基于原型網(wǎng)絡(luò)的泥石流溝谷圖像預(yù)測(cè)

王旭，王保云，3，韓俊，徐繁樹

（1.云南師范大學(xué) 數(shù)學(xué)學(xué)院，云南 昆明 650500；2.云南師范大學(xué) 信息學(xué)院，云南 昆明 650500；3.云南省高校復(fù)雜系統(tǒng)建模及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500）

0 引 言

泥石流災(zāi)害是一種常見的自然災(zāi)害。泥石流借助地形沖入城鎮(zhèn)和鄉(xiāng)村，破壞建筑設(shè)施，造成人員傷亡和巨大的經(jīng)濟(jì)損失。由于云南省地形陡峭、降水集中，泥石流災(zāi)害發(fā)生極為頻繁。近年來(lái)，許多研究者應(yīng)用機(jī)器學(xué)習(xí)算法對(duì)泥石流數(shù)據(jù)進(jìn)行預(yù)測(cè)。張蓉基于支持向量機(jī)建立了泥石流危害性預(yù)測(cè)模型，具有良好的使用價(jià)值；徐黎明等人基于BP神經(jīng)網(wǎng)絡(luò)，通過對(duì)云南東川蔣家溝泥石流觀測(cè)數(shù)據(jù)的訓(xùn)練與預(yù)測(cè)建立了泥石流平均流速的預(yù)測(cè)模型，取得了較滿意的效果；孔艷基于結(jié)合信息量法和層次分析法、邏輯回歸法以及人工神經(jīng)網(wǎng)絡(luò)法三種方法建立了泥石流危險(xiǎn)性評(píng)估的預(yù)測(cè)模型，并構(gòu)建了泥石流危險(xiǎn)性預(yù)測(cè)模擬平臺(tái)，實(shí)現(xiàn)了對(duì)泥石流災(zāi)害的預(yù)測(cè)查詢。

目前，深度學(xué)習(xí)在各類機(jī)器學(xué)習(xí)任務(wù)上取得了巨大的成功，但是深度學(xué)習(xí)需要海量的帶有標(biāo)簽的數(shù)據(jù)支持才能取得好的效果，這限制了一些實(shí)際的應(yīng)用。那么，是否利用少量樣本就能訓(xùn)練出較好的模型呢？小樣本學(xué)習(xí)應(yīng)運(yùn)而生。顧名思義，小樣本學(xué)習(xí)可以在深度學(xué)習(xí)的模型下利用少量樣本進(jìn)行學(xué)習(xí)。在實(shí)踐中，一些地區(qū)泥石流發(fā)生頻繁，但是很難精準(zhǔn)地提取到發(fā)生泥石流災(zāi)害的溝谷，獲取一條準(zhǔn)確地泥石流溝谷，需要大量的資料，反復(fù)研究和確定，目前獲取的泥石流溝谷樣本僅有幾十張，達(dá)不到深度學(xué)習(xí)所需的樣本數(shù)量。

為了解決深度學(xué)習(xí)過度依賴數(shù)據(jù)的問題，本文采用了小樣本學(xué)習(xí)（few-shot learning），選取原型網(wǎng)絡(luò)（Prototypical Network）作為小樣本學(xué)習(xí)框架，特征提取網(wǎng)絡(luò)分別使用了Conv4和ResNet12兩種淺層網(wǎng)絡(luò)，對(duì)泥石流數(shù)據(jù)分別采用4-way 2-shot、2-way 7-shot和2-way 5-shot進(jìn)行訓(xùn)練，2-way 2-shot進(jìn)行測(cè)試，將小樣本學(xué)習(xí)框架和特征提取網(wǎng)絡(luò)進(jìn)行組合，實(shí)現(xiàn)了對(duì)泥石流是否發(fā)生的預(yù)測(cè)。

1 實(shí)驗(yàn)數(shù)據(jù)

本文研究區(qū)域?yàn)樵颇鲜∨饔蛉鐖D1所示，怒江流域位于中國(guó)云南西北部，是典型的高山峽谷區(qū)。該流域地勢(shì)跌宕起伏，北高南低，高山與縱谷并列，是泥石流災(zāi)害易發(fā)區(qū)。

