基于遥感影像和深度学习的冰川泥石流易发性分析—以G318林芝段为例
星光点点12345
2023年08月11日 14:54:50
只看楼主

      陈佳晴,高弘,韩乐,玉睿霖,梅钢*   中国地质大学(北京)工程技术学院 1 ? 研究成果简介 冰川泥石流是一种常见的自然灾害,近年来由于全球气候变暖导致冰川不断退缩,其发生频率有增加的趋势。为了减少冰川碎屑流对人类和物理特性造成的损害,需要进行冰川敏感性评估分析。大多数研究工作考虑了现有冰川面积的影响,而忽略了冰川消融体积变化的影响。在本文中,我们以川藏公路G318林芝段为研究对象,构建DeepLabv3+卷积神经网络模型的语义分割架构,来分割提取冰川泥石流边界,并结合数字高程模型,得到冰川消融体积,考虑冰川消融体积在内的八个因素对冰川泥石流易发性进行分析评估。相关成果发表在sensors期刊上。


      陈佳晴,高弘,韩乐,玉睿霖,梅钢*
  中国地质大学(北京)工程技术学院

1 ?

研究成果简介



冰川泥石流是一种常见的自然灾害,近年来由于全球气候变暖导致冰川不断退缩,其发生频率有增加的趋势。为了减少冰川碎屑流对人类和物理特性造成的损害,需要进行冰川敏感性评估分析。大多数研究工作考虑了现有冰川面积的影响,而忽略了冰川消融体积变化的影响。在本文中,我们以川藏公路G318林芝段为研究对象,构建DeepLabv3+卷积神经网络模型的语义分割架构,来分割提取冰川泥石流边界,并结合数字高程模型,得到冰川消融体积,考虑冰川消融体积在内的八个因素对冰川泥石流易发性进行分析评估。相关成果发表在sensors期刊上。


2 ?

主要研究工作



研究工作一 构建DeepLabv3+卷积神经网络模型的语义分割架构,来分割提取冰川泥石流边界

    我们使用一个名为Mobilenet的深度卷积神经网络作为提取图像特征的骨干网络。通过利用DeepLabv3+的功能,该研究旨在从遥感图像中准确可靠地分割冰川碎片和周围地形。该模型的高精度可以提高磁化率分析结果的质量。此外,为了扩展卷积内核的感知域,DeepLabv3+添加了一个空卷积层。空卷积在卷积核内添加了一定数量的空隙,允许更大的卷积核在不使用太多参数的情况下处理大区域上的特征[24]。

图1  用于语义分割的DeepLabv3+架构图

冰川分割结果的分析基于不同的模型架构进行不断调整的参数,以获得权重优化。基于Landsat-8图像的测试数据的分割结果与相应的原始彩色图像相比如图所示。我们可以看到,在模型预测过程中,被区分为冰川状的像素点被赋予绿色掩模,而被区分为非冰川状的像素点保持不变。

   

图2  遥感图像的处理(a)假彩色图像;(B)标记的图像;(c)识别的图像

图3  冰川边界部分原始图像与分割模型结果的对比


研究工作二:考虑不同因素对冰川泥石流易发性分析结果的影响

国道318林芝段位于中国 西藏自治区林芝市境内,全长约287公里,连接 林芝市与四川省西南部的成都市。 林芝段起点位于林芝市境内的墨脱镇,终点位于雅江县境内。 公路穿越横断山脉、川藏高原、雅鲁藏布江大峡谷等多个自然风景区。 林芝段是 典型的冰川泥石流多发区。 冰川、岩石堆积较多,地貌条件易发生冰川泥石流。

图4  研究区地理位置图

我们考虑了物源量、汇水面积、最大日降雨量、主沟纵坡落差、主沟长度、冰川体积、冰湖总面积、植被面积等8个因素,并进行综合分析判断。基于对以前研究中的冰川泥石流易发性的评估。国道G318林芝段遥感影像易发性评价的直接结果是一幅不同颜色区域的影像图,每种颜色代表相应的泥石流易发性等级。红色区域表示非常高的敏感性区域,橙色区域表示高敏感性区域,黄色区域表示中等敏感性区域,绿色区域表示低敏感性区域。这些不同颜色的区域提供了该地区泥石流易发性的直观指示,并为预防泥石流灾害提供了重要的参考信息。

图5  研究区冰川泥石流易发性图

图6  基于八种因素研究区冰川泥石流易发性图


免费打赏

相关推荐

APP内打开