一種基于遷移學(xué)習(xí)的城市內(nèi)澇識(shí)別方法研究

李芬

摘 要：為了有效解決目前獲得城市內(nèi)澇深度方法存在的問(wèn)題，本研究采用遷移學(xué)習(xí)的方法對(duì)城市內(nèi)澇深度進(jìn)行監(jiān)測(cè)。以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過(guò)將提取的特征向量集和標(biāo)注內(nèi)澇深度的數(shù)據(jù)集輸入LASSO模型中進(jìn)行訓(xùn)練，計(jì)算出城市內(nèi)澇深度。同時(shí)，以江西省南昌市近5年來(lái)內(nèi)澇圖片數(shù)據(jù)為例進(jìn)行實(shí)證檢驗(yàn)。結(jié)果顯示，該方法預(yù)測(cè)結(jié)果與真實(shí)的內(nèi)澇水位偏差較小，與實(shí)際內(nèi)澇發(fā)生情況的吻合程度較高。因此，該方法能有效識(shí)別城市內(nèi)澇的真實(shí)情況，對(duì)應(yīng)對(duì)頻發(fā)的城市洪水災(zāi)害問(wèn)題具有重要意義。

關(guān)鍵詞：遷移學(xué)習(xí);城市內(nèi)澇;卷積神經(jīng)網(wǎng)絡(luò);圖像識(shí)別

中圖分類(lèi)號(hào)：TP18;TU992 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-5168（2021）28-00-04

Abstract： In order to effectively solve the problems existing in the current methods of obtaining urban waterlogging depth， this study uses the migration learning method to monitor the urban waterlogging depth. Based on the convolution neural network， the urban waterlogging depth is calculated by inputting the extracted feature vector set and the data set labeled waterlogging depth into lasso model for training. At the same time， take the waterlogging picture data of Nanchang in recent 5 years as an example for empirical test. The results show that the deviation between the predicted results and the real waterlogging water level is small， and the coincidence degree with the actual waterlogging is high. Therefore， this method can effectively identify the real situation of urban waterlogging， and is of great significance to solve the problem of frequent urban flood disasters.

Keywords： transfer learning;urban waterlogging;convolutional neural network;image recognition

近年來(lái)，城市洪水已經(jīng)成為全球范圍內(nèi)最頻繁和最嚴(yán)重的城市災(zāi)害之一。目前，城市洪水深度提取的方法主要有水位傳感器、遙感影像等。丁志國(guó)、秦玉忠、丁妙增、屠佳佳研究了水位傳感器對(duì)洪澇檢測(cè)的效果，結(jié)果顯示，由于水位傳感器費(fèi)用較高，能夠檢測(cè)的內(nèi)澇點(diǎn)數(shù)量有限[1-4]，很難準(zhǔn)確獲得覆蓋城市范圍的洪水深度。郭欣怡、張紅萍、路京選、徐宗學(xué)研究了遙感影像在城市內(nèi)澇監(jiān)測(cè)中的應(yīng)用情況，結(jié)果顯示，基于衛(wèi)星的遙感圖像受云層和植被影響，分辨率往往較低且數(shù)據(jù)樣本有限[5-8]。因此，有必要研究其他潛在的數(shù)據(jù)來(lái)源。而從市民拍攝的一些圖像中提取城市洪水深度信息是一種有潛力且經(jīng)濟(jì)有效的方法，可以作為現(xiàn)有方法的補(bǔ)充。從圖像中提取城市內(nèi)澇深度信息可以定義為一項(xiàng)計(jì)算機(jī)視覺(jué)任務(wù)，處理流程與分類(lèi)、目標(biāo)檢測(cè)、分割等計(jì)算機(jī)視覺(jué)基本任務(wù)類(lèi)似，提取圖像中的特征向量是處理流程中的關(guān)鍵步驟[9]。

遷移學(xué)習(xí)是一種機(jī)器學(xué)習(xí)方法，是把為任務(wù)A開(kāi)發(fā)的模型作為初始點(diǎn)，重新使用在為任務(wù)B開(kāi)發(fā)模型的過(guò)程中[10]。例如，利用遷移學(xué)習(xí)從衛(wèi)星圖像中提取特征向量，然后建立特征向量與缺陷值間的回歸模型?；谶w移學(xué)習(xí)得到的特征向量從圖像中提取城市洪水深度具有很大的潛力。筆者提出一種利用遷移學(xué)習(xí)從圖像中提取城市洪水深度信息的方法。

