照訓(xùn)練與驗(yàn)證之比為8∶2進(jìn)行隨機(jī)劃分，得到訓(xùn)練樣本標(biāo)簽1 068個(gè)、驗(yàn)證樣本標(biāo)簽268個(gè)。

圖1 樣本標(biāo)簽制作流程

4 研究方法

4.1 基于DeepLab V3+模型的語(yǔ)義分割

DeepLab V3+是目前遙感影像分割領(lǐng)域中圖像分割效果較好、應(yīng)用較為廣泛的模型之一，因此本研究采用了基于深度學(xué)習(xí)的語(yǔ)義分割模型DeepLab V3+，對(duì)遙感影像中的淤地壩影像進(jìn)行了提取。DeepLab V3+模型在計(jì)算機(jī)深度學(xué)習(xí)環(huán)境PyTorch1.7.1上運(yùn)行，編譯語(yǔ)言為Python3.7.12，使用NVIDIA Tesla P100顯卡(顯存16 GB)進(jìn)行訓(xùn)練，其網(wǎng)絡(luò)結(jié)構(gòu)主要由編碼層和解碼層組成(見圖2)。由圖2可知，DeepLab V3+對(duì)遙感影像的提取流程為：在編碼層，采用ResNet101骨干網(wǎng)絡(luò)對(duì)影像進(jìn)行特征提取，分別生成淺層語(yǔ)義特征圖及高級(jí)語(yǔ)義特征圖。其中，淺層語(yǔ)義特征圖經(jīng)空洞卷積判別后，直接傳輸?shù)浇獯a層，進(jìn)行1×1卷積運(yùn)算；高級(jí)語(yǔ)義特征圖經(jīng)空洞卷積判別后，需通過空洞空間金字塔池化(ASPP)模塊，進(jìn)行多尺度采樣，得到多尺度特征圖，再將多尺度特征圖進(jìn)行融合處理，經(jīng)過1×1卷積運(yùn)算降低通道維度后，傳輸?shù)浇獯a層進(jìn)行4倍上采樣。而后，在解碼層將兩種特征圖處理結(jié)果進(jìn)行拼接處理，經(jīng)過3×3卷積運(yùn)算后，通過4倍上采樣，將處理過的特征圖恢復(fù)到與原圖相同的尺寸，最后輸出結(jié)果圖。

圖2 DeepLab V3+對(duì)遙感影像的提取流程

4.2 模型評(píng)價(jià)指標(biāo)

通過混淆矩陣(見表1)，采用精確率(P)、召回率(R)、F1分?jǐn)?shù)(F1Score)和交并比(IoU)來評(píng)估模型性能，其值越大，模型性能越好。其中，精確率表示在模型識(shí)別為正例的樣本中，真正例的樣本所占的比例；召回率表示模型正確識(shí)別為正例的樣本占總的正例樣本的比值；F1分?jǐn)?shù)表示精確率和召回率的調(diào)和平均數(shù)；交并比表示真實(shí)值和預(yù)測(cè)值集合的交集與并集之比。

表1 混淆矩陣

精確率(P)、召回率(R)、F1分?jǐn)?shù)(F1Score)和交并比(IoU)的計(jì)算公式分別為

(1)

(2)

(3)

(4)

4.3 最優(yōu)DeepLab V3+模型訓(xùn)練

對(duì)DeepLab V3+模型進(jìn)行淤地壩影像提取訓(xùn)練，共迭代80 000次，其損失值變化趨勢(shì)見圖3。由圖3可以看出，損失值在訓(xùn)練初期迅速下降，表明模型正在快速擬合，學(xué)習(xí)效率較高。隨著迭代繼續(xù)，約在20 000次時(shí)，模型損失值下降到0.03，并開始呈現(xiàn)緩慢下降的趨勢(shì)，直至最終收斂，表明模型達(dá)到穩(wěn)定，訓(xùn)練結(jié)束。對(duì)獲得的模型進(jìn)行精確率、召回率、F1分?jǐn)?shù)和交并比評(píng)估，其結(jié)果見表2。由表2可知，模型識(shí)別淤地壩影像的精確率為97.24%、召回率為94.07%、交并比為91.62%、F1分?jǐn)?shù)為95.63%，表明該模型各方面性能較高，能夠應(yīng)用于淤地壩影像的識(shí)別提取。

圖3 DeepLab V3+模型訓(xùn)練時(shí)損失值的變化趨勢(shì)

