Debris flow gully recognition based on residual attention mechanism
-
摘要: 针对泥石流灾害沟谷图像分类问题，文章对Resnet18网络进行改进，提出了一种改进的卷积神经网络模型。通过在网络结构中加入残差注意力模块，解决了原模型提取图像特征较差、边缘模糊的问题，改进后的网络能精确捕捉到泥石流灾害沟谷图像中的轮廓和内部山脊信息。此外，文章还对多种注意力机制结构进行了实验对比，分析其差异性，得出最适合泥石流灾害沟谷数据分类的注意力机制网络。实验表明改进后的网络模型在泥石流灾害沟谷图像的分类准确率达到75.42%，其分类性能在Resnet18网络模型的基础上提升了5.1%。Abstract: For debris flow disasters in valleys image classification problems, this paper improved the Resnet18 network, an improved convolution neural network model is put forward, through adding residual attention in network structure module, solved the original model to extract the image features to solve the problem of poor, edge model accurately capture the debris flow disasters in valleys in the image contour and internal ridge information.In addition, this paper also conducts comparative experiments on various attention mechanism structures, analyzes their differences, and obtains the attention mechanism network most suitable for debris flow disaster gully data.The experimental results show that the classification accuracy of the improved network model in debris flow disaster gullies reaches 75.42%, and its classification performance is improved by 5.1% compared with the Resnet18 network model.
-
Keywords:
- Resnet18 /
- attention mechanism /
- remote sensing image /
- debris flow disaster
-
0. 引言
我国地质环境条件复杂，影响地质灾害发生的极端降雨、地震等不利因素长期存在。同时，人类工程活动的规模、范围和强度日益增大，加剧了地质灾害风险[1 − 3]。面对异常严峻的防灾减灾形势，2003 年起自然资源部门和气象部门每年汛期联合开展地质灾害气象预警预报工作。20年来，地质灾害气象预警预报工作逐步发展，防灾减灾成效逐步提高，取得显著成效[2, 4 − 5]。
随着以文献计量学与知识图谱为基础的CiteSpace可视化技术的兴起，国内外的研究人员常用该技术预测有关研究领域的发展趋势，并据此挖掘研究领域的前沿与热点。部分学者针对地球科学领域文献计量学分析开展研究，取得一系列进展[6 − 12]。王圣洁等[7]对过去 40 年海洋地质学开展科学计量，通过关键词词频统计、共词分析、知识图谱等方法分析了其发展过程、研究热点。高云峰等[8]基于VOSviewer和CiteSpace的大数据可视化研究，探究了2000—2018年矿山生态环境修复领域的整体演进路径、研究热点与前沿分析，其结果在一定程度上反映了该领域关注的重点问题。近年来，也有学者将这一方法应用到地质灾害等领域[9 − 10]。汪美华等[10]以CNKI及Web of Science数据库中滑坡文献为研究对象，利用知识图谱可视化技术分析了中国滑坡研究的发展历程，其结果客观反映了中国滑坡研究的发展脉络及国内外滑坡研究的热点和趋势。但随着地质灾害领域研究不断深入，学科交互不断加深，尚无研究人员对地质灾害气象风险领域文献进行系统性梳理与文献计量学分析。通过系统回溯本领域相关文献，有助于探明地质灾害气象风险领域发展脉络和国内外研究热点及趋势。
为了更深入了解地质灾害气象风险预警研究的现状和未来趋势，有必要对现有研究成果进行系统分析。因此，文中研究了国内CNKI数据库及SCI-Expanded数据库中关于地质灾害气象风险预警领域文献的研究主题、演进趋势及研究热点，梳理及掌握其国内发展路径及未来方向。旨在为地质灾害领域的相关研究提供参考，以期有助于我国地质灾害研究与预警预报业务进步。
1. 数据来源与研究方法
1.1 数据来源
本文研究对象是地质灾害气象风险预警领域的相关文献，国内数据来源于中国知网（ CNKI） 数据库。CNKI 数据库是我国当前最具有代表性的综合性学术数据库，其数据源在文献计量研究中广泛应用。国际数据来自SCI-Expanded（SCI-E）数据库，SCI-E数据库主要收录基础研究中重要期刊的研究论文，对从事相关研究的科研人员有着重要的参考价值。
