基于原型网络的云南怒江州泥石流灾害易发性评价与区划.pdf

DOI：10.16031/ki.issn.1003-8035.202207023韩俊，王保云.基于原型网络的云南怒江州泥石流灾害易发性评价与区划J.中国地质灾害与防治学报，2023，34(5):117-129.HANJun，WANGBaoyun.AcasestudyonthesusceptibilityassessmentofdebrisflowsdisastersbasedonprototypenetworkinNujiangPrefecture,YunnanProvinceJ.TheChineseJournalofGeologicalHazardandControl，2023，34(5):117-129.基于原型网络的云南怒江州泥石流灾害易发性评价与区划韩俊1,2，王保云2,3（1.云南师范大学信息学院，云南昆明650500；2.云南师范大学数学学院，云南昆明650500；3.云南省高校复杂系统建模及应用重点实验室，云南昆明650500）摘要：针对基于泥石流因子评价方法中选取因子不一及训练样本少的问题，提出了一种基于原型网络的沟谷泥石流灾害易发性评价方法。首先，通过元学习方式组织训练数据，计算每一类沟谷的原型中心。其次，计算未知样本与每一类原型中心的距离，得到其从属类别的概率。最后，根据类别概率计算沟谷的泥石流易发性指数，得到泥石流易发性评价等级。运用模型对怒江州的沟谷进行评价，并与历史灾害数据进行比对，分类正确率达到 67.39%，历史事件中泥石流灾害严重程度与模型的评价等级吻合度较好。相比传统实地勘测和因子评价等方法，文章方法能够通过遥感影像进行泥石流灾害区域的快速识别与评价，为泥石流灾害的预警预测研究带来新的思路。关键词：泥石流；遥感影像；小样本学习；原型网络；易发性评价中图分类号：P642.23文献标志码：A文章编号：1003-8035（2023）05-0117-13A case study on the susceptibility assessment of debris flows disastersbased on prototype network in Nujiang Prefecture,Yunnan ProvinceHANJun1,2，WANGBaoyun2,3（1.Yunnan Normal University,School of Information Science and Technology,Kunming,Yunnan650500,China；2.YunnanNormal University,School of Mathematics,Kunming,Yunnan650500,China；3.Key Laboratory of Complex SystemModeling and Application for Universities in Yunnan,Kunming,Yunnan650500,China）Abstract：Inresponsetotheissuesofinconsistentfactorselectionandlimitedtrainingsamplesindebrisflowfactor-basedevaluationmethods,thisstudyproposedaprototypicalnetwork-basedapproachforassessingthesusceptibilityofvalleydebrisflowdisasters.Themethodinvolvesorganizingthetrainingdatathroughmeta-learningandcalculatingtheprototypecenterforeachvalleytype,servingasarepresentativeofthatcategory.Subsequently,thedistancebetweenthefeaturesofunknownsamplesandtheprototypecenterofeachclassiscomputedtodeterminetheprobabilityoftheirclassification.Basedonthecategoryprobabilities,thedebrisflowsusceptibilityindexofthevalleyiscalculatedtoobtaintheevaluationgradefordebrisflowsusceptibility.ThemodelwasappliedtoevaluatethevalleysinNujiangPrefecture,anditsresultswerecomparedwithhistoricaldisasterdata,yieldingaclassificationaccuracyrateof67.39%.Theevaluationlevelsprovidedbythemodelalignwell收稿日期：2022-07-18；修订日期：2022-12-17投稿网址：https:/ 引言泥石流是一种自然地质灾害，发生时对当地居民的人身和财产安全造成重大的危害。我国泥石流研究防治工作始于 20 世纪 60 年代，早期的泥石流研究依靠实地考察，结合实地数据分析得出防治方法。唐邦兴等12通过对我国山地泥石流的考察研究，绘制了我国早期 1600 万泥石流灾害分布与危险区划图。陈宁生等35、崔鹏等68对四川、云南、新疆、西藏等特定地区泥石流的考察，提出了有效的泥石流判别方法和防治策略。随着遥感技术的发展，从数字高程模型（DEM）和遥感数据中获取与泥石流相关的地形地貌类因子和物源类因子弥补了实地考察的不便，通过提取沟谷的地貌因子、物源和降雨等因子，使用动力学模型 FLO-2D、Debris2D、MatDEM 等模拟特定沟谷的泥石流动力学过程，能够较准确的研究该沟谷或此类沟谷泥石流形成机理并提出预警和防治方法。为了能够大面积地研究和评估，将研究区域通过汇水面积或其他阈值划分为小流域单元，统计各单元的泥石流相关因子，通过模型学习泥石流流域因子蕴含的特征来完成其他流域的分类预测。李益敏等9提取云南怒江州小流域单元的流域距断裂带距离、岩性、流域水系密度等 11 个因子，建立模型预测得到泥石流易发性分区，并绘制了怒江小流域易发性分布图。孙滨等10选取高程、坡度和坡向等 9 个影响因子，建立东川地区的小流域评价模型进行泥石流易发性评价。赵岩11详细构建了地貌、物源和激发三类泥石流因子的数据库，选取流域 10min 降雨量、植被覆盖、6h 均降雨量等 8 个因子，使用线性回归的方式来对泥石流发生频率进行预测。统计学的方法能够在区域尺度上进行预测，但划分流域的方法不一，并且专家学者收集的影响因子和建模方法不同，导致预警评价结果不一，很难量化其评价预测的准确性。为了规避这些“主观”选择因子的过程，将卷积神经网络自动提取图像特征的方法用于地质灾害影像的研究成为了新热点。刘坤香等12提取怒江州泥石流沟谷的 DEM 图像，使用改进的残差网络学习图像特征，并用其他沟谷的分类预测。杨小兵等13基于深度学习方法对泥石流堆积扇的多光谱遥感影像进行训练和识别，以此找寻更多的泥石流隐患点。神经网络学习需要大量的样本数据，而区域尺度上的灾害数据属于小样本问题，小样本学习的提出用于解决样本量少的学习情况。茹颖14在遥感影像较少的数据集上，使用小样本学习对遥感图像分类得到了比传统卷积神经网络更好的效果。张萌月15在遥感影像识别目标较少的情况下，使用小样本学习方法相对传统的卷积神经网络有绝对优势。本文以沟谷为评价单元，提取怒江州遥感影像建立泥石流沟谷数据集，使用基于原型网络（PrototypesNet）16的小样本学习方法对发生泥石流的沟谷影像特征进行学习，并将模型用于其余大量沟谷的泥石流易发性评价，借助 ArcGIS 软件将每条沟谷易发性结果和易发性分区进行可视化。1 研究区域与实验数据云南省怒江傈僳族自治州是全国发生泥石流最严重的州（市）之一，怒江州地处云南省西北部横断山脉纵向岭谷区，辖泸水市、福贡县、贡山县和兰坪县，总面积14584.95km2。州内高黎贡山、怒山山脉、云岭山脉近南北向延伸，澜沧江（湄公河）、怒江（萨尔温江）、独龙江（伊洛瓦底江）等深切峡谷平行南下，河谷谷坡坡度一般 3545、部分达 6070。按云南省各年减灾年鉴及网络中的不完全统计，截至 2022 年，有相关文字记载的泥石流灾害中，福贡县至少发生 69 起泥石流灾害事件、贡山县至少 67 起、兰坪县至少 24 起、泸水市至少 42 起。19502021 年，福贡县各年平均降水量达到3460mm、贡山县 1632mm、兰坪县 1550mm、泸水市2596mm17。较高的降水量、高山峡谷的特殊地形及其他因素导致了怒江州泥石流灾害的频发。