0.   引言

泥石流是一种广泛分布于山区、沟谷深壑等特殊地形的自然灾害，具有突出的链式灾害特征^{[1 − 2]}。按照发育泥石流的地貌条件划分，可以将泥石流划分为坡面型、沟谷型两类。中国幅员辽阔，自然条件复杂，其中大江大河汇聚成的沟谷集水区众多，在雨季暴雨频繁时易产生沟谷型泥石流，故对沟谷型泥石流的调查研究为当前防灾减灾的重点内容之一^[3]。随着对泥石流工作调查研究的发展，国内外许多学者采用了不同的方法对泥石流灾害开展易发性评估。第一，基于现场勘察、专家经验的方法。Carrara等^[4]在实地勾勒泥石流危险区时主要根据经验对岩石及其他环境条件进行综合估值。Zhou等^[5]研究了汶川地震灾后泥石流发育特点，建立流域高程差、流域面积、面积高差比与地震引起的松散物质面积之间的经验模型，以此作为判断该流域发育泥石流的阀值。此方法依赖于研究者的主观性且调查范围小、耗费人力物力，不利于开展大规模泥石流灾害识别。第二、基于数值模拟的方法，首先确定模拟的动力学模型，再输入需模拟的某条沟谷的具体运动参数，如泥石流重度和泥沙修正系数等。侯圣山等^[6]基于FLO-2D模型模拟降雨时的泥石流发育特征,得到了在沟谷不同地段泥石流流量时间变化曲线图以及泥石流的流体深度、流速空间分布。乔渊等^[7]利用Massflow软件在不同降雨频率下模拟泥石流运动的流动速度、堆积深度、堆积范围,再根据泥石流的强度与危险性分区。此方法常用于一条或者几条沟谷的评估，并不能同时进行上百条的沟谷灾害评估。第三、基于统计学的方法，统计历史泥石流沟谷的各项属性，如主沟长度、流域面积、高程差等，选择合适的函数拟合各项属性，将拟合的函数作为易发性评价函数。Rowbotham等^[8]运用逻辑回归方法讨论流域内各因子阈值与诱发泥石流的相关性，主要对流域高程、坡度、坡向、剖面曲率、平面曲率和平均曲率等因素进行分析，逻辑回归判别分析表明流域泥石流发生与沟谷的坡度、坡向成强相关。丛威青等^[9]对当日雨量和前期有效降雨量进行回归分析，对降雨型泥石流临界雨量值做定量分析，进行定量化预测。此方法易受选取的因子影响，不具有很好的泛化效果，不利于大面积灾害排查工作。

随着多年来预警运行中地质历史泥石流调查数据及泥石流诱发因素等大数据积累，这些数据具有非线性、时空性等特点，为开展基于机器学习的泥石流灾害预测探索奠定了基础。近年来国内外学者开始研究基于多种机器学习模型的泥石流孕灾沟谷的易发性评价，利用网络建立与区域相适应的泥石流识别模型。王常明等^[10] 采用模糊c均值聚类（FCM）方法联合支持向量机（SVM）开展泥石流灾害易发程度分析。张书豪等^[11]将随机森林与GIS技术相结合，不考虑数据尺度、区间划分等因素,评估因子对泥石流发育的贡献度来评价泥石流灾害易发程度。这些方法对泥石流灾害易发性评价均取得了不错的效果，但是这些方法需要人为挑选特征因子且使用沟谷的统计量（如高程、流域面积、主沟长度等）进行灾害易发性分析，不但主观性极大而且忽略了原始数据中包含的其他大量有效的信息。对于泥石流灾害来说，其成因机理复杂、影响因素众多，深度学习模型在理论上能够更好地拟合泥石流致灾因子并准确预测潜在的泥石流灾害，卷积神经网络具有强大的特征学习能力，被广泛地应用于图像识别等方面，因此基于卷积神经网络的泥石流易发性分析方法具有很强的应用前景。

针对以上研究问题，本文利用泥石流沟谷DEM图像、遥感影像结合深度学习方法对泥石流灾害识别进行研究，设计了一个新的轻量型卷积神经网络—融合注意力机制的双通道网络（dual-channel fusion attention mechanism network，DCFAMNet）进行泥石流灾害易发性评估。选择云南省怒江州地区作为研究区域，构建历史泥石流灾害数据集，探索使用DCFAMNet进行泥石流灾害评估的可行性，自动实现泥石流沟谷的快速识别与易发程度计算，开展区域性泥石流灾害易发性工作研究，以怒江州为研究区进行了验证和讨论。