由于地质灾害气象风险预警研究在文献中检索关键词较多，为尽可能全面地覆盖地质灾害气象风险预警领域的研究现状，根据专家提供的检索词构建检索策略，对两个数据库均选取主题检索的方式，时间范围设置为 2003—2023 年在数据库中进行检索。最终获得了 CNKI 数据库的 1 040 篇相关文献和 SCI-E数据库的 856 篇相关文献。数据来源见表1。
表 1 数据来源Table 1. Data sources数据库 CNKI SCI-E 检索词汇 地质灾害、滑坡、泥石流、崩塌、降水阈值、降雨阈值、临界降水、临界雨量、有效雨量、降水、气象、预测、预警、预报 geologic* hazard*、geologic* disast*、geologic* calamit*、landslid* 、debrisflow*、collaps*、rockfall* 、avalanch*、warning*、threshold*、rainfall 、predict* 、forecast* 、warn* 时间范围 2003—2023 2003—2023 来源类别 EI 来源期刊、核心期刊、
CSCD、学位论文期刊 文献检索数量 1040 856 1.2 研究方法
CiteSpace 是陈超美教授基于 Java语言开发的文献计量学分析软件，是目前使用最广泛的知识映射工具之一[13]。CiteSpace形成的科学知识图谱显示的网络结构可以有效代表某个研究课题的信息格局，分析相应研究领域的演化机制、研究热点和发展趋势。文中使用CiteSpace（6.6.R6）对地质灾害气象风险预警研究文献的知识图谱进行可视化分析。
2. 国内文献地质灾害气象风险预警研究可视化分析
2.1 研究主题
文献的关键词能够高度反映文献的主题概念及思想。在特定领域上对文献进行关键词词频分析，通过提取文献核心内容的关键词频率分布可以对研究领域的研究热点和发展趋势进行追踪[14]。统计国内中文地质灾害气象风险预警文献的关键词，共得到 552 个关键词，共现频次大于 10 的有 20个，具体如表2所示。（1）共现频次前 5 位的依次为：地质灾害、泥石流、滑坡、预警预报及临界雨量。表明国内在地质灾害气象风险预警研究中，主要围绕上述5方面开展，且其在图1 中整体结构较为密集，研究的主题较为集中。（2）由于泥石流、滑坡分列高频关键词的2、3位，表明地质灾害气象风险预警的对象以泥石流及滑坡为主。且由于泥石流与山洪具有相似的形成条件及触发因素[15]，地质灾害气象风险预警结果对山洪预警具有一定指示作用。（3）“临界雨量”及与其意义相近的“降雨阈值”位列第 5及第6位，表明二者为地质灾害气象风险预警研究热点内容。“临界雨量”“降雨阈值”“有效雨量”“前期降雨”等关键词也表明基于历史降雨及灾害关系的临界降雨阈值研究在预警研究中的主导地位。
表 2 CNKI 数据库地质灾害气象风险预警研究高频关键词Table 2. High-frequency keywords in research on early warning of geo-hazards based on meteorological factors in CNKI database序号 高频关键词 频次 1 地质灾害 200 2 泥石流 168 3 滑坡 154 4 预警预报 118 5 临界雨量 92 6 降雨阈值 71 7 山洪 54 8 降雨 42 9 预警模型 30 10 暴雨 25 11 监测预警 25 12 气象预警 24 13 降水 22 14 机器学习 15 15 有效雨量 14 16 发育特征 12 17 汶川地震 12 18 数值模拟 11 19 前期降雨 10 20 气象条件 10 ![]()
图 1 CNKI数据库地质灾害气象风险预警研究关键词共现图谱Figure 1. Co-occurrence network of keywords on early warning of geo-hazards based on meteorological factors in CNKI database2.2 关键词共现
通过构建共词网络，可以清晰地表达数据集中的学科结构: 每个节点代表若干篇论文，节点越大，关键词的词频就越大，和本文主题的相关性就越强[16]。利用 CiteSpace 对检索到的中文文献进行关键词共现分析，得到图1。
地质灾害、泥石流、滑坡、预警预报作为地质灾害气象风险预警的研究对象及内容，在关键词共现分析图中形成的节点最大，和本文主题的相关性最强。此外，临界雨量、降雨阈值节点都比较大，也说明降雨阈值相关研究在地质灾害气象风险预警研究领域中的重要性，与高频关键词分析结果一致。
连接两节点的线是不同关键词之间的共线关系，这些线的颜色显示首次建立连接的时间。如图1 所示，“预警模型”“预警预报”“有效雨量”等关键词连接线偏冷色，“监测预警”“机器学习”“预警系统” “小流域”和“浅层滑坡”等关键词连接线偏暖色。表明随着技术的成熟，关键词从“预警模型”“预警预报”“有效雨量”逐步向“监测预警”“机器学习”“预警系统”“小流域”和“浅层滑坡”发展，发生这种现象是由于人工智能技术、精细化调查成果以及多种监测手段在地质灾害气象风险预警研究中逐步应用。人工智能技术的发展及地质背景环境的深入调查及监测，为区域预警模型研究提供了新的契机。这种新兴技术、新成果与预警模型的结合是地质灾害气象风险预警领域的新趋势。
2.3 关键词聚类
聚类分析可以将大量关键词基于术语的相对相关程度分为若干个研究主题，并将关键词放入相关主题中，利于在研究领域内确定研究主题、趋势及其相互联系[16]。根据每个群集中引用文档的关键字，算法在综合考虑唯一性以及覆盖范围的基础上为每个群集选择一个标签，每个群集生成的标签表示群集的焦点。