怒江州的地理位置和地形分布情况如图 1 所示。泥石流遥感数据集的建立主要使用谷歌地图（GoogleEarth）遥感影像，地图的高程数据由 SRTM 提供，空间分辨率 30m，遥感影像则由 Landsat，Quick-Bird，Spot 等遥感卫星提供。GoogleEarth 拥有高精度的时间和空间分辨率，城市区域空间分辨率可达 1m，农村地区可达 2.55m，边远山区可达 15m18。数据的提取和处理如图 2 所示，利用数字高程模型（DEM）获118中国地质灾害与防治学报第5期取每条沟谷的掩膜信息，按照掩膜批量提取 GoogleEarth 遥感图像，为了保留沟谷的大小特征，将提取的遥感图像按照 DEM 比例进行重采样，并按照最大 DEM沟谷图像的尺寸进行填充处理。所使用的 GoogleEarth 遥感和 DEM 数据的信息如表 1 所示。泥石流遥感数据集包含正样本、负样本和待评价沟谷，正样本的确定是从云南减灾年鉴19、相关文献和网络报道中获得发生泥石流山谷和村庄的精确地点，依据坐标在 GoogleEarth 中与发生泥石流后最近的时间分辨率进行沟谷图像提取。负样本沟谷的确定依据为：在历史记录中不能检索到发生泥石流信息，影像中没有明显的冲积痕迹和堆积扇的形成且周围村庄密集。最终收集到泥石流沟谷 50 条作为正样本，未发生泥石流沟谷 42 条作为负样本，待评价沟谷样本 600 条。2 基于原型网络的沟谷泥石流灾害易发性评价方法2.1沟谷泥石流易发性评价流程基于原型网络的沟谷泥石流易发性评价流程如图 3 所示，流程包括数据收集、沟谷提取、流域划分、数据集划分、数据集预分类、模型训练和预测、易发性评价和易发性分区图，详细流程如下。首先收集研究区域的 DEM、GoogleEarth 遥感影像和历史泥石流数据，按上一节中的数据提取流程，以沟谷流域为评价单元，提取得到 GoogleEarth 沟谷泥石流遥感影像数据集和沟谷流域分区。其次，考虑形态各异的沟谷潜在危险性存在特征差异，直接将沟谷分为正负样本两类训练，在忽略特征差异的同时网络模型也不稳定，按照影响泥石流的重要因子流域面积20，将正负样本按流域面积大小各预分为小、中、大 3 类，0、1、2 属于正样本，3、4、5 属于负样本，如图 3 中数据集预分类标签所示。以元学习的形式组织正负样本数据并输入到原型网络模型中进行训练，将待评价沟谷样本输入到怒江州云南省0225450 km01530 kmN河流县（市）边界高程/m高:5 128低:738独龙江贡山县怒江福贡县澜沧江兰坪县泸水市图 1 怒江州地理位置和地形分布情况Fig.1 Geographical location and topographical distribution ofNujiang Prefecture流量、河网捕捉倾泻点分水岭掩膜按掩膜批量提取按照DEM重采样DEMDEM填充谷歌地图彩色图 2 Google Earth 遥感数据的提取与处理Fig.2 Extraction and processing of Google Earth remote sensing data2023 年韩俊，等：基于原型网络的云南怒江州泥石流灾害易发性评价与区划119已训练的模型中，与 6 个沟谷分类进行相似度量，计算每个评价样本的泥石流易发性指数。最后将易发性指数分区，得到沟谷的泥石流易发性评价等级，在流域单元划分中可视化评价结果，得到易发性评价分区图。从流程图中可以看出，与基于泥石流因子进行评价的流程相比，基于原型网络的沟谷泥石流易发性评价方法直接使用沟谷影像来学习泥石流沟谷的特征，减少了从小流域计算众多泥石流因子和泥石流因子筛选的繁表 1 Google Earth 遥感和 DEM 数据信息Table 1 Information on Google Earth remote sensing and DEM data数据信息GoogleEarthDEM数据来源GoogleEarth软件地理空间数据云http:/ 0.25Softmax(distance)易发性评价易发性分区图数据收集数字高程模型（DEM）Google Earth 遥感影像历史灾害数据流域划分FeatureextractorMetric learning模型训练和预测C2C1C6C5C4C3支持集查询集yixi031254怒江州云南省0225450 kmN图 3 基于原型网络的沟谷泥石流易发性评价流程Fig.3 Chartflow of susceptibility assessment of debris flow based on prototype networks120中国地质灾害与防治学报第5期琐过程，避免了选择不同因子带来的评价差异问题。