1.   研究区概况和数据源

1.1   研究区概况

怒江傈僳族自治州（简称怒江州）位于云南省西北部，怒江中游，滇西横断山脉纵谷地带，是怒山、云岭与高黎贡山的峡谷区。怒江州地形北高南低，境内最高海拔5128 m，最低海拔738 m，多为高山陡坡，南北走向的担当力卡山、高黎贡山、碧罗雪山、云岭依次纵列，构成了狭长的高山峡谷地貌。怒江州区内有福贡县、泸水市、贡山县和兰坪县四地，总面积为14703 km²，州境内沟床纵坡降大，其中河谷谷坡坡度大部分位于35°～45°、部分60°～70°，占比全州土地面积40%,流域形状便于水流汇集^[12]。怒江州内为低纬高原季风气候，雨季集中且降雨量丰富，其中5—10月为主汛期，年平均降水量1301.9 mm。区域内易产生滑坡、崩塌、冰川堆积物等不良地质提供固体物质来源，地质环境较脆弱，短期内水源丰富，物源流通区相对坡度较大，而堆积区相对纵坡较小^[13]。陡峭的地势地貌、松散的固体物质为怒江州泥石流的发育形成提供了极为有利的条件。研究区域如图1所示。

图  1  怒江傈僳族自治州区域图

Figure  1.  Nujiang Lisu autonomous prefecture regional map

下载: 全尺寸图片 幻灯片

1.2   试验数据

1.2.1   数据提取

本文对于泥石流易发性评价按照主要研究区域的地形地貌特征划分为沟谷单元，能够较为真实反应泥石流灾害发育的特征^[14]。本次试验数据提取怒江州地区流域单元的DEM图像和遥感影像，DEM图像来源于美国地质勘探局（USGS）公开数据，分辨率为30 m，遥感影像来源于国产卫星GF-1于2021年拍摄，分辨率为16 m，其中有4个波段分别为：蓝波段、绿波段、红波段、近红外波段。在ArcGIS软件中，对DEM图像首先进行填洼、流向、流量计算，根据经验值将流量阈值设置为5000 m³生成河网，使用Strahler河网分级法^[15]，计算得到沟谷的分水岭，手动标注沟谷倾泻点，然后生成沟谷掩膜。原始遥感数据通过DEM图像进行正射校正，修正遥感影像拍摄过程中的错位与扭曲，最后按掩膜批量提取出沟谷的DEM图像和遥感影像，建立泥石流灾害沟谷影像数据集。根据《云南减灾年鉴》记录以及查找相关文献、新闻报道，找到怒江州境内有过泥石流发生记录的沟谷共计82条，记为本次试验的正样本；没有泥石流发生相关记录且附近有村庄、无冲积扇痕迹的沟谷作为本次试验的负样本，共计105条。试验共提取到187条沟谷，流域平均面积为24.41 km²，最大流域面积190.07 km²，最小流域面积0.98 km²。

1.2.2   数据预处理

有研究表明，泥石流灾害的发生与流域面积成强相关。刘德玉等^[16]发现流域面积小于10 km²对泥石流的发育形成最为有利，李彩侠等^[17]发现流域面积小于1 km²的泥石流发生相关性较好。基于上述文献及其它研究内容，将流域面积设置为特征指标，采用k-means聚类算法将数据集分成6类（编号0～5类），其中0、1、2类别为有过泥石流灾害发生的样本，3、4、5类别为无泥石流灾害发生的样本。由于发生泥石流的沟谷面积存在分布不均的情况，导致某几种分类下样本不均的情况，不利于网络的训练，通过单样本数据增强使模型获得较好的泛化能力，使网络模型在干扰的条件下保持稳定，采取的主要增强方式为：水平、垂直翻转、顺时针旋转，训练数据扩增为原数据的1到6倍，如表1所示。其中，6分类为原本试验训练数据分类，2分类为只考虑是否发生泥石流样本的分类。由于沟谷的DEM图像和遥感影像尺寸并不一样，其中最大像素值为1079×1095，统一缩小尺寸会让数据损失一定的特征信息，为了适应网络整体训练流程，将所有图像统一填充为像素1280×1280，最大程度保留数据特征信息。

表  1  样本分类

Table  1.  Sample classification

所属类别	正样本				负样本
类别	0	1	2		3	4	5
流域面积/km2	(1, 24]	(26, 64]	(69, 109]		(1, 12]	(12, 27]	(30, 45]
数据增强/个	45	51	44		48	46	54