圖1 研究區(qū)域位置圖

實(shí)驗(yàn)數(shù)據(jù)提取的是怒江流域的溝谷數(shù)字高程模型（Digital Elevation Model, DEM）圖像。首先，將發(fā)生過泥石流的溝谷記為正樣本，未發(fā)生過泥石流的溝谷記為負(fù)樣本。對(duì)于正樣本，根據(jù)查閱到的云南怒江流域泥石流災(zāi)害相關(guān)新聞報(bào)道及文獻(xiàn)記錄，仔細(xì)核查泥石流發(fā)生的位置，結(jié)合谷歌地球和百度地圖，具體到發(fā)生的村莊并找到對(duì)應(yīng)的溝谷，用ArcGIS軟件提取該溝谷的DEM圖作為正樣本，共計(jì)50條。對(duì)于負(fù)樣本，選取了50條確定未發(fā)生過泥石流且附近有房屋建筑的怒江溝谷。在此基礎(chǔ)上，將得到的數(shù)據(jù)進(jìn)行了處理，圖像溝口的方向統(tǒng)一朝左，圖像統(tǒng)一裁剪和填充為正方形。最后，將正、負(fù)兩類樣本隨機(jī)打亂，將數(shù)據(jù)六分類，測(cè)試集每類放12張圖像，剩余的18張圖像平均放到測(cè)試集的六類中。溝谷的DEM圖像示意圖如圖2所示。

圖2 怒江流域溝谷DEM示意圖

2 研究方法

2.1 原型網(wǎng)絡(luò)

小樣本學(xué)習(xí)是具有有限個(gè)監(jiān)督樣本的機(jī)器學(xué)習(xí)，有限樣本與先驗(yàn)知識(shí)進(jìn)行結(jié)合，使得模型可以提取樣本中的信息。小樣本學(xué)習(xí)的經(jīng)典學(xué)習(xí)框架有：匹配網(wǎng)絡(luò)、原型網(wǎng)絡(luò)、孿生網(wǎng)絡(luò)和關(guān)系網(wǎng)絡(luò)。

本文的小樣本學(xué)習(xí)框架主要選取了原型網(wǎng)絡(luò)。原型網(wǎng)絡(luò)是由Snell等人提出的。原型網(wǎng)絡(luò)是基于CNN的度量元學(xué)習(xí)方法，可以防止樣本量少產(chǎn)生過擬合現(xiàn)象。原型網(wǎng)絡(luò)是將樣本投影到一個(gè)特征空間，支持集中的每類樣本嵌入特征向量的均值為一個(gè)類原型，度量與查詢集中的樣本嵌入特征向量的歐氏距離，利用最近鄰思想將查詢集的樣本分到支持集中正確的類別。

支持集原型的計(jì)算如式（1）：

其中，C表示支持集每類的原型，S表示支持集中類別的樣本總數(shù)，x表示類別中的一個(gè)樣本，y表示樣本對(duì)應(yīng)的標(biāo)簽，f（x）稱為特征嵌入函數(shù)，表示支持集標(biāo)簽樣本嵌入空間特征向量。

原型網(wǎng)絡(luò)分類原理如圖3所示，其中，、、表示三個(gè)不同的類原型，x表示查詢集樣本嵌入特征向量。

圖3 原型網(wǎng)絡(luò)分類原理

2.2 特征提取網(wǎng)絡(luò)

本文采用的特征提取網(wǎng)絡(luò)為Conv4和ResNet12網(wǎng)絡(luò)。在原型網(wǎng)絡(luò)作為小樣本框架的條件下，這些網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)泥石流溝谷圖像的特征提取。Conv4網(wǎng)絡(luò)是由四個(gè)卷積組成的，而每個(gè)卷積由卷積層、批量歸一化層（batch normalization）、激活層（ReLU）和最大池化層（max pooling）組成。深度殘差網(wǎng)絡(luò)（Deep residual network,ResNet）是由何凱明等人提出的，提出了殘差學(xué)習(xí)單元（Residual Unit），訓(xùn)練出了152層深的神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的CNN特征提取網(wǎng)絡(luò)。ResNet12網(wǎng)絡(luò)的深度為12，是一種淺層網(wǎng)絡(luò)，由Basic Block搭成。該網(wǎng)絡(luò)中共有三個(gè)Basic Block，一個(gè)Basic Block由七部分的組成，如圖4所示。