如图2 所示，为地质灾害气象风险预警关键词共现网络的聚类图，共提取13 个聚类团。聚类团编号越小，包含的关键词数量越多。由图2 可知，降雨强度列第一聚类团，说明与之相关的关键词数量最多，包括泥石流、降雨强度、当日雨量、临界阈值、斜坡单元等。聚类团包括168篇文献，其中大量文献分析了不同地质灾害形成条件、气象条件下，不同类型、成因模式的地质灾害发生的预警预报模型、临界阈值，表明不同地质灾害在不同形成条件、诱发条件下，临界阈值存在差异性[17 − 22]，也表明地质灾害气象风险预警逐步向精细化发展的重要性，精细化是地质灾害气象风险预警发展的重要方向。
![]()
图 2 CNKI数据库地质灾害气象风险预警研究关键词聚类图谱Figure 2. Cluster network of keywords on on early warning of geo-hazards based on meteorological factors in CNKI database地质灾害为第二聚类团，与之相关的关键词预报、区域、临近预报。近20年，地质灾害预警预报由常规24 h预警预报，逐步形成为服务短临应对、中期防范和长期部署的预警、预报、预测产品体系。第二聚类团相关关键词可体现该发展进程。如赵放等[23]利用浙江省雷达、自动站等现代探测资料,结合数值预报等，形成连续滚动的高分辨0～3 h网格化定量降水预报，基于Logistic回归模型，再采用逐时滚动递进方式引入“前期有效累计降雨量”算法，优化预报预警模型，提高预报的精细化程度。
2.4 演进趋势
图3为CNKI数据库共引网络聚类时间图，考虑了时间对聚类分析结果的影响。这是基于关键词聚类分析的另一种形式，可以显示每个聚类的发展。从图3 中可以看出，国内文献首先集中在#0、#1、#2、#3、#4五个主要类别中，然后发展到#5、#6、#7。此外，图3可表明每个集群中出现重要结果的时间节点，如集群7代表的域，范围从2004—2023年，其中2017—2020年有一系列重要成果，人工智能技术在地质灾害气象风险预警领域快速发展。
![]()
图 3 CNKI 数据库共引网络聚类时间线Figure 3. Clustered timeline of co-citation networks in CNKI database（1）在地质灾害气象风险预警研究的第一阶段（2003—2009年）主要发表了5种主题的文献，即泥石流、滑坡、发育特征、地质灾害、预报。2003年，为科学支撑防灾部署、精准指导临灾避险，自然资源部、中国气象局联合开展地质灾害气象风险预警工作。此后，各地地质灾害气象预警预报工作陆续开展。因此，针对地质灾害及预警预报业务文献出现增长，地质灾害、滑坡及泥石流作为预警预报的业务主体在时间线上出现较大节点。此外，此阶段聚类所得研究主题也表明了地质条件及气象因素对地质灾害预警的重要性。
（2）在地质灾害气象风险预警研究的第二阶段（2010—2023年）主要发表3种主题的文献，即气象风险、前期降雨、阈值。此阶段气象预测预报精度显著提高，地质灾害预警模型不断改进，预警时间、空间精度大幅度提升。此时已基本实现各级地质灾害气象预警预报业务运行，预警业务开始朝着智能化、高效化、精准化发展。各项代表性技术开始应用于地质灾害气象预警业务，国内学者对这些技术的研究工作逐渐凸显，但研究主题尚未形成显著聚类团。在图3的第二阶段中，可以直观地看到各项技术的名称或其代表性词汇，包括InSAR、北斗卫星、机器学习、信息监测、四库一体等。
2.5 研究热点
地质灾害气象风险预警关键词的突显反映了2003—2023年关键词的频次变化（图4），可以检测和呈现引起学术界普遍关注的关键词及其在一定时期内被引用的频率，其在某种程度上代表了主题领域的研究前沿和热点。
![]()
图 4 CNKI 数据库文献关键词突显注:①Keywords 为突显关键词；②Year 为关键词出现的年份；③Strength为关键词的突显强度,强度越高表示影响力越大；④Begin与End为关键词突显开始与结束的时间。Figure 4. Strength distribution of citation keywords in literature from CNKI database（1）由于降雨是地质灾害的主要引发因素，据统计约90％以上的地质灾害由降雨引发。与降雨相关的判据研究一直是地质灾害气象风险预警的热点内容，包括有效雨量、前期降雨、临界雨量、降雨阈值。可以预测，与降雨相关阈值研究在未来仍将是研究热点。
（2）地质灾害气象风险预警的启动推进阶段（2003—2009年）。在此阶段，研究前沿集中于地质灾害形成机理分析、有效雨量及前期降雨对地质灾害的影响分析。
（3）地质灾害气象风险预警的深化合作与改革提升阶段（2010—2023年）。在此阶段，地质灾害预警模型不断改进，预警时间、空间精度大幅度提升，基于精细化调查、监测数据、机器学习和深度学习开展的风险区划、风险预警及模型和判据研究，已经成为新兴的研究热点并将持续。
3. 国际文献地质灾害气象风险预警研究可视化分析
3.1 发文量及学科领域
2003—2023年，SCI-E数据库中全球发表的地质灾害气象风险预警领域相关文献共有856篇，近10年来，文献数量增加显著（图5）。文献涉及学科主要为地球科学、水资源、工程地质、环境科学等，其中地球科学学科相关文献占总发文量的67%。
![]()
图 5 SCI-E数据库中地质灾害气象风险预警文献检索结果Figure 5. Retrival results of literatures on early warning of geo-hazards based on meteorological factors in SCI-E database3.2 国家/地区分布