下载: 导出CSV 

| 显示表格

2.   基于注意力机制融合双通道网络的试验方法

2.1   试验流程

本研究以DEM图像以及遥感影像为数据基础，提取出的每一条沟谷为研究对象，通过构建的CNN模型DCFAMNet对沟谷的泥石流潜在易发性进行评估。根据历史泥石流数据灾害记录利用ArcGIS软件提取在原始数据中提取到每条沟谷DEM图像和遥感影像，之后通过查阅相关资料以及人工判断选取有无发生泥石流的沟谷，再按照流域面积将这些沟谷划分为6类，再将这些沟谷随机划分为训练集与测试集进行训练和测试。最后，使用训练后的网络保存最优参数去评估相关沟谷易发性，本文技术路线如图2所示。

图  2  技术路线图

Figure  2.  Technical roadmap

下载: 全尺寸图片 幻灯片

2.2   模型与方法

2.2.1   网络模型

本次试验考虑到试验数据较少，避免网络产生过拟合，所以缩减了网络层数，在网络第$i$层卷积处理过程可表示为$f_i\left(x_i\right)$，整体运算过程可视为式（1）：

假设第$i$层卷积的输入为$x_m^i$，卷积核个数为$k$，即可看做第$i$层有$k$个特征提取器且共需拟合$k\cdot w\cdot h$个参数（$w、h$为卷积核尺寸）。由于DEM图像和遥感影像所含信息差异较大，但又会诱发泥石流相互作用，为此预先采用特征提取器分别进行底层特征提取。在DEM图像提取特征支路（图3中红色虚线框）用于提取到沟谷的空间特征，如图3中M1、M2、M3、M4所示。DEM图像能够提供沟谷的几何参数，泥石流沟谷的有效特征信息且只分布在图像的局部区域，为了筛选出沟谷的有效特征信息，引入通道注意力机制ECA（efficient channel attention，ECA）^[18]到对DEM图像进行卷积操作的网络支路中（详见2.2.2节），该支路还加入了经过最大池化改进的残差块R1来提取感受野内的最大特征值作为输出，保留了数据更多的纹理信息。遥感影像特征提取支路（图3中蓝色虚线框）用于提取沟谷的光谱特征，为了更好提取沟谷遥感数据的光谱特征，在光谱特征提取支路引入3D卷积块提取光谱信息，如图中N1、N2、N3、N4所示，且全部采用1×1×3的3D卷积核来充分提取光谱特征（详见2.2.3节）。2个支路步长全部设置为3，能够最大程度保留每次卷积操作后的特征信息，提升网络的分类性能。最后，再将2个支路提取到的特征信息再进行融合（图3中黄色框线），基于MobileNet^[19]，在网络特征融合阶段借鉴了深度可分离卷积（depthwise separable convolution，DepSep Conv）技术以加强底层特征融合间的关联度（详见2.2.4节）。经过在全连接层汇总CNN提取到的沟谷特征，将多维特征映射为二维特征向量，连接softmax函数层将输出值转换为概率分布，最终输出沟谷预测分类结果。网络模型图如图3所示。

图  3  网络模型

Figure  3.  Neural network model

下载: 全尺寸图片 幻灯片

2.2.2   ECA注意力机制

在DEM图像特征提取通道中引入了ECA注意力机制，主要用于来强调沟谷重要的几何特征。图像$x_i$进入当前通道后能与其$k$个领域的通道进行信息交互，进行全局平均池化操作得到$y_i$，再经过卷积核大小为$k$的1维卷积，激活函数采用sigmoid函数，计算得到各个通道权重参数（$w$），具体表示如式（2）：

式中：$\sigma$——sigmoid函数；

C1D——1维卷积操作；

$k$——通道维数成正相关。

最后，将得到的权重（$w$）与原始输入图像$x_i$对应像素点相乘到最后特征输出$w{x}_i$。泥石流的发生与流域面积、高差、坡度等因子紧密相关，ECA注意力机制学习人类的视觉系统算出权重分布。本文参考这一模式，使网络对这些几何特征具有更强的响应，去强调重要的几何信息。

2.2.3   3D卷积块

在图像识别领域中，CNN已成为一种非常有效的技术， 其中3D卷积核可以对土壤类型、植被类型和植被覆盖率等地表信息进行很好的提取，并且具有较好的鲁棒性。遥感影像通常包含着各种地表信息，而沟谷作为一种重要的地貌要素，其特征在遥感影像中往往也会得到很好的体现。3D卷积过程如下：