1 方法概述

基于遷移學(xué)習(xí)的城市洪水深度識(shí)別方法主要由訓(xùn)練階段和測(cè)試階段組成，其過(guò)程如圖1所示。在訓(xùn)練階段，將遷移學(xué)習(xí)模型作為特征提取器，從圖像中提取特征向量;然后，根據(jù)提取的特征向量和相應(yīng)的觀測(cè)深度值訓(xùn)練回歸模型。在測(cè)試階段，使用與訓(xùn)練階段相同的遷移學(xué)習(xí)模型從測(cè)試集中提取特征向量，然后將這些特征向量輸入回歸模型，訓(xùn)練回歸模型，計(jì)算城市內(nèi)澇深度。

2 內(nèi)澇深度的識(shí)別

為了對(duì)城市內(nèi)澇的深度進(jìn)行識(shí)別，首先需要從訓(xùn)練集或測(cè)試集中提取特征向量，將原始圖像轉(zhuǎn)換為高級(jí)抽象特征。然后，在訓(xùn)練階段，將提取到的特征向量和實(shí)際標(biāo)注的內(nèi)澇深度輸入回歸模型中進(jìn)行訓(xùn)練。之后，在測(cè)試階段，將得到的特征向量輸入經(jīng)過(guò)訓(xùn)練的回歸模型中，計(jì)算圖片的內(nèi)澇深度。

2.1 訓(xùn)練集中特征向量的提取

從訓(xùn)練集或測(cè)試集中提取特征集（含特征向量的相應(yīng)集合）需要經(jīng)過(guò)特征提取器，而本文用到的特征提取器為預(yù)先訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）[11]。遷移學(xué)習(xí)方法首先使用此卷積神經(jīng)網(wǎng)絡(luò)來(lái)初始化網(wǎng)格參數(shù)，同時(shí)固定某些層的神經(jīng)元初始值，然后對(duì)大量的訓(xùn)練集進(jìn)行特征提取。本文中選用的Incepiton V3是一個(gè)基于ImageNet的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，從圖像中提取相關(guān)特征。

Incepiton V3的體系結(jié)構(gòu)如表1所示。首先將圖像調(diào)整為299×299像素，然后將調(diào)整后的圖像輸入Incepiton V3的第一層，通過(guò)特定的操作提取特征。接下來(lái)，每一層將前一層提取的特征作為輸入，得到更復(fù)雜的特征。在這些層的操作之后，Incepiton V3可以將原始圖像轉(zhuǎn)換為高級(jí)抽象特征，用于分類(lèi)、歸類(lèi)等。

首先固定層與層之間的權(quán)重，同時(shí)去掉最后一個(gè)全連接層（線(xiàn)性層）及Softmax層，然后將其余的部分固定作為特征提取器，那么最后結(jié)果輸出的是2 048維度的特征向量。最終從訓(xùn)練集中得到的特征向量集是這個(gè)2 048維度的向量。

2.2 內(nèi)澇深度的計(jì)算

將利用Incepiton V3提取的特征向量集輸入套索算法（Least Absolute Shrinkage And Selection Operator，LASSO模型）中進(jìn)行訓(xùn)練[12]。該方法通過(guò)構(gòu)造一個(gè)懲罰函數(shù)得到一個(gè)較為精煉的模型，使其壓縮一些回歸系數(shù)，即強(qiáng)制系數(shù)絕對(duì)值之和小于某個(gè)固定值，它是一種處理具有復(fù)共線(xiàn)性數(shù)據(jù)的有偏估計(jì)方法。LASSO回歸模型更適合特征數(shù)大于樣本集這樣的場(chǎng)景。

LASSO回歸模型如式（1）所示：

式中：xi（i=1，2，...，n，其中，n為樣本數(shù)）表示特征;yi（i=1，2，...，n，其中，n為樣本數(shù)）表示預(yù)測(cè)量;β0表示截距;βj（j=1，2，...，p，其中，p為代表特征數(shù)）表示第j個(gè)特征的回歸系數(shù);γ是懲罰系數(shù)。LASSO回歸模型經(jīng)轉(zhuǎn)換后可由式（2）表示：