原型网络在保证性能的前提下，能够快速高效的进行泥石流易发性的评价。2.2原型网络模型与泥石流易发性评价算法原型网络是小样本学习中经典的元学习和度量学习方法21，网络模型如图 4 所示。原型网络以元学习的方式组织泥石流数据集进行训练，通过特征提取器Ckb xQb x（featureextractor）提取支持集（supportset）每一类沟谷的特征，计算每类沟谷特征均值作为该类的原型中心（），将查询集（queryset）中待测沟谷 的特征（）与原型中心进行距离度量来完成待测沟谷的分类和预测。同时，按照度量距离计算待测沟谷从属类别的概率，并计算待测沟谷的泥石流易发性指数，从而得到待测样本的泥石流易发性评价等级。012345特征提取器原型网络分类模型支持集查询集f(xi)f(x)C2C1C6C5C4C3C2C1C6C5C4C3距离度量(Ck,Qx)查询样品特征(Qx)Softmax0.10.450.050.10.050.25计算所属概率xyixi计算原型中心(Ck)图 4 原型网络及分类模型Fig.4 Prototype network classification model2.2.1基于元学习方法的原型中心计算CN元学习分为元训练和元测试。元训练将有限的训练样本分为不同的子任务进行训练，在小样本学习中称为 C-wayK-shot 问题。具体为：在 N 类训练样本中，每类有少量样本，学习时每个子任务选取 C 类（），每类中选取 K 个样本，共 CK 个样本组成支持集（supportset），即子任务的训练集。每类选取 K 个样本后，从每类剩余样本中各选取 Q 个样本（K+Q 小于等于类内样本总数），共 CQ 个样本作为查询集（queryset），即子任务的测试集。不断从总类 N 中抽取 C-wayK-shot 组成支持集进行训练，充分地利用了训练样本数据，使得模型在新任务时表现得更好。元测试则使用相同的方法来测试模型性能。在训练和测试泥石流数据时，原型网络将 VGG22、GoogleNet23、ResNet24等不带分类器的卷积网络作为特征提取器，计算支持集中每一类沟谷的原型中心作为该类沟谷的代表，原型中心计算如式（1）所示：Ck=1|Sk|(xi,yi)Skf(xi)（1）Ck式中：每一类沟谷的原型中心；Sk训练批次中每一类沟谷的样本数；(xi,yi)某一样本和对应的标签；f特征提取器；提取器的参数。2.2.2样本类别概率计算b xb x如果将普通的神经网络分类器训练在小样本学习的任务中，几乎都是过拟合。基于非参数度量的方法（例如：最近邻、k 最近邻、K-means、距离度量等）不需要优化参数，可以在元学习框架下构建端到端的小样本分类器。原型网络使用余弦或欧氏距离的距离度量方式作为分类器，通过距离度量沟谷样本 的特征与每类原型中心的距离大小来完成分类，并通过式（2）计算沟谷样本 属于某一类沟谷的概率：p(y=k|b x)=exp(d（Qb x,Ck)kexp(d(Qb x,Ck)（2）pb xk式中：某一样本 属于真实类别 的概率；d距离度量函数；Qb xb xf样本 通过提取的特征；k同一批训练的每一类别。J()在训练优化阶段，通过将式（3）中的目标函数反向传播和随机梯度下降来对网络模型参数进行优化。J()=logp(y=k|x)（3）2.2.3沟谷泥石流易发性等级评价在进行沟谷的泥石流易发性评价时，通过计算沟谷2023 年韩俊，等：基于原型网络的云南怒江州泥石流灾害易发性评价与区划121的泥石流易发性指数来判定沟谷易发性等级。易发性指数通过所属类别概率来计算，文中原型网络使用欧氏距离来度量评价样本特征向量与类原型特征向量之间的相似程度，欧式距离越小，相似程度越大，使用式（2）计算所属类别的概率也就越大。评价沟谷所属正样本中 0、1、2 类其中一类沟谷的概率越高，说明样本泥石流易发性越高。使用式（4）将所属概率转化为易发性指数。具体方法为：将正样本每类所属概率之和与负样本每类所属概率之和作差，差值大于等于 0，表示评价样本与正样本相似程度更大，取正样本中的最大值作为易发性指数，值越大易发性越大。反之，差值小于 0，取负样本中最大值的相反数为易发性指数，值越小易发性越小。