表2 基于DeepLab V3+模型的淤地壩影像提取結(jié)果評(píng)估 %

5 結(jié) 果

5.1 基于DeepLab V3+模型的民和縣淤地壩影像提取

將訓(xùn)練好的模型應(yīng)用到民和縣遙感影像上，測(cè)試其對(duì)淤地壩影像的識(shí)別提取能力。結(jié)果發(fā)現(xiàn)：能識(shí)別出全部骨干壩影像，召回率達(dá)到100%；僅能識(shí)別出15座中型壩中的12座影像(見圖4)，有3座影像未能識(shí)別出，分別為漢家溝、池溝1#及高崖溝2#中型壩。識(shí)別錯(cuò)誤、未能提取淤地壩影像的原因可能為：一是受Google Earth影像質(zhì)量的影響；二是制作樣本標(biāo)簽時(shí)，淤地壩樣本標(biāo)簽不夠全面，相對(duì)應(yīng)的訓(xùn)練樣本較少。

5.2 基于遙感解譯的民和縣淤地壩運(yùn)行現(xiàn)狀

通過遙感解譯，結(jié)合現(xiàn)場(chǎng)調(diào)查，民和縣39座淤地壩運(yùn)行現(xiàn)狀見表3。由表3可知，39座淤地壩主要分布在米拉溝和隆治溝流域，總壩控面積為119.69 km2，總庫(kù)容為1 673.19萬(wàn)m3，已淤地面積為58.96萬(wàn)m2，已淤積庫(kù)容達(dá)645.92萬(wàn)m3。其中米拉溝壩系控制面積62 km2，骨干壩11座，自2008年壩系建成以來，已淤地面積11.08 hm2。從解譯結(jié)果中可以發(fā)現(xiàn)，大部分淤地壩庫(kù)內(nèi)均有蓄水，高崖溝1#骨干壩、荒草山中型壩、大莊溝骨干壩、秦家灣骨干壩等下游均有農(nóng)田，可以滿足防汛條件下蓄水灌溉及農(nóng)村生產(chǎn)生活等用水需求。在以壩代路方面，隆治溝池灘溝2#骨干壩的建成，將前山村到隆治鄉(xiāng)政府的路程由以前的16 km縮短到5 km；米拉溝樂巴溝1#骨干壩和河西溝1#骨干壩的建成，直接連通了溝道兩邊的村子，避免了之前的繞山而行，既能縮短路程，又能保證出行安全。

表3 民和縣39座淤地壩運(yùn)行現(xiàn)狀

6 應(yīng)用前景及存在的限制

本研究以遙感及深度學(xué)習(xí)等技術(shù)為支撐，以具有滯洪減沙、淤地造田功能的淤地壩為研究對(duì)象，提出了一種能夠應(yīng)用于大尺度的淤地壩影像提取方法，并將其應(yīng)用到青海省民和縣。結(jié)果表明：相較于以往淤地壩在區(qū)域尺度上的調(diào)查存在低效及遺漏的情況，本研究采用的方法更方便、快捷，且準(zhǔn)確；從提取的效果來看，淤地壩識(shí)別精度高達(dá)90%以上，這對(duì)及時(shí)獲取淤地壩分布和運(yùn)行狀況等信息、強(qiáng)化防汛應(yīng)急搶險(xiǎn)，以及科學(xué)客觀評(píng)價(jià)淤地壩建設(shè)成效等具有重要意義[4]。另外，只要收集到足夠多的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，該方法還可以應(yīng)用到其他區(qū)域的淤地壩影像提取上。

受Google Earth影像質(zhì)量及空間分辨率的限制，本研究只能應(yīng)用到淤地壩影像的識(shí)別提取。在野外調(diào)查過程中，發(fā)現(xiàn)民和縣中型以上病險(xiǎn)淤地壩數(shù)量較多，尚未除險(xiǎn)加固的骨干壩和中型壩占總數(shù)的50%左右，而在制作淤地壩樣本時(shí)，淤地壩的病險(xiǎn)特征無(wú)法在影像上呈現(xiàn)，因此該方法目前還不能應(yīng)用到病險(xiǎn)淤地壩影像的識(shí)別提取。但是，隨著高時(shí)空分辨率遙感影像及無(wú)人機(jī)攝影技術(shù)的發(fā)展，可獲取分辨率更高的影像數(shù)據(jù)，用于標(biāo)注病險(xiǎn)淤地壩，并制作成相應(yīng)的樣本標(biāo)簽用于模型訓(xùn)練，以完成病險(xiǎn)壩影像的識(shí)別提取。