式中：$P_i$、$Q_i$——卷积核在空间上的长度与宽度；

$V_{i,j}^{xy\mathit{\text{z}}}$——第$i$层卷积中第$j$个特征映射在$(x,y,\mathit{\text{z}})$处 的值；

$W_{i,j,m}^{p,q,t}$——位于第$m$个特征图连接的卷积核在$(p,q,t)$ 点上的值；

$f$——ReLU激活函数；

$b_{i,j}$——偏置。

因此，在对沟谷的遥感影像进行特征提取时，采用3D卷积核提取空间信息是一种非常有效的方法，更加准确地提取出沟谷的特征，进一步优化遥感影像的处理效果。

2.2.4   深度可分离卷积

经过DEM以及遥感影像特征提取器提出的有效信息，为了在特征融合模块中让模型学习到更多的特征信息之间的关系，借鉴了DepSep Conv技术以加强底层特征融合间的关联度。且常规标准卷积会带来大量计算，深度可分离卷积可以显著降低网络参数量和计算量。DepSep Conv每个卷积核负责独立处理一个特征通道，进行通道交互，顺序输出卷积结果，再进行逐点卷积，将上一步的输出进行加权组合生成新的特征图。假设某层输入特征图尺寸为$L_0\cdot L_0\cdot M$，卷积核大小为$w\cdot w$，输出特征图为$L_1\cdot L_1\cdot N$，常规卷积计算量为$N\cdot M\cdot w\cdot w\cdot L_1\cdot L_1$，DepSep Conv计算量为$(w\cdot w\cdot M+M\cdot N)\cdot L_1\cdot L_1$，两者比值为式（4）：

模型计算量显著降低，有效提升网络的训练速度，也实现了沟谷DEM图像特征与遥感影像图像特征的信息交互。

3.   试验结果与分析

3.1   试验结果

3.1.1   评价指标

本文试验训练和测试均在Pytorch框架下完成。硬件环境CPU：Intel（R） Xeon（R） Gold 5318Y CPU @ 2.10 GHz,GPU: NVIDIA A16，模型训练最大迭代数为150，学习率为0.0007，采用批量训练的方法将训练集和测试集分为多个批次进行训练，每个批次抽取4张，损失函数选用包容性最好的交叉熵损失函数（cross entropy loss），优化方法为随机梯度下降法（stochastic gradient descent，SGD）。

本文采取了5种指标评估试验的分类性能，分别为准确率（accurcy）、精确率（precision）、召回率（recall）、F1-score、Kappa系数，使用试验数据训练DCFAMNet，在测试集上评估网络性能，计算混淆矩阵来反映模型性能，得到正负2分类混淆矩阵如表2所示。

表  2  正负2分类测试混淆矩阵

Table  2.  Confusion matrix for two-class testing (Positive, negative)

		预测值
真实值		正	负
	正	110	20
	负	37	113

下载: 导出CSV 

| 显示表格

6分类混淆矩阵见表3。

表  3  6分类测试混淆矩阵

Table  3.  Confusion matrix for 6-category testing

		预测值
真实值		0	1	2	3	4	5
	0	27	1	0	10	7	1
	1	0	23	1	0	5	14
	2	0	0	58	0	0	0
	3	5	0	0	38	3	0
	4	5	0	0	0	29	2
	5	10	0	0	0	2	39

下载: 导出CSV 

| 显示表格

表3结果显示，面积较大的沟谷与其余沟谷相比，在正样本中具有更加明显的流域特征，因此最容易被识别。然而，样本分类0、1、5最容易被混淆，识别难度最大。这可能是因为这些样本的沟谷形状相近，容易被误分类。此外，受降雨、植被等外在条件影响，它们发生泥石流的可能性也不尽相同，稍微的差异也会影响数据分类。同时，在数据集中，泥石流各样本图像类别不均衡也会影响网络训练的效果，从而影响分类结果。因此，在实际应用中，需要对数据集进行充分的处理，采用更合适的采样方法和数据增强技术，以提高模型的泛化性能和识别效果。

3.1.2   模型性能

本部分给出了所设计的网络与其他常见网络在不同数据划分下识别泥石流沟谷的试验结果。为了探究试验数据测试集、训练集的划分对测试结果的影响，以确定最好的数据划分比例，所有试验参数设置均持一致，试验结果为10次试验结果稳定后得到，结果见表4，Test2-acc为2分类识别准确率，Test6-acc为6分类识别准确率。