将沟谷的易发性指数按大小进行分区，即可得到沟谷的易发性等级。Ii=max(sp),m1Spik1Sni0max(sn),m1Spik1Sni 0（4）Iii式中：验证样本 的易发性指数；SpiSnii、第 个样本的正样本所属概率之和、负样本概率之和；m、k正样本、负样本的类别数，文中 m=k=3。3 实验结果与分析3.1分类性能本实验实现的硬件为 CPU：IntelXeonE5-2650v3、内存：128GB、GPU：NVIDIAGeForceRTX3090。软件为 Ubuntu18.06、Pytorch1.9.0、python3.8、CUDA11.1。实验时设置训练输入为 6-way10-shot，即每轮选 6 类，每类选 10 张训练，测试时输入 6-way4shot1query，即每轮测试选取 6 类，每类 4 张计算原型，1 张作为测试。选取 9 个网络模型结构，包括 VGG、GoogleNet、Shuff-leNetV225、MobileNetV226、Conv427、ResNet1227、ResNet1824、DenseNet28、Rir29作为原型网络的特征提取器，分类结果如表 2 所示。表 2 中，2 分类为只考虑正负样本的分类正确率，可以看出，提取沟谷特征时，Conv4 在原型网络中的6 分类和 2 分类正确率优于其他模型。将正负样本沟谷输入此模型进行测试，得到 6 分类结果的混淆矩阵和正负 2 分类的混淆矩阵如表 3 和表 4 所示。使用分类指标对分类结果进行衡量，计算 6 分类的卡帕系数（Kappa）和 2 分类的准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1Score，得到表 5 指标表。表 5 2 分类和 6 分类指标表Table 5 Binary-classification and six-classification indicatortableAccuracy/%Precision/%Recall/%F1ScoreKappa67.3969.2372.000.710.50表 24 表明，Conv4 表现出了良好的分类性能，作为模型的特征提取器能够带来更好的泥石流易发评价结果。3.2评价结果及分析Ii保持同样的模型参数，将 600 张怒江州待评价沟谷及正负样本输入网络，计算每一个沟谷样本属于 6 类沟谷的概率，按式（4）计算每个样本的易发性指数。使用自然断点法，按照易发性指数将易发区分为 5 个等级：低易发区1,0.7607、较低易发区(0.7607,0、表 2 多个特征提取器的分类性能Table 2 Classification performance of multiple featureextractors特征提取器6分类/%2分类/%VGG55.4359.78GoogleNet51.0956.52ShuffleNetV247.8251.09MobileNetV253.2655.43ResNet1240.2244.57ResNet1844.5748.91DenseNet50.0064.13Rir51.0857.61Conv458.7067.39表 3 6 分类测试混淆矩阵Table 3 Confusion matrix of six-classification6分类混淆矩阵预测值012345真实值09202101010102620212003322090040800525004019表 4 正负 2 分类测试混淆矩阵Table 4 Confusion matrix for positive and negative binary-classification test2分类混淆矩阵预测值正样本负样本真实值正样本3614负样本1626122中国地质灾害与防治学报第5期易发区(0,0.6036、较高易发区(0.6036,0.8288、高易发区(0.8288,1。最后，在 ArcGIS 中使用 DEM 进行易发性分区可视化，得到如图 5 所示分区图。N泥石流灾害点河流高易发高低较高易发高低易发高低较低易发高低低易发高低独龙江怒江澜沧江09 18 27 km图 5 怒江州泥石流易发性分区图Fig.5 Susceptibility zoning map of debris flow in Nujiang Prefecture从图 5 中可以看出，预测为高易发的沟谷主要分布在贡山县、福贡县、泸水市中，兰坪县较少。