基于三维卷积与残差结构的沟谷泥石流危险度评价.pdf

基于三维卷积与残差结构的沟谷泥石流危险度评价徐繁树1，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：沟谷的泥石流危险度评价是泥石流防治工作中基础且重要的一环，针对该问题，以怒江州为例，提出了一个结合立体卷积与残差结构，能同时对数字高程模型（DigitalElevationModel,DEM）数据与多光谱数据进行特征学习的神经网络模型.以整沟为研究对象，将模型在历史泥石流灾害沟谷的数据上训练后，根据相似度对沟谷的泥石流危险度进行评分，并绘制了怒江州的泥石流危险度评价图.在所有 214 条沟谷中，高风险沟谷共 114 条，中风险沟谷共 40 条，低风险沟谷共 60 条.实验结果表明，该模型能在沟谷泥石流分类任务上达到最高 80%的正确率、88%的召回率以及 0.81 的 Kappa 系数.此外，在使用更少训练数据的实验以及对比各个不同模型的实验中，所设计的模型均表现优异.模型给出的危险度与历史灾害记录和实地考察结果基本相符.关键词：泥石流；卷积神经网络；残差结构；多光谱图像；危险度评价；怒江中图分类号：P694文献标志码：A文章编号：02587971(2023)04087511云南怒江傈僳族自治州（以下简称怒江州）是泥石流重灾区，其对沿沟及沟口区域的建筑和居民人身安全造成巨大威胁1-2，因此泥石流的防治工作意义重大，而危险度评价是泥石流防治中基础且重要的一环.对沟谷的泥石流孕灾危险度评价，始于 20 世纪 70 年代3，目前已有许多评价方法，如模糊综合评判法4、层次分析法5-6、可拓模型7-8、熵权法9、贝叶斯模型10等.但上述方法均存在一定的局限性，一般需要主观设定用于评价危险度的因子，最终的结果受所选取的因子影响大.此外，以往的研究往往选取某些点位或是局部流域作为泥石流危险度的评估对象11，而泥石流的发生一般是以沟为单位发生的，用整沟作为评价对象更为合理.由于怒江州内地形复杂，进行实地调查往往会耗费大量的人力与时间，无法对沟谷泥石流孕灾危险度进行快速评估.使 用 神 经 网 络 模 型(Convolutional NeuralNetwork,CNN)对各类地质灾害进行评价，不需要手动选择危险因子，能通过图像自适应地识别灾害对应的特征，快速便捷，成为当前研究的热点.卷积神经网络已应用于地震识别与震相拾取12-13；杜星等14用神经网络预测地震液化，最高可达 96%的正确率；吴鑫俊等15将神经网络用于洪水演进预测；胡涛等16使用神经网络对崩塌落石灾害进行危险度评估，可将平均误差降低至 5%；赵鹏辉等17利用卷积神经网络对河道山地灾害进行识别.尽管神经网络在多种地质灾害的评价分析中均有较好的表现，但将其应用于泥石流危险度评价仍存在一定问题.比如卷积神经网络需要一定的数据量作为支撑，而对于沟谷泥石流而言，不存在如此大量的正样本，因此必须仔细构建网络结构，否则会导致模型梯度随网络深度增加而消失18.He等19在 2015 年提出的残差结构能很好地解决梯度消失问题，且该结构各类小样本问题上表现优异.本文借鉴了三维卷积神经网络20结构，构建了一种同时对泥石流沟谷的数字高程模型（Digital收稿日期：2022-07-05；接受日期：2022-10-05；网络出版日期：2022-12-19基金项目：国家自然科学基金（61966040）.作者简介：徐繁树（1997），男，上海人，硕士生，主要研究泥石流灾害识别及机器学习.E-mail：.*通信作者：王保云(1977)，男，云南人，博士，副教授，主要研究机器学习及图像处理.E-mail：.云南大学学报（自然科学版），2023,45（4）:875885JournalofYunnanUniversity:NaturalSciencesEditionDOI:10.7540/j.ynu.20220326ElevationModel,DEM）图与多光谱图像进行特征提取与学习的立体残差网络（Stereoscopic-ResidualNet,SRNet）.模型在历史泥石流灾害沟谷的 DEM和多光谱数据上进行训练，然后对沟谷的泥石流孕灾危险度进行评测.本研究提出的危险度评价方法，可以一定程度上减少泥石流防治工作中人力物力的开支，为更全面地推进防治工作提供理论指导.1研究区域与研究数据1.1研究区域怒江州位于云南西北部，有怒江、澜沧江、独龙江 3 条河流自北向南流经.其中怒江流域沟壑纵横，加之流域内双雨季降水分布不均，局部暴雨频发，沟谷型泥石流频繁发生21-22.研究区域示意图见图 1.