表  4  试验结果

Table  4.  Summary of experimental results

	数据（90∶10）		数据（80∶20）		数据（70∶30）
	Test2-acc	Test6-acc	Test2-acc	Test6-acc	Test2-acc	Test6-acc
DCFAMNet	80%±4%	76%±4%	68%±5%	64%±5%	62%±5%	60%±5%
ResNet18[20]	76%±3%	70%±3%	64%±3%	64%±3%	57%±5%	57%±5%
ResNet34	78%±5%	71%±3%	69%±a>%	65%±5%	60%±5%	58%±5%
ShuffleNet[21]	72%±6%	70%±6%	60%±8%	56%±8%	55%±6%	51%±6%
SENet[22]	78%±4%	65%±4%	62%±4%	54%±4%	54%±5%	48%±5%
注：DCFAMNet为轻量型卷积神经网络—融合注意力机制的双通道网络（Dual-Channel Fusion Attention Mechanism Network），ResNet指网络模型Residual Network，ShuffleNet指网络模型ShufleNet Volution，SENet指网络模型Squeeze-and-Excitation Network。

下载: 导出CSV 

| 显示表格

所有指标计算结果如表5所示，尾号标号为2、6的指标分别为2、6分类的试验结果。

表  5  模型性能

Table  5.  Summary of model performance

	Precision-2	Recall-2	F1-score-2	Kappa-2	Precision-6	Recall-6
DCFAMNet	0.75	0.85	0.79	0.59	0.75	0.75
ResNet18	0.68	0.79	0.73	0.43	0.66	0.68
ResNet34	0.68	0.85	0.78	0.58	0.68	0.74
ShuffleNet	0.80	0.69	0.79	0.45	0.78	0.65
SENet	0.69	0.83	0.78	0.56	0.65	0.73

下载: 导出CSV 

| 显示表格

从表4以及表5的试验结果来看，DCFAMNet的表现非常出色，有较强的泥石流沟谷识别能力，证明了本文提出的模型的有效性。DCFAMNet不仅表现了具有最高的准确率，也展现了最高的召回率，80%的准确率表明模型对是否发生泥石流的沟谷有较强的鉴别能力，召回率代表了对发生泥石流沟谷的准确性，2分类以及6分类的召回率都位居前列，表明模型能很好地捕捉到发生泥石流的沟谷的特征。相较于其他网络结构，如ResNet34、SeNet等具有更深的网络层数的模型，DCFAMNet的参数量和计算量都较小，但是却具有更好的识别效果，一方面这可能是因为这些网络层数过深，容易导致过拟合。另一方面可能是因为本文提出的DCFAMNet为双支路结构，能够分别提取DEM图像支路和遥感影响支路的特征信息，并且最后将两者的特征信息融合交互，这使得模型能够更好地识别流域的底层特征，从而对泥石流沟谷做出更好的预测分类。

最后试验采用ROC曲线（图4）验证所有模型分类效果，其评价客观、不受正负样本比例影响。AUC作为评价标准，是ROC曲线下的面积，其值介于0.1和1之间，可以直观的评价分类器的好坏的数值，数值越大模型效果越好，随机划分10%的泥石流灾害数据集验证，纵轴代表发生泥石流沟谷中预测正确的样本，横纵代表未发生泥石流沟谷中预测正确的样本。模型DCFAMNet的AUC值为0.75，性能较好，说明以DCFAMNet为评价模型的泥石流易发性评价能够较真实反映泥石流的分布情况，能够用于泥石流灾害评估。

图  4  ROC曲线图

Figure  4.  ROC curve

下载: 全尺寸图片 幻灯片

3.2   消融试验

3.2.1   模块有效性验证试验

为了进一步阐述模型设计各模块的有效性，又依次删除模型支路的注意力机制、3D卷积块、深度可分离卷积进行消融试验。其步骤如下：（1）首先为没有添加任何模块，以普通卷积作为基础网络，记为basic Net；（2）在basic Net的基础上又加入了ECA注意力机制，但不使用3DCNN和DepSep Conv；（3）在basic Net的基础上引入3DCNN，但不加入ECA注意力机制以及DepSep Conv；（4）在basic Net的基础上引入DepSep Conv，但不加入ECA注意力机制以及3DCNN；（5）在basic Net的基础上引入ECA注意力机制、DepSep Conv和3DCNN，即DCFAMNet。试验结果如表6所示。