易发性沟谷分区中，低易发区 249 条、较低易发区 96 条、易发区100 条、较高易发区 124 条、高易发区 123 条。使用ArcGIS 计算沟谷的高程差、主沟长度、沟谷投影面积和坡降比。计算时，高程差为 ArcGIS 中使用沟谷的最高海拔减去沟口海拔得出，主沟长度为 ArcGIS 中使用流量计算出最长的河流长度，沟谷面积为使用 CGCS-2000 投影坐标得到的栅格面积，坡降比即沟床比降，为高程差与主沟长的比值，反映沟谷的整体陡度。按照易发性分区将高程差、主沟长度、沟谷面积和坡降比分布可视化，如图 6 所示，作为对比，正样本分布如图 6 中虚线空心箱线图所示。从分布情况中可知，在预测的沟谷中，低易发区、较低易发区、易发区、较高易发区在高程差、沟长、面积的分布上呈现下降趋势，坡降比呈上升趋势。易发区和较高易发区分布在高程差小、沟长短、面积小和坡降大的沟谷中。高易发区沟谷分布则较广，面积、高程差、沟长和坡降比从小到大都有高易发沟谷，这和正样本沟谷的分布有着相似的特点。李益敏9使用泥石流因子评价方法，以 5km2的汇水面积为阈值，将怒江州划分为 1414 个小流域单元，选取流域单元的距断裂带距离、岩性、Melton 指数30、流域延伸率、流域高差率、河流弯曲系数、流域水系密度、平均植被覆盖度、年均降水量、距道路距离、距居民点距离共11个评价因子，采用确定性系数模型CF和多因子叠加权重确定法，对怒江州小流域单元进行泥石流易发性评价分区。与本文易发性分区对比，存在着相同点：预测为高易发及较高易发的沟谷（其文中为小流域）都集中在澜沧江以西，兰坪县较少，这与泥石流历史分布都较为符合。预测为高易发及较高易发沟谷（流域）数分别占全部沟谷（流域）的 35.69%和 34.72%，非常相近。3.3典型沟谷分析在云南省减灾年鉴中检索到 4 条发生了人员伤亡或多次发生泥石流的沟谷，地理位置如图 7 中标签A、B、C、D 处所示，编号 A 为贡山县普拉底乡东月谷，于 2010 年 8 月 18 日凌晨 1 时 30 分暴发特大山洪泥石流灾害，造成 11212 人受灾，死亡 96 人，失踪 53 人，重伤 9 人，轻伤 30 人，转移安置灾民 3282 人，直接经济损失 1.4 亿元。编号 B 为贡山县普拉底乡咪谷河，于 2010年 7 月 26 日凌晨发生泥石流灾害，造成 3 人死亡、8 人失踪、11 人受轻伤，直接经济损失 200 万元。编号 C 为贡山县独龙江乡巴坡村沟谷，于 2010 年 4 月 4 日 12 时发生泥石流灾害，造成 1 人失踪，公路与通讯中断，巴坡村 2014 年 2 月 20 日、2017 年 8 月 12 日都有发生泥石流的记录。编号 D 为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，对下游基础设施造成2023 年韩俊，等：基于原型网络的云南怒江州泥石流灾害易发性评价与区划123破坏，直接经济损失 360 万元，又于 2019 年 8 月 7 日发生泥石流。4 条沟谷的遥感图像和沟口泥石流堆积情况如图 7 中所示。4 条泥石流沟谷的所属概率和易发性指数如表 6所示。在预测中东月谷、咪谷河和练登大沟与 1 类泥石流沟谷相似度最高，巴坡村与 0 类泥石流沟谷相似度最高，东月谷、咪谷河和巴坡村三条沟谷的易发性指数都属于高易发性区间，这说明三条沟谷具有非常高的泥石流易发性。练登大沟易发性指数在易发区间，具有较高的泥石流易发性。基于因子统计分析是较为成熟的分析方法，文中收集了沟谷相关的高程差、主沟长度、沟谷面积、沟谷周长、沟谷平均坡度、坡降比、Melton 指数、切割密度和圆状率共9 个地形因子。其中，Melton 指数30由MeltonMA提出，其值为流域高程差与面积平方根的比值，反映了集水区的动力学及其对泥石流的敏感性。切割密度为主沟长度与流域面积的比值，反映集水区内岩石的抗风化能力和地貌发育情况31。圆状率由沟谷周长与主沟长度比值所得，影响汇流时间。对 9 个因子使用随机森林的分类方法进行训练，模型正负样本分类准确率为 61.11%，对 4 条沟谷进行预测，预测结果如表 7所示。可以看出，虽然使用因子分析和原型网络对 4 条沟的预测类别不同，但除了巴坡村预测错误，其他 3 条沟仍被预测为正样本。同样的，与李益敏9基于因子分析的易发性分区相比，4 条沟谷在其评测中的易发性结果为：东月各为低易发、咪谷河为高易发、巴坡村为低易发、练登大沟为极低易发。