全球共有72 个国家（地区）开展了地质灾害气象风险预警相关的研究，其前20位的国家（地区）发表文献被SCI-E收录量排名见表3。发文量前5位的国家分别是中国、意大利、美国、印度及韩国，其发文量为总发文量的87.9%。中国学者发文量占总发文量的39%，说明我国在地质灾害气象风险预警研究中有绝对优势。同时也反映出我国研究论文特别是高水平论文外流形势比较严峻，这也是我国学术研究领域的一个特点[10]。
表 3 地质灾害气象风险预警领域英文发文量排名前20国家（地区）分布Table 3. Distribution of top 20 countries (regions) in English publications in early warning of geo-hazards based on meteorological factors research序号 国家（地区） 发文量/篇 占比/% 1 中国 274 32.01 2 意大利 194 22.66 3 美国 124 14.49 4 中国台湾省 60 7.01 5 印度 57 6.66 6 韩国 43 5.02 7 日本 40 4.67 8 英国 38 4.44 9 澳大利亚 29 3.39 10 荷兰 29 3.39 11 西班牙 22 2.57 12 瑞士 22 2.57 13 法国 21 2.45 14 德国 17 1.99 15 挪威 17 1.99 16 马来西亚 16 1.87 17 奥地利 15 1.75 18 巴西 13 1.52 19 加拿大 12 1.40 20 尼泊尔 12 1.40 3.3 研究主题分布
统计SCI-E数据库中地质灾害气象风险预警文献的关键词，得到近 20年地质灾害气象风险预警领域研究主题（图6）。关键词共现网络中大量高频词集中于中部，共现网络整体结构紧密，表明该领域研究主题集中，各方向之间联系也较为紧密，并未局限于某一单一方向。结合图6及表4可知，外文地质灾害气象风险预警文献的研究主题主要包括泥石流（debris flows）、浅层滑坡（shallow landslides）、降雨阈值（rainfall thresholds）、前期（initiation）、强度（intensity）。也表明基于历史降雨及灾害关系的临界降雨阈值研究在预警研究中的主导地位。
表 4 SCI-Expend数据库地质灾害气象风险预警研究高频关键词Table 4. High-frequency keywords in research on early warning of geo-hazards based on meteorological factors in SCI-E database序号 高频关键词 频次 1 debris flows 324 2 shallow landslides 290 3 rainfall thresholds 284 4 initiation 204 5 intensity 185 6 duration control 172 7 model 171 8 prediction 153 9 thresholds 91 10 hazard 84 11 susceptibility 76 12 logistic regression 66 13 precipitation 65 14 system 64 15 landslides 58 16 rainfall 47 17 area 45 18 climate change 44 19 early warning system 43 20 definition 43 ![]()
图 6 SCI-E数据库地质灾害气象风险预警研究关键词共现图谱Figure 6. Co-occurrence network of keywords on early warning of geo-hazards based on meteorological factors in SCI-E database3.4 演化趋势及研究热点
图7为SCI-E数据库关键词突显图，图8为SCI-E数据库共引网络聚类时间线图。结合图7—8可以看出：（1）主题降雨入渗（#0）及前期降雨（#4）是近20年内持续的研究热点，相关文献在时间轴上分布较为均匀；（2）在地质灾害气象风险预警研究的第一阶段（2003—2009年）主要发表了降雨持时（#2）、泥石流（#7）、滑坡易发性（#8）3种主题的文献，其研究热点集中于物理模拟、降雨持时研究，研究热点区域为意大利多洛米蒂山及美国华盛顿；（3）在地质灾害气象风险预警研究的第二阶段（2010—2023年），研究主题主要包括电阻率（#1），遥感（#3），机器学习（#5）及早期预警系统（#6），各项代表性技术逐步应用于地质灾害气象预警研究，国际学者基于各项代表性技术对多种气象条件下灾害稳定性开展系列研究，该阶段研究热点主要为预警系统、随机森林及地质灾害演化、识别及风险研究。
![]()
图 7 SCI-E数据库关键词突显注:①Keywords 为突显关键词；②Year 为关键词出现的年份；③Strength 为关键词的突显强度，强度越高表示影响力越大；④Begin与End为关键词突显开始与结束的时间。Figure 7. Strength distribution of citation keywords in literature from SCI-E database![]()
图 8 SCI-E数据库共引网络聚类时间线Figure 8. Clustered timeline of co-citation networks in SCI-E database4. 结论和展望