圖4 Basic Block 殘差網(wǎng)絡(luò)結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果與分析

怒江流域的泥石流溝谷DEM圖像作為實(shí)驗(yàn)數(shù)據(jù)，支持集分別為4-way 2-shot、2-way 7-shot、2-way 5-shot，查詢集為2-way 2-shot，特征提取網(wǎng)絡(luò)分別為Conv4和ResNet12。每種組合進(jìn)行6次實(shí)驗(yàn)的平均準(zhǔn)確率作為實(shí)驗(yàn)結(jié)果，實(shí)驗(yàn)結(jié)果如表1所示。

表1 原型網(wǎng)絡(luò)對(duì)泥石流DEM圖像預(yù)測(cè)結(jié)果

由以上實(shí)驗(yàn)結(jié)果可以得到：怒江流域的溝谷DEM圖像數(shù)據(jù)六分類，原型網(wǎng)絡(luò)作為小樣本學(xué)習(xí)框架的條件下，使用不同的特征提取網(wǎng)絡(luò)，不同的N-way K-shot，得到的實(shí)驗(yàn)結(jié)果不同。不同的特征提取網(wǎng)絡(luò)下，ResNet12比Conv4效果好；不同的N-way K-shot下，2-way 5-shot的表現(xiàn)最好。其中，特征提取網(wǎng)絡(luò)為ResNet12，2-way 5-shot的條件下，該組合表現(xiàn)最好，平均準(zhǔn)確率最高為75.36%。這表示：該模型有75.36%的可信度預(yù)測(cè)怒江流域某溝谷是否具有發(fā)生泥石流的可能性。

4 結(jié) 論

泥石流災(zāi)害是一種發(fā)生迅速、破壞力強(qiáng)的地質(zhì)災(zāi)害，我國(guó)云南省西北部地區(qū)是泥石流災(zāi)害的重災(zāi)區(qū)，泥石流災(zāi)害的精準(zhǔn)預(yù)測(cè)對(duì)相關(guān)部門的防災(zāi)減災(zāi)工作具有至關(guān)重要的經(jīng)濟(jì)和社會(huì)價(jià)值。近幾年，由于小樣本學(xué)習(xí)所需的標(biāo)記樣本較少，受到研究領(lǐng)域廣泛的關(guān)注，以深度網(wǎng)絡(luò)作為特征提取器進(jìn)行小樣本學(xué)習(xí)的研究發(fā)展迅速。但是，如何從少量樣本中精準(zhǔn)的學(xué)習(xí)也是小樣本學(xué)習(xí)的主要挑戰(zhàn)之一。本文主要采用了小樣本學(xué)習(xí)中的原型網(wǎng)絡(luò)作為學(xué)習(xí)框架，選擇Conv4和ResNet12特征提取網(wǎng)絡(luò)，對(duì)云南省怒江流域的泥石流數(shù)據(jù)進(jìn)行了預(yù)測(cè)實(shí)驗(yàn)，得出以下幾點(diǎn)結(jié)論：

（1）將溝谷圖像進(jìn)行預(yù)處理，有助于提取圖像特征，更快地進(jìn)行訓(xùn)練。

（2）各種組合中，ResNet12＋2-way 5-shot表現(xiàn)最佳，準(zhǔn)確率達(dá)到75.36%。由于數(shù)據(jù)量過少，準(zhǔn)確率不是很高。

（3）小樣本學(xué)習(xí)對(duì)于預(yù)測(cè)泥石流災(zāi)害有重要的價(jià)值，小樣本學(xué)習(xí)將會(huì)更多地用于實(shí)際應(yīng)用，如何提高模型的準(zhǔn)確率，如何從少量樣本中獲取特征仍然是小樣本學(xué)習(xí)的一個(gè)挑戰(zhàn)。