对于四条已经发生泥石流的沟谷来说，特别是东月各沟谷发生特大泥石流灾害的特点，4 条沟谷在本文原型网络评价中为高易发和较高易发，这与历史情况更为接近。泥石流的发生是地貌条件、物质条件和激发条件共同作用的结果11，选取若干小流域易发性评价实验3234中认为重要的地貌条件和物质条件因子，对上面 4 条泥石流沟谷进行分析，分析如表 8 所示3536。高易发区较高易发区易发区易发性分区（a）易发性分区中的高程差分布（b）易发性分区中的主沟长分布（c）易发性分区中的面积分布（d）易发性分区中的坡降比分布较低易发区低易发区高易发区较高易发区易发区易发性分区较低易发区低易发区高易发区较高易发区易发区易发性分区较低易发区低易发区高易发区较高易发区易发区易发性分区较低易发区低易发区高程差/m主钩长/km坡降比面积/km23 5003 0002 5002 0001 5001 0005004030201000.70.60.50.40.30.20.1250200150100500图 6 怒江州泥石流易发性分区中沟谷高程差、沟长、面积、坡降比的分布情况Fig.6 Distribution of the valley elevation difference,valley length,area,and slope ratio in the debris flow susceptibility zone in Nujiang prefecture124中国地质灾害与防治学报第5期表 6 4 条泥石流沟谷原型网络计算的所属概率和易发性指数Table 6 Probability and susceptibility index of four debris flow valleys with prototype networks沟谷流域编号Si所属概率Ii易发性指数012345普拉底乡东月谷A0.00040.96630.002700.01450.01620.9663普拉底乡咪谷河B0.00070.999300000.9993独龙江乡巴坡村沟谷C0.86340.10570.00620.00190.00940.01330.8634金顶镇七联村练登大沟D0.31530.50420.00240.06030.11390.00390.5042表 7 4 条泥石流沟谷因子分析方法计算的所属概率和易发性指数Table 7 Probability and susceptibility index of four debris flow valleys with factor analysis methods沟谷流域编号Si所属概率Ii易发性指数012345普拉底乡东月谷A00.080.7900.010.120.79普拉底乡咪谷河B0.5300.040.410.0200.53独龙江乡巴坡村沟谷C0.31000.69000.69金顶镇七联村练登大沟D0.680.020.040.110.130.020.68N（a）东月谷（b）咪谷河（c）巴坡村（d）练登大沟堆积扇2011年4月堆积扇2011年4月堆积扇2018年2月堆积扇2020年1月02.7 km东月谷00.4 km巴坡村02.5 km咪谷村03.0 km15怒江州02 km练登大沟澜沧江怒江独龙江图 7 4 条泥石流沟谷的地理位置、Google Earth 遥感图像和泥石流堆积物情况Fig.7 Geographical location,Google Earth remote sensing images and debris flow deposits in four debris flow valleys2023 年韩俊，等：基于原型网络的云南怒江州泥石流灾害易发性评价与区划125在地形地貌和物质条件对泥石流形成的影响中，流域面积大汇水量多，主沟长、坡度大、高程差大、坡降比大、Melton 指数大都会为泥石流的冲积提供动能。岩性对泥石流发生的影响中，片岩、混合岩、砂岩都容易风化产生松散物质，花岗岩、板岩、千枚岩、石灰岩、其他碳酸盐岩虽然比片岩、混合岩更硬，但是对泥石流也有较高的敏感性3740。灌林和草地的含沙量比林地多，水渗透能力也比林地强，能够提供更多的松散物质和更强的雨水侵蚀能力4142。淋溶土和松软薄层土也提供了松散物质43。东月谷、咪谷河、练登大沟 3 条沟谷中，疏林地、草地、松软薄土和淋溶土、砂岩和片岩等为泥石流提供了大量松散物质，练登大沟半个坡面为人工矿区，对植被破坏大，大量裸露的松散泥土，容易被雨水冲刷和搬运。