本文以CNKI数据库中1040篇及SCI-E数据库中856篇地质灾害气象风险预警领域文献为研究对象，基于文献计量学及图谱可视化技术，系统回顾并分析了近20年地质灾害气象风险预警领域的研究主题、演进趋势和研究热点，得到以下结论：
（1）我国地质灾害气象风险预警研究主要围绕着地质灾害、泥石流、滑坡、预警预报及临界雨量5个方面开展，国内外地质灾害气象风险预警领域的研究主题较为一致，基于历史降雨及灾害关系的临界降雨阈值研究在预警研究中处于主导地位。
（2）关键词聚类分析显示不同地质灾害形成条件、气象条件下，不同类型、成因模式的地质灾害发生的预警预报模型、临界阈值研究文献占比较高，表明精细化是地质灾害气象风险预警发展的重要方向。
（3）与降雨相关的判据研究一直是国内外地质灾害气象风险预警的热点内容，包括有效雨量、前期降雨、临界雨量、降雨阈值。可以预测，与降雨相关阈值研究在未来仍将是研究热点。
（4）在国际地质灾害气象风险预警领域研究中，中国学者发文量占总发文量的39%，我国在地质灾害气象风险预警研究中有绝对优势。
根据以上分析，为促进我国地质灾害气象风险预警领域进一步发展，一方面，及时掌握国际研究最新动态，持续开展地质灾害气象风险预警精细化研究。另一方面，人工智能在地质灾害气象风险预警领域的应用效果显著，加强先进技术在地质灾害气象风险预警领域应用，可为地质灾害预警业务发展提供新的契机，有助于我国地质灾害研究与预警预报业务进步。
-
![]()
图 1 基于残差注意力机制的泥石流灾害沟谷图像分类模型Resnet18_SC
Figure 1. Debris flow disaster gully image classification model Resnet18_SC based on residual attention mechanism
![]()
图 4 通道和空间注意力机制结合的CBAM模块
Figure 4. CBAM module combining channel and spatial attention mechanism
![]()
图 6 Resnet18_CS和Resnet18_SC 准确率和损失对比曲线
Figure 6. Accuracy and loss curves for Resnet18_CS and Resnet18_SC
表 1 Alexnet与Alexnet_CBAM结果对比
Table 1 Comparison of Alexnet and Alexnet CBAM results
模型 特异性/% 灵敏度/% 损失 准确率/% Alexnet 60.37 60.08 0.0394 61.29 Alexnet_CBAM 61.81 62.15 0.0373 63.44 
下载: 导出CSV
表 2 VGG16与VGG16_CBAM结果对比
Table 2 Comparison of VGG16 and VGG16_CBAM results
模型 特异性/% 灵敏度/% 损失 准确率/% VGG16 61.41 61.52 0.0371 62.72 VGG16_CBAM 60.76 62.86 0.0356 65.23
下载: 导出CSV
表 3 Resnet18与Resnet18_CBAM结果对比
Table 3 Comparison of Resnet18 and Resnet18_CBAM results
模型 特异性/% 灵敏度/% 损失 准确率/% Resnet18 87.26 69.88 0.0289 70.32 Resnet18_CBAM 87.99 71.35 0.0261 73.12
下载: 导出CSV
表 4 不同注意力机制模块结果对比
Table 4 Comparison of results of different attentional mechanism modules
模型 参数量/106 时间 准确度/% 损失 Resnet18_C 11.27 24 m 17 s 70.56 0.0269 Resnet18_S 11.27 24 m 11 s 71.17 0.0280 Resnet18_CS 11.27 22 m 42 s 73.12 0.0266 Resnet18_SC 11.27 21 m 31 s 75.42 0.0248
下载: 导出CSV
-
[1] 孙显辰,王保云,刘坤香,等. 云南省泥石流灾害影响因子分析[J]. 人民长江,2020,51(11):121 − 127. [SUN Xianchen,WANG Baoyun,LIU Kunxiang,et al. Analysis on influencing factors of debris flow disasters in Yunnan Province[J]. Yangtze River,2020,51(11):121 − 127. (in Chinese with English abstract) DOI: 10.16232/j.cnki.1001-4179.2020.11.021 [2] 曹禄来,徐林荣,陈舒阳,等. 基于模糊神经网络的泥石流危险性评价[J]. 水文地质工程地质,2014,41(2):143 − 147. [CAO Lulai,XU Linrong,CHEN Shuyang,et al. Assessment of debris flow hazard based on Fuzzy Neutral Network[J]. Hydrogeology & Engineering Geology,2014,41(2):143 − 147. (in Chinese with English abstract) [3] 汪茜,李广杰,郑百功,等. 