表  6  消融试验结果

Table  6.  Pertubation experiment results

	precision	recall	F1-score	kappa	Test2-acc	Test6-acc
basic Net	0.66	0.50	0.59	0.40	65%±5%	60%±5%
with ECA	0.75	0.81	0.74	0.50	75%±4%	70%±4%
with 3DCNN	0.66	0.55	0.60	0.45	72%±5%	68%±5%
with DepSep	0.72	0.71	0.75	0.48	71%±3%	71%±3%
DCFAMNet	0.75	0.85	0.79	0.59	80%±4%	76%±4%
注：basic Net为基础网络模型，ECA表示Efficient Channel Attention，3DCNN为3D卷积，DepSep为深度卷积，DCFAMNet为轻量型卷积神经网络—融合注意力机制的双通道网络（Dual-Channel Fusion Attention Mechanism Network）。

下载: 导出CSV 

| 显示表格

通过上表，我们可以发现，无论是删除支路中的ECA注意力机制、3D卷积块，还是删除深度可分离卷积模块，都会对模型的性能造成影响，导致模型无法有效地捕捉图像更深层的特征。这将会严重降低模型的正确率，因此需要将各模块结合起来，以更好地识别泥石流沟谷。这一结果进一步证明了模型中每个组件的重要性，只有将它们合理地组合起来，才能实现最佳的性能表现。因此，在模型设计和优化过程中，需要综合考虑各个模块之间的相互作用和影响，以达到最佳的效果。

3.2.2   注意力机制对比试验

最后为了验证ECA注意力机制的有效性，将3DCNN和深度可分离卷积作为基础网络basic Net，并将ECA、SE、CBAM等不同类型的注意力机制嵌入其中进行识别率对比。根据表7的结果可知，在试验参数不变的情况下，相比于基础网络basic Net，加入注意力机制后，各模型的识别率都有所提升。特别是加入ECA注意力机制后，模型的识别性能最好，这一结果进一步验证了ECA注意力机制的有效性。同时，需要注意到不同类型的注意力机制对模型性能的影响可能存在差异，在实际应用中需要根据具体情况进行选择和优化。

表  7  注意力模型对比结果

Table  7.  Comparison results of attention models

注意力模型	Test2-acc	Test6-acc
basic Net	75%±4%	71%±4%
With SE	76%±3%	72%±3%
With CBAM	78%±5%	75%±5%
With ECA	80%±4%	76%±4%
注：basic Net为基础网络模型，SE表示Squeeze-and-Excitation，CBAM表示Convolutional Block Attention Module，ECA表示Efficient Channel Attention。

下载: 导出CSV 

| 显示表格

4.   沟谷分析

4.1   沟谷易发性评估

采用试验保存的最佳模型参数对怒江州地区672条沟谷进行易发性评价，计算相关沟谷易发性得分。根据自然断点法将沟谷灾害易发性分为5个等级，分为较低易发区[0, 0.0977]、低易发区[0.0977, 0.2753]、中易发区[0.2753, 0.5191]、高易发区[0.5191, 0.8104]、极高易发区[0.8104, 1]。其中，较低易发区334条，低易发区76条、易发区61条、高易发区59条，极高易发区142条，在ArcGIS软件中绘制怒江州泥石流灾害易发性评价图5，得到分区结果如下。

图  5  怒江州泥石流灾害易发性评价图

Figure  5.  Evaluation map of debris flow disaster susceptibility in Nujiang Prefecture

下载: 全尺寸图片 幻灯片

试验结果与历史泥石流灾害点较为符合。从图中可以看出，泥石流易发区主要分布在贡山县独龙江江干流、福贡县怒江干流，兰坪地区泥石流易发区较少，相对安全。灾害极高和高易发区多分布于水系区域，意味着密集的水系与泥石流的发展有极大的关系。为了分析常见地质因子与泥石流灾害的关系，选取相关样本沟谷的高程差、主沟长度、流域面积、纵比降这4个因子绘制箱型图。使用ArcGIS软件计算相关数据，其中高程差为沟谷最高海拔减去沟口最低海拔得到，沟谷主沟长度为使用河流流量计算出最长的河流长度，流域面积为沟谷投影坐标得到的珊瑚面积，纵比降为沟谷流域高差与相应主沟长度相比。具体结果如图6所示。

图  6  灾害易发性等级与常见地质因子关系

注：虚线表示平均值,黑色圆心表示离群值。

Figure  6.  Relationship between disaster susceptibility levels and common geological factors