地图基于自然资源部标准地图服务网站下载的审图号为 GS(2019)3333 号的标准地图制作，底图无修改，下同.图1研究区域位置图Fig.1Locationmapofthestudyarea1.2研究数据本文使用的 DEM 数据来自美国地质勘探局（UnitedStatesGeologicalSurvey,USGS）于 2008 年发布的公开数据集，分辨率为 30m.使用的多光谱图像来自高分一号(GF-1)卫星，该卫星的幅宽为 800km，拍摄时间为 2021 年，卫星所拍摄的各光谱图的参数信息见表 1.数据集的构建方式为两种：对于有泥石流灾害发生的沟谷，通过查阅 20002020 年间的云南减灾年鉴，并结合相关新闻报道，通过 ArcGis软件提取出了怒江州内有记录的泥石流沟谷，共计 50 条.对于未发生泥石流灾害的沟谷，选取沟谷旁有建筑或农田，且无泥石流记录的沟谷共 50条作为负样本.实际上，对于沟谷是否发生过泥石流，只存在发生与不确定这两种情况，因为未造成人员伤亡或较大经济损失的泥石流几乎不会被记载，通过上述负样本的选取方式，可以大大提高所选择的沟谷确实未发生过泥石流的可信度.表1多光谱数据参数Tab.1Parametersofhyperspectraldata波段波长/m主要信息Band10.450.52 对水体穿透强提供水体信息Band20.520.59对绿色穿透力强可区分人造地物，反映水下特征Bnad30.630.69叶绿素的主要吸收波段提供植被、裸露地表信息Band40.770.89对绿色植物类别差异敏感用于区分植被类型，增强陆水反差姚振国等23研究发现，主沟长度越长，流域面积越大的沟谷越容易发生泥石流.一般而言，主沟长度越长的沟谷其流域面积越大.为了探究形态各异的沟谷对泥石流危险性的影响，在初步将研究区所提取的沟谷分为是否发生泥石流的基础上，本文又根据主沟长度和流域面积，将上述两类数据再分别划分为 3 类.具体的划分结果见表 2.表2泥石流数据的分类方式Tab.2Classificationofdebrisflowdata主沟长度/m流域面积/km2发生/条未发生/条(0,5 000(0,152117(5 000,10 000)(15,35)141710 000,15 000)35,102)1516由于泥石流的成因较为复杂，不仅与沟谷本身的长度、坡度等结构信息有关，还受物源条件、植被覆盖、水体条件等诸多因素的影响，这些条件在不同区域的泥石流灾害中往往是共同作用的，本文重点关注沟谷的几何形态和物源条件这两方面所具有的潜在危险度.于是，所使用的数据可视为两部分，即提供了沟谷几何信息的 DEM 图和物源信息的遥感图像.所有的 DEM 图片与多光谱图片在提取后，均被填充至 1080 像素1080 像素.这是因为对于泥石流灾害的形成，流域大小与沟谷长度是关键性因素，如果将图像不加更改地直接输入模型训练，会876云南大学学报（自然科学版）http:/第45卷使模型无法捕获到这两个十分重要的特征.为了能充分挖掘多光谱数据与 DEM 的信息，实验中将沟谷的 DEM 图与 4 张对应的多光谱图像堆叠在一起，构建出 1080 像素1080 像素5 的数据块作为模型的原始输入以适应三维卷积.所提取出的沟谷数据的示意图和数据块构建方式如图 2 所示.图2DEM 与遥感数据示意图及数据块构建方式Fig.2SchematicdiagramofDEM&remotesensingdataandconstructionofdatacube1.3模型构建多光谱图像进行特征提取与学习的立体残差网络（SRNet）是基于三维卷积与残差结构所设计的网络模型，该网络结构能很好地适应所输入的数据特点，模型的结构图见图 3.不同于仅有 3 个通道（RGB）的普通图像，本实验的数据块为 1 通道 DEM 数据与 4 通道遥感数据，使用常规的二维卷积块无法充分利用多光谱影像中丰富的空谱信息，因此设计上采用了有长、宽与深度 3 个维度的卷积块作为卷积核.此外，为了使模型更加稳定，并充分利用原数据中的信息，在主干结构上又增加了 1 个残差结构（图 3 中蓝色虚线所示），残差连接上的特征图直接通过最大池化生成，不进行卷积操作.池化所得的特征图在个数和形状上都与主干上得到的特征图一致，以进行残差连接的加和操作.2实验设计与结果分析2.1实验平台与超参数设定硬件环境：IntelPlatinum8157CPU2.30GHz，NVIDIAGeForceRTX3090GPU；软件环境：Ubuntu18.04 操作系统，Python3.8，CUDA11.0，PyTorch1.7.1，以及图像相关的第三方代码库.