基于人工神经网络的磐石市泥石流预测[J]. 人民长江,2009,40(3):46 − 48. [WANG Qian,LI Guangjie,ZHENG Baigong,et al. Prediction of debris flow in Panshi City based on artificial neural network[J]. Yangtze River,2009,40(3):46 − 48. (in Chinese) DOI: 10.3969/j.issn.1001-4179.2009.03.018 [4] 吉晓玲. 滑坡与泥石流灾害经济损失的粗糙BP神经网络分析[D]. 成都: 西南财经大学, 2012 JI Xiaoling. Analysis for the economic loss of landslid and debris flow on rough set and BP neural network[D]. Chengdu: Southwestern University of Finance and Economics, 2012. （in Chinese with English abstract）
[5] 赵京霞,钱育蓉,张猛,等. 基于改进的卷积神经网络LeNet-5乳腺疾病诊断方法[J]. 东北师大学报(自然科学版),2019,51(2):65 − 70. [ZHAO Jingxia,QIAN Yurong,ZHANG Meng,et al. Diagnosis of breast disease based on an improved convolution neural network LeNet-5[J]. Journal of Northeast Normal University (Natural Science Edition),2019,51(2):65 − 70. (in Chinese with English abstract) [6] 石翠萍,谭聪,左江,等. 基于改进AlexNet卷积神经网络的人脸表情识别[J]. 电讯技术,2020,60(9):1005 − 1012. [SHI Cuiping,TAN Cong,ZUO Jiang,et al. Expression recognition based on improved AlexNet convolutional neural network[J]. Telecommunication Engineering,2020,60(9):1005 − 1012. (in Chinese with English abstract) DOI: 10.3969/j.issn.1001-893x.2020.09.002 [7] 伍思雨,冯骥. 基于改进VGGNet卷积神经网络的鲜花识别[J]. 重庆师范大学学报(自然科学版),2020,37(4):124 − 131. [WU Siyu,FENG Ji. Flower recognition based on improved VGGnet convolutional neural network[J]. Journal of Chongqing Normal University (Natural Science),2020,37(4):124 − 131. (in Chinese with English abstract) [8] 吕俊超,潘建平,俞社鑫. 基于循环神经网络的缓坡场地液化侧移预测[J]. 中国安全生产科学技术,2021,17(8):18 − 23. [LYU Junchao,PAN Jianping,YU Shexin. Prediction of liquefaction-induced lateral displacement in gentle slope field based on recurrent neural network[J]. Journal of Safety Science and Technology,2021,17(8):18 − 23. (in Chinese with English abstract) [9] 田亚军,高静怀,王大兴,等. 基于深度神经网络的地震强反射剥离方法[J]. 地球物理学报,2021,64(8):2780 − 2794. [TIAN Yajun,GAO Jinghuai,WANG Daxing,et al. Removing strong seismic reflection based on the deep neural network[J]. Chinese Journal of Geophysics,2021,64(8):2780 − 2794. (in Chinese with English abstract) DOI: 10.6038/cjg2021O0165 [10] 刘志远,杨春峰,孟祥翠,等. 人工神经网络波形分类油气有利区带划分可靠性分析—以旬宜上古生界为例[J]. 