下载: 全尺寸图片 幻灯片

从试验结果图6可以看出，沟谷高程差、主沟长度与流域面积这三个地形地貌条件中最直观的因子与泥石流易发性等级成正相关。沟谷高程差值越大，浅在势能就越大，灾害的动力条件就越好，试验得出平均高程差在2450 m处灾害易发性等级最高，与中国泥石流研究灾害的频率比数值在2000～3000 m存在极大值的研究结论相符^[23]。流域面积能够适当反映出流域的含沙量，流域面积越大，相对含沙量就越高，为泥石流运动提供的物质条件就越多。纵比降越高，泥石流灾害相对更不容易发生，这是因为纵比降越高，水流难以汇聚，更不容易发生泥石流。

总体来看，泥石流灾害极高易发区和高易发区沟谷面积占比为60.54%，说明高风险区域主要以较大面积沟谷为主，易发于水系发达区域。怒江州地区地势陡峭、降雨丰沛、水系密度大、灾害活动南北差异较大，独龙江、怒江两岸居民应加强灾害防范工作。

4.2   CNN中间层可视化

坡度能够较好地反应地表单元的陡峭程度，平面曲率反应地表曲面在水平方向的弯曲情况，坡向反应地表的倾斜程度，这三个地质因子与泥石流的成因密切相关，为泥石流形成和发育更深层次的原因，这些深层特征往往要通过计算才能得到，但在神经网络中能够捕捉到类似特征（图7）。为了进一步分析网络取到的深层特征情况，将CNN间层提取到沟谷的特征结果坡度（d）、平面曲率（e）、坡向（f）与ArcGIS软件中计算得到的坡度（a）、平面曲率（b）、坡向（c）可视化如图7所示。坡度和坡向决定了区域汇水的走势，（a）中对应沟谷凸起区域的起伏，影响流水的汇聚与分散；平面曲率（b）是地表起伏的度量，反映地面是否有陡坎或等高线的弯曲程度，图7（c）中红色部分为坡向走势。将沟谷的几何特征与CNN提取到的深层特征进行对比分析，可以发现，CNN不仅能够提取到沟谷的形态、高程等基础特征，而且能够提取到坡度、曲率、沟床比降等更深层次特征，证明CNN拥有着很好的特征提取能力。

图  7  地质因子与CNN中间层可视化

注：（a）（b）（c）为ArcGIS中计算得到的坡度、曲率、坡向（d）（e）（f）为CNN中间层特征可视化中提取结果。

Figure  7.  Geological factors and CNN intermediate layer visualization

下载: 全尺寸图片 幻灯片

4.3   典型沟谷分析

本节以兰坪县练登大沟、贡山县腊早村、泸水市石缸河沟为例，对其泥石流易发性进行相关分析，地理位置如图所示。根据相关新闻报道，兰坪县金顶镇七联村练登大沟，于2010年9月19日发生泥石流灾害，破坏下游基础设施，造成巨大经济损失；又于2019年8月7日15时再发泥石流，一次性堆积体约2.1×10⁴ m³，致使河道水位上涨2 m左右，形成约15×10⁴ m³的堰塞塘，属中型泥石流。云南怒江州贡山县普拉底乡腊早村，于2017年7月5日20时发生大面积泥石流，造成636人受灾，紧急转移安置户共计181人；又分别于2018年 5 月 31 日 14 时、2018年7月10日上午10时再突发泥石流。2007年8 月7日凌晨，泸水市六库镇石缸河三岔河发生泥石流，此次灾害共造成8人遇难、7人受伤，直接经济损失30万元。3条沟谷的遥感图像均可从谷歌地球上观测，3条沟谷影像地理位置如图8中所示。

图  8  沟谷地理位置

Figure  8.  Geographical location of valleys

下载: 全尺寸图片 幻灯片

练登大沟呈扇形，腊早村沟谷流域呈V型，石缸河流域呈细长状，均为泥石流发生的典型区域，汇水面积较大，利于水流汇集和岩土堆积物运移。采用CNN评估相关沟谷易发性得分，实得到的练登大沟易发性指数评分为0.70944，与0类泥石流沟谷相似度极高，易发性指数为高易发性区间，腊早村、石缸河易发性指数评分分别为0.89948、0.93996，与0类和2类泥石流沟谷相似度极高，易发性指数为极高易发性区，均接近历史情况。泥石流的发生与沟谷地形地貌、植被覆盖、土壤等条件有着密切联系^{[24 − 25]}，练登大沟、腊早村、石缸河地貌条件、物源条件如表8所示。