其次，3 条沟谷都有较长的主沟长度、较大的汇水面积、高程差、平均坡度和 Melton 指数，汇集大量雨水且促成强大的冲积能量，从图 7 中的堆积扇可以看出，冲积泥沙量巨大，阻断河流形成堰塞湖、毁坏公路和农田、摧毁房屋，造成巨大的经济损失。以人员伤亡和经济损失最大的东月谷为例，暴发泥石流时冲出体积约为60104m344，破坏力极强。巴坡村虽然沟长和面积较小，但同样有足够的松散物质，并且坡度极大，降雨量达到一定程度，极容易形成小型泥石流或者滑坡，每当松散物质得到补充，只要一定的雨水条件激发，就会周期性的发生泥石流。4 讨论文中考虑到形态各异的沟谷潜在的特征差异及模型的稳定性，按面积大小对泥石流沟谷进行预分类，再进行原型网络的训练，可能存在更为合理的预分类，让神经网络能更好地区分沟谷潜在的图像特征从而使得评价更为准确。其次，能够提取到沟谷图像的还有高分卫星遥感和数字高程模型，这 2 种图像对泥石流特征是否有着更好的表征能力，或者使用它们的组合能够带来更好的评测效果，是今后研究工作的一个重点。最后，以沟谷为单元进行评价，从历史信息中能够确定发生泥石流的沟谷数量极其有限，特别是极小部分多次发生泥石流的高频沟谷，网络并没有学习到这种高频特征。李益敏等9使用因子评价的方法中，评价为高易发性的流域在贡山县、福贡县和泸水市中，但主要集中在贡山县，而本文中贡山县稍多，同时在贡山县、福贡县和泸水市中的分布比其更加“均匀”，更加符合历史泥石流灾害的分布规律。但是，评价的准确度需要从后续泥石流灾害事件中得到验证。而且，小样本深度学习的方法依赖于数据和模型，在后期的工作中，继续收集更多的泥石流沟谷图像，并不断改进模型，提高模型的精度，以此来减少模型性能带来的误差，提高预测精度。5 结论基于原型网络的小样本学习方法对怒江州所有沟谷的泥石流易发性进行评价，经过实验，得出了以下结论：（1）基于原型网络的小样本学习模型在泥石流正负样本的分类上精度为 67.39%，模型具有良好的评价能力。（2）通过模型预测，将沟谷泥石流易发性分为低易发区、较低易发区、易发区、较高易发区和高易发区表 8 4 条泥石流沟谷的地貌条件和物质条件因子分析Table 8 Factors analysis of geomorphological and material conditions of four debris flow valleys地貌条件和物源条件泥石流沟谷东月谷咪谷河巴坡村沟谷练登大沟主沟长度/km16.5214.702.4510.30面积/km245.9047.221.1016.26高程差/m2854254812441386坡降比0.170.170.510.13平均坡度/（）15.4626.4933.6416.17Melton指数0.420.371.180.34植被覆盖35有林地41.66%灌木林10.42%疏林地31.25%中覆盖度草地16.67%有林地55.55%灌木林8.88%疏林地15.52%中覆盖度草地5.03%低覆盖度草地15.02%有林地50.00%灌木林50.00%疏林地47.06%高覆盖度草地47.06%其它建设用地5.88%土壤性质36松软薄层土简育高活性淋溶土松软薄层土简育高活性淋溶土简育高活性强酸土简育高活性淋溶土不饱和雏形土简育高活性淋溶土地层岩性36花岗岩、板岩、千枚岩、片岩花岗岩、板岩、千枚岩、片岩花岗岩、石灰岩和其他碳酸盐岩板岩、千枚岩、杂砂岩、长石砂岩、砂岩石灰岩和其他碳酸盐岩126中国地质灾害与防治学报第5期5 个等级，高易发和较高易发沟谷主要分布在贡山县、福贡县、泸水市中，兰坪县较少，这与历史泥石流发生点的空间分布较为吻合。（3）选取 4 条发生泥石流的沟谷，使用原型网络对其易发性进行评价，同时选取高程差、面积、沟长等9 个地形因子使用随机森林的分类方法进行评价，最后再与基于小流域的评价方法进行对比分析，只有原型网络全部评价正确，这说明，原型网络小样本学习的方法有良好的评价性能。（4）对这 4 条典型沟谷的地貌条件和物源条件因子进行分析，4 条沟谷都有着泥石流发生的地形地貌和物源条件，使用 GoogleEarth 遥感图像学习泥石流特征并进行泥石流易发性预测的方法，消除了选取因子不统一的问题，是泥石流易发性评价的一种新的方法，为泥石流易发性研究带来新的思路。参考文献（References）：唐邦兴，杜榕桓，康志成，等.我国泥石流研究J.地理学报，1980（3）：259264