石油地质与工程,2021,35(1):34 − 39. [LIU Zhiyuan,YANG Chunfeng,MENG Xiangcui,et al. Reliability analysis of favorable oil and gas zone division by artificial neural network waveform classification—by taking the application of upper Paleozoic in Xunyi as an example[J]. Petroleum Geology and Engineering,2021,35(1):34 − 39. (in Chinese with English abstract) DOI: 10.3969/j.issn.1673-8217.2021.01.007 [11] Yya B, Zz C, Wz A, et al. Landslide susceptibility mapping using multiscale sampling strategy and convolutional neural network: A case study in Jiuzhaigou region-ScienceDirect[J]. CATENA, 195.
[12] 张珂,牛杰帆,李曦,等. 洪水预报智能模型在中国半干旱半湿润区的应用对比[J]. 水资源保护,2021,37(1):28 − 35. [ZHANG Ke,NIU Jiefan,LI Xi,et al. Comparison of artificial intelligence flood forecasting models in China's semi-arid and semi-humid regions[J]. Water Resources Protection,2021,37(1):28 − 35. (in Chinese with English abstract) DOI: 10.3880/j.issn.1004-6933.2021.01.005 [13] 李谷源,罗毅桦,黎焕明,等. 基于BP神经网络的文山里洪水预报模型[J]. 河南水利与南水北调,2020,49(8):28 − 29. [LI Guyuan,LUO Yihua,LI Huanming,et al. Wenshanli flood forecasting model based on BP neural network[J]. Henan Water Resources & South-to-North Water Diversion,2020,49(8):28 − 29. (in Chinese) [14] 马洁华,孙建奇,汪君,等. 2018年夏季我国极端降水及滑坡泥石流灾害预测[J]. 大气科学学报,2019,42(1):93 − 99. [MA Jiehua,SUN Jianqi,WANG Jun,et al. Real-time prediction for 2018 JJA extreme precipitation and landslides[J]. Transactions of Atmospheric Sciences,2019,42(1):93 − 99. (in Chinese with English abstract) [15] 朱巍,蔡贺,唐雯,等. 长白山天池火山泥石流展布特征及其灾害研究[J]. 地质与资源,2017,26(6):608 − 615. [ZHU Wei,CAI He,TANG Wen,et al. The Tianchi volcanic mudflow in Changbai Mountains:its distribution and disaster research[J]. Geology and Resources,2017,26(6):608 − 615. (in Chinese with English abstract) DOI: 10.3969/j.issn.1671-1947.2017.06.013 [16] 朱君星,刘蕊. 排土场滑坡与泥石流成因机理分析及临界雨量的确定[J]. 有色金属(矿山部分),2017,69(5):75 − 79. [ZHU Junxing,LIU Rui. Mechanism analysis on the dump slide and debris flow and the determination of critical rainfall intensity[J]. Nonferrous Metals (Mining Section),2017,69(5):75 − 79. (in Chinese with English abstract) [17] 张贺. 岫岩县泥石流趋势预测预报[J]. 农业科技与装备,2017(3):43 − 44. [ZHANG He. Prediction and forecast of debris flow in Xiuyan Country[J]. Agricultural Science & Technology and Equipment,2017(3):43 − 44. (in Chinese with English abstract) DOI: 10.16313/j.cnki.nykjyzb.2017.03.021 [18] 杜星,孙永福,宋玉鹏,等. 基于MPL神经网络的地震作用下砂土液化评估及预测[J]. 工程地质学报,2020,28(6):1425 − 1432. [DU Xing,SUN Yongfu,SONG Yupeng,et al. Multilayer perception neural network for assessment and prediction of earthquake-induced sand liquefaction[J]. Journal of Engineering Geology,2020,28(6):1425 − 1432. (in Chinese with English abstract) DOI: 10.13544/j.cnki.jeg.2019-321 [19] 刘诗洋,陈祖煜,张云旆,等. 