一种沟谷型潜在泥石流危险性评价方法:基于多源数据融合的卷积神经网络
山区多发沟谷型泥石流,而由于山区地形崎岖,导致无法开展大面积的泥石流危险性评价工作.本文使用遥感数据、DEM(Digital Elevation Model)数据以及岩性、土壤、植被数据,构建了一个基于多源数据,能快速进行大面积排查工作的卷积神经网络模型RSDNet(Residual-Shuffle-Dense residual Net).该模型首先使用最大池化改进的残差结构对各类不同数据进行浅层特征提取,然后使用通道重排以加强各类数据底层特征间的关联性,接着使用密集残差结构对底层特征作进一步的特征提取,学习各类特征间的相互作用对潜在泥石流危险性的影响,最后根据待评价沟谷与已发生过泥石流沟谷的相似度给出沟谷的潜在危险性.在训练过程中,使用了交叉熵和基于焦点损失改进的联合损失函数,使模型能更好地区分各类沟谷的形态特征和致灾特征.RSDNet在沟谷分类任务上可达到89.7％的精确率.在对怒江州全境沟谷进行潜在危险性评价的任务中,132条历史泥石流沟谷有122条被模型判断为高危险或极危险.结果表明模型性能良好,为沟谷泥石流的危险性评价提供了新思路.
泥石流、灾害预测、山区沟谷、多源数据融合、怒江州、卷积神经网络、残差模块、焦点损失
25
TP391.41;P642.23;TD745
国家自然科学基金61966040
2023-07-10（万方平台首次上网日期，不代表论文的发表时间）
共18页
588-605