在本研究中，使用LASSO模型進(jìn)行特征選擇。LASSO模型可以將一些特征的系數(shù)設(shè)為0來(lái)去除這些特征。通過(guò)調(diào)整特征系數(shù)，可以調(diào)整所選擇特征的個(gè)數(shù)。通常采用K-Fold交叉驗(yàn)證方法獲得最優(yōu)的擬合值。首先，隨機(jī)打亂訓(xùn)練集;其次，將訓(xùn)練集分成5等分;然后，對(duì)于每次訓(xùn)練過(guò)程，將其中4等分作為訓(xùn)練集，剩余的1等分作為驗(yàn)證集;最后，在5次迭代后，驗(yàn)證集所產(chǎn)生結(jié)果的均值將作為模型性能的一次參考值，可以用式（3）表示：

整個(gè)過(guò)程如圖2所示。

在訓(xùn)練階段，先用Incepiton V3得到的特征向量（作為X）和內(nèi)澇深度（作為Y）來(lái)訓(xùn)練LASSO模型;在測(cè)試階段，將Incepiton V3得到的特征向量輸入經(jīng)過(guò)訓(xùn)練的LASSO回歸模型中，計(jì)算圖片的內(nèi)澇深度。

3 研究案例

為了訓(xùn)練和測(cè)試回歸，需要?jiǎng)?chuàng)建內(nèi)澇深度數(shù)據(jù)集，該數(shù)據(jù)集需要集合大量的內(nèi)澇深度數(shù)據(jù)，也可以手動(dòng)對(duì)圖片進(jìn)行標(biāo)注。標(biāo)注的數(shù)據(jù)又分為標(biāo)注對(duì)象和標(biāo)注環(huán)境。標(biāo)注環(huán)境分為不同程度的內(nèi)澇雨天，且需要沒(méi)有降水的天氣圖片。標(biāo)注對(duì)象應(yīng)該包括一些參照物，如人行電線(xiàn)桿、防撞桶、欄桿、車(chē)輛等。通過(guò)比較參考對(duì)象在淹水期和非淹水期的高度，可以估算出淹水深度。

3.1 數(shù)據(jù)集

為了研究和評(píng)估該技術(shù)的可行性，采集了過(guò)去5年來(lái)南昌市內(nèi)澇的圖片，圖3和圖4是數(shù)據(jù)集的一部分。其中，圖3顯示的城市內(nèi)澇圖片中車(chē)為主要參照物，將其作為圖集1;

圖4顯示的城市內(nèi)澇圖片中人為主要參照物，將其作為圖集2。這些圖片的原始像素是1 280×720。Incepiton V3會(huì)將其轉(zhuǎn)換為299×299像素規(guī)格。每個(gè)圖片都標(biāo)注了內(nèi)澇深度。

3.2 結(jié)果模擬

將所有圖片分成兩部分，即測(cè)試集和訓(xùn)練集（含驗(yàn)證集）。其中，測(cè)試集僅用于評(píng)估回歸模型的性能，不用于訓(xùn)練和驗(yàn)證;訓(xùn)練集按照?qǐng)D2所示的5次迭代訓(xùn)練法進(jìn)行訓(xùn)練。采用LASSO回歸模型，對(duì)以上兩個(gè)圖集進(jìn)行訓(xùn)練，得到其對(duì)應(yīng)的性能指標(biāo)，如表2所示。

3.2.1 圖集1的內(nèi)澇深度預(yù)測(cè)。實(shí)驗(yàn)組收集了85個(gè)樣本來(lái)訓(xùn)練LASSO模型，同時(shí)使用20折交叉驗(yàn)證的方法，最終得到的λ值是0.000 735，其中有效特征數(shù)為49個(gè)。在訓(xùn)練階段，模型的R2和RMSE指標(biāo)分為是0.94和0.015;在測(cè)試階段，對(duì)應(yīng)的R2和RMSE分別為0.75和0.031。

圖5是圖集1真實(shí)樣本與預(yù)測(cè)值的結(jié)果。其中，實(shí)線(xiàn)部分為真實(shí)內(nèi)澇水位，圓點(diǎn)為訓(xùn)練模型的預(yù)測(cè)結(jié)果，方點(diǎn)為測(cè)試模型的預(yù)測(cè)結(jié)果?？傮w來(lái)說(shuō)，預(yù)測(cè)結(jié)果表現(xiàn)良好，符合預(yù)期。

3.2.2 圖像2的內(nèi)澇深度預(yù)測(cè)。對(duì)于圖像集2，收集了148個(gè)樣本來(lái)訓(xùn)練LASSO模型，同樣使用20折來(lái)對(duì)其進(jìn)行訓(xùn)練，獲取的最佳λ為0.000 821，同時(shí)有42個(gè)特征被選中。在訓(xùn)練過(guò)程中，對(duì)應(yīng)的R2和RMSE分別為0.98和0.025;在測(cè)試階段，對(duì)應(yīng)的R2和RMSE分別為0.98和0.033。