基于卷积神经网络对TBM塌方段的反演分析[J]. 固体力学学报,2021,42(3):287 − 301. [LIU Shiyang,CHEN Zuyu,ZHANG Yunpei,et al. Back analysis of the TBM collapse section based on convolutional neural networks[J]. Chinese Journal of Solid Mechanics,2021,42(3):287 − 301. (in Chinese with English abstract) DOI: 10.19636/j.cnki.cjsm42-1250/o3.2021.011 [20] 于国强,张茂省,王根龙. 泥石流平均流速预测模型及敏感因子研究[J]. 工程地质学报,2014,22(3):355 − 360. [YU Guoqiang,ZHANG Maosheng,WANG Genlong. Prediction model and sensitive factors for average speed of debris flows at Jiangjia gully[J]. Journal of Engineering Geology,2014,22(3):355 − 360. (in Chinese with English abstract) DOI: 10.13544/j.cnki.jeg.2014.03.001 [21] 周文辉,石敏,朱登明,等. 基于残差注意力网络的地震数据超分辨率方法[J]. 计算机科学,2021,48(8):24 − 31. [ZHOU Wenhui,SHI Min,ZHU Dengming,et al. Seismic data super-resolution method based on residual attention network[J]. Computer Science,2021,48(8):24 − 31. (in Chinese with English abstract) DOI: 10.11896/jsjkx.200900034 [22] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. June 27 − 30, 2016, Las Vegas, NV, USA. IEEE, 2016: 770 − 778.
[23] 乔思波,庞善臣,王敏,等. 基于残差混合注意力机制的脑部CT图像分类卷积神经网络模型[J]. 电子学报,2021,49(5):984 − 991. [QIAO Sibo,PANG Shanchen,WANG Min,et al. A convolutional neural network for brain CT image classification based on residual hybrid attention mechanism[J]. Acta Electronica Sinica,2021,49(5):984 − 991. (in Chinese with English abstract) DOI: 10.12263/DZXB.20200881 [24] 季鸿坤. 基于卷积神经网络的阿尔茨海默病MRI影像辅助诊断研究[D]. 长春: 长春工业大学, 2021 JI Hongkun. Research on MRI image-assisted diagnosis of Alzheimer’s disease based on convolutional neural network[D]. Changchun: Changchun University of Technology, 2021. （in Chinese with English abstract）
[25] HU J, SHEN L, SUN G. Squeeze and excitationnet works[C]//Proceeding softhe IEEE conferenceon computer vision and pattern recognition. 2018: 7132 − 7141.
[26] WOO S, PARK J, LEE J Y, et al. Cbam: Convolutional block attention module[C]//Proceeding softhe European conference oncomputer vision（ECCV）. 2018: 3 − 19.
-
期刊类型引用(3)
1. 欧阳子龙，贾湘璐，陈玉梅，王斯娜，黄郁庭，余惠英. 基于CiteSpace的植物信息管理系统文献分析. 热带农业科学. 2025(03): 94-100 . 
百度学术
2. 佟彬，殷跃平，李昺，唐继婷，杨旭东，徐子烜. 地质灾害人工智能大语言模型研究展望. 中国地质灾害与防治学报. 2025(02): 1-12 . 本站查看
3. 曾新雄，刘佳，赖波，赵风顺，江山. 广东珠海市降雨型崩塌滑坡预警阈值研究. 中国地质灾害与防治学报. 2024(05): 141-150 . 本站查看
其他类型引用(0)
计量
- 文章访问数: 864
- HTML全文浏览量: 1243
- PDF下载量: 236
- 被引次数: 3
邮件订阅
RSS