表  8  地貌条件、物源条件

Table  8.  Geomorphic conditions and provenance conditions

地貌条件和物源条件	练登大沟	腊早村	石缸河
主沟长度/km	10.300	7.824	24.342
面积/km2	16.260	16.450	87.174
高程差/km	1.386	2.426	2.590
坡降比	0.130	0.310	0.106
平均坡度/（°）	16.170	21.200	12.160
Melton指数	0.340	0.598	0.277
土壤条件	不饱和雏形土、简育高活性淋溶土	高活性淋溶土	高活性淋溶土、铁质低活性强酸土、腐殖质低活性强酸土、 简育高活性强酸土、饱和雏形土
地层岩性	板岩、千枚岩、杂砂岩、长石砂岩、沙岩、 石灰岩和其他碳酸盐岩	片麻岩、板岩、千枚岩、 片岩、花岗岩	花岗岩、玄武岩、片麻岩、板岩、千枚岩、砂岩、杂砂岩、 长石砂岩、页岩、石灰石、其他碳酸盐岩
植被条件[26]	疏林地、高覆盖度草地、其它建设用地	有林地、灌木林、疏林地、 高覆盖度草地	水田、旱地、有林地、疏林地、高覆盖度草地、中覆盖度草地

下载: 导出CSV 

| 显示表格

主沟长度长，流域面积大，沟谷高差对比大，坡度越陡、Melton指数越高，当降雨来临流域受到的冲击就会越大，为泥石流活动获得的动能就会越大。地质构造复杂，地质条件决定了固体物质来源、结构、补给方式、速度等。岩石易风化破碎产生松散物质，坚硬、较坚硬的片岩、混合岩对泥石流敏感性最高，石灰岩、板岩、千枚岩等岩层对泥石流敏感性次之，流域母岩遭受风化破坏后形成碎屑物，提供固体物源^{[26 − 29]}。通常认为，茂密的植被会减少泥石流活动、抑制泥石流的发生，但是有大量实际情况表明，在高植被地区时有泥石流发生，这类泥石流一旦发生，部分植被也会成为固体物源的一部分滑入沟道^[30]。草地和灌丛的砂粒总含量多于林地，水渗透能力也强于林地，具有更强的雨水侵蚀能力和能够提供更多的固体松散物质。不饱和型土表现为松软多孔、疏松、不易结块，在降雨型泥石流中，由于固体松散物质中基质吸力引起的抗剪强度丧失和孔隙水压力增大导致抗剪强度降低，淋溶土过于松散，易导致泥石流^[31]。练登大沟、腊早村、石缸河3条沟谷中，淋溶土、板岩、千枚岩、片岩和疏林地、草地等均为泥石流运动提供了物质条件。练登大沟其半个坡面为裸露土地，易遭受雨水冲刷，西南的暖湿气流在南坡形成丰富降水，所以可以观察到南坡的植被情况更茂密。腊早村坡度较大，为泥石流固体物质的活动提供较大的动能条件，且有利于物源补给，石缸河植被覆盖过少，岩层易风化，侵蚀强烈，短时间内一定强度的降雨会使得岩体、堆积物来不及排出,再加上周围降雨汇聚的作用,加剧松散物质的运动，最终造成区域泥石流灾害。通过对3条泥石流沟谷的地貌、物质条件分析，说明了利用CNN评估泥石流灾害易发程度代替传统评估方法具有可行性。

5.   结论

（1）利用以加入注意力机制的双通道卷积神经网络DCFAMNet对泥石流孕灾沟谷进行快速识别，避免了人工赋权的主观性，识别率为80%，AUC值为0.75，证明采用神经网络评估泥石流沟谷易发性是真实可行的。

（2）以沟谷为评价单元对怒江州地区进行易发性评价，易发等级分为极高、高、中、低、极低5个易发区域，易发生泥石流的地区多分布于水系区域，主要分布在贡山县独龙江干流、福贡县怒江干流，兰坪地区相对安全。

（3）可视化DCFAMNet提取到的沟谷坡向、曲率、坡度等深层特征，转换为热力图准确定位目标关键特征，解释CNN中间层所学特征，增加了试验可信度。

（4）对3条典型泥石流沟谷进行物源、动能条件分析，证明利用CNN评估泥石流灾害具有可行性。

本次研究成果可为怒江州国土资源规划及灾害防治提供依据，为防震减灾提供参考。后续的研究工作中，应当考虑寻找加入更多的数据源来进一步提高模型的分类性能。