圖6是圖集2真實(shí)樣本與預(yù)測(cè)值的結(jié)果。其中，實(shí)線(xiàn)部分為真實(shí)內(nèi)澇水位，圓點(diǎn)為訓(xùn)練模型的預(yù)測(cè)結(jié)果，方點(diǎn)為測(cè)試模型的預(yù)測(cè)結(jié)果。

表2數(shù)據(jù)及擬合圖（圖5、圖6）顯示，內(nèi)澇圖片中以車(chē)為主要參照物的場(chǎng)景采用該模型，其內(nèi)澇深度的觀測(cè)值同真值之間的偏差更小;而內(nèi)澇圖片中以人為主要參照物的場(chǎng)景，其預(yù)測(cè)結(jié)果與實(shí)際發(fā)生情況的吻合程度更高。

4 結(jié)語(yǔ)

通過(guò)以上案例可以發(fā)現(xiàn)，無(wú)論內(nèi)澇圖片中以車(chē)為主要參照物，還是以人為主要參照物，其對(duì)應(yīng)的預(yù)測(cè)結(jié)果與真實(shí)內(nèi)澇水位均具有良好的匹配程度。因此，本文中提出的遷移學(xué)習(xí)的城市內(nèi)澇識(shí)別方法具有良好的內(nèi)澇識(shí)別效果，能有效解決目前獲得城市內(nèi)澇深度方法存在的問(wèn)題。

參考文獻(xiàn)：

[1]丁志國(guó)，龔占龍，盛智勇.FBG傳感器在排水管道水位實(shí)時(shí)監(jiān)測(cè)中的應(yīng)用[J].河北農(nóng)機(jī)，2021（7）：52-53.

[2]秦玉忠，吳銀成，黃春，等.城市道路積水監(jiān)測(cè)用超聲波水位傳感器研究[J].自動(dòng)化與儀器儀表，2021（3）：101-104.

[3]丁妙增，陳愛(ài)蓮.水位觀測(cè)儀探析與改進(jìn)[J].浙江氣象，2020（4）：44-48.

[4]屠佳佳，沈冰，張永超.基于液面檢測(cè)傳感器的水位自動(dòng)監(jiān)測(cè)系統(tǒng)研究[J].浙江水利科技，2021（5）：76-79.

[5]郭欣怡，趙雙明.利用Sentinel-1/2融合影像分析城市內(nèi)澇[J/OL].（2021-10-25）[2021-11-09].https：//kns.cnki.net/kcms/detail/detail.aspx？dbcode=CAPJ&dbname=CAPJLAST&filename=CHXG20211025000&uniplatform=NZKPT&v=LiHL004B3v4muKKy9fk1kaKikWOVk4dxuEe9YQ0AhDIOoHlnjHdg_o3fvR_Oimw2.

[6]張紅萍.基于遙感技術(shù)的城市洪澇災(zāi)害承載力評(píng)估模型研究：以武漢市為例[D].武漢：中國(guó)地質(zhì)大學(xué)，2020：1-155.

[7]路京選，李小濤，李琳，等.臺(tái)風(fēng)暴雨洪澇災(zāi)害全鏈路遙感動(dòng)態(tài)監(jiān)測(cè)方法與示范[J].衛(wèi)星應(yīng)用，2019（11）：23-28.

[8]徐宗學(xué)，程濤，洪思揚(yáng)，等.遙感技術(shù)在城市洪澇模擬中的應(yīng)用進(jìn)展[J].科學(xué)通報(bào)，2018（21）：2156-2166.

[9]鄭遠(yuǎn)攀，李廣陽(yáng)，李曄.深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用研究綜述[J].計(jì)算機(jī)工程與應(yīng)用，2019（12）：20-36.

[10]莊福振，羅平，何清，等.遷移學(xué)習(xí)研究進(jìn)展[J].軟件學(xué)報(bào)，2015（1）：26-39.

[11]曲景影，孫顯，高鑫.基于CNN模型的高分辨率遙感圖像目標(biāo)識(shí)別[J].國(guó)外電子測(cè)量技術(shù)，2016（8）：45-50.

[12]柯鄭林.Lasso及其相關(guān)方法在多元線(xiàn)性回歸模型中的應(yīng)用[D].北京：北京交通大學(xué)，2011：1-40.

3701500338252