模型训练时使用 GPU 加速，具体训练设置如下：最大训练轮数设置为 100，由于样本个数较少，故一次训练所选取的样本数（batchsize）设置为 2，学习率设置为 0.0001，优化方法为随机梯度下降，损失函数为交叉熵损失（CrossEntropyLoss）.所有模型结构中的卷积块初始化方法均为凯明初始化24.2.2实验流程首先，使用发生过泥石流的沟谷数据和未发生泥石流的沟谷数据对构建的神经网络模型进行训练，之后使用训练好模型对测试集中的沟谷数据进行特征提取，根据相似度得分计算沟谷的危险度.由于数据集划分时，0、1、2 三类为发生过泥石流的样本，3、4、5 三类为未发生泥石流的沟谷.因此，根据神经网络模型给出的测试图片与各类别的相似度评分，可以计算各沟谷的孕灾危险度.具体实验流程如图 4 所示.下面给出沟谷泥石流孕灾危险度的计算方法：si=exi5i=0exi,(1)xiisixi0,1式中：表示模型输出的待评价沟谷与第 类沟谷的相似度得分，为将 归一化到的相似度得分.第45卷徐繁树等：基于三维卷积与残差结构的沟谷泥石流危险度评价877S=2i=0si5i=3si.(2)i=1,2,3SS 1,1S根据待测沟谷与已发生过泥石流沟谷（）的相似度，可以计算得到沟谷的危险度评分.显然，有.该值越大表示待测沟谷与发生过泥石流的沟谷相似度越高，将区间划分为 3 部分，可根据 所处的区间判断沟谷泥石流的危险度.危险度的划分方式如公式（3）所示.1.00 S 0.33,低危险度;0.33 S 0.33,中危险度;0.33 S 1.00,高危险度.(3)2.3实验结果分析2.3.1 沟谷泥石流潜在危险评估使用训练后的模型，对怒江州的沟谷进行评价后，得到了各条沟谷的危险度等级，分为高危险、低危险、中危险3 类.其中高危险沟谷 114 条，中危险沟谷 40 条，低危险沟谷 60 条.之后根据各沟谷的危险度等级，绘制了怒江州的沟谷泥石流危险度评价图（图 5）.表 3 中展示了训练后的模型给出的 3 个典型沟谷孕灾危险度评价结果，分别代表高、中、低危险度沟谷.其中沟谷假彩色图是通过给遥感图的波图3立体残差网络（SRNet）结构示意图Fig.3StructureofStereoscopic-ResidualNet(SRNet)图4实验流程Fig.4Experimentprocess图5沟谷泥石流潜在危险性评价图Fig.5Riskassessmentmapofdebrisflowinvalley878云南大学学报（自然科学版）http:/第45卷段 1、波段 2、波段 3 分别赋蓝（B）绿（G）红（R）所生成的接近自然颜色的图像.3 条沟谷的危险度评分见表 4.分析如下.S=1东月各沟谷曾发生过特大泥石流.其沟口坐标为 27389N,984350N.从地质条件上看，东月各河沟所处的地形为典型的高山峡谷地形，沟体狭长，相对高差可达 3000m 以上，较为险峻，有利于泥石流的加速.该沟流域面积约为 47km2，且流域上游呈扇形，支沟短，有利于水流汇聚，极易诱发泥石流.此外，沟谷上游处的岩体多为绢云石英片岩、大理岩、燕山期花岗岩等，抗风化能力差异大，易发生崩塌，为泥石流的形成提供了物源条件；从卫星拍摄图像可以看出，东月各沟头有冰川分布，冰雪消融或遭遇强降雨，也会成为泥石流的物源.SRNet 给出的东月各沟谷的危险度评分为，危险度极高.龙坡沟谷的沟口坐标为275230N,984043E，有冲毁过农田的记录，由于村民转移及时，并未造成人员伤亡.尽管该沟谷主沟长度约 6000m，但汇S=0.30水面积小于东月各沟谷，且两侧山体植被较上一个样例更为完好.然而，沟头的冰雪融水与山坡碎石仍能成为诱发泥石流的物源条件.SRNet 给出的龙坡沟谷的危险度评分为，中等危险.S=0.94岔花村沟谷的沟口坐标254042N，985214E，沟底有大量的房屋和农田，此处无任何泥石流灾害记录.该沟沟底较为平坦，地形较为开阔，两侧山高均为 500m 左右，且坡度在 40左右.因此，并不利于形成泥石流的水流汇聚，较难发生泥石流.SRNet 给出的该沟谷的危险度评分为，危险较低.2.3.2 不同模型结构对比实验为了显示所设计的 SRNet 对于 DEM 和多光谱数据的表征能力，研究中使用了由 Google 开发的 InceptionV125作为比较对象；另外，为了体现 3D 卷积设计的效果，还与 ResNet18 与 ResNet3419这 2 个通过残差结构构建的模型进行了对比实验.为了适应上述 3 个模型的输入与输出，在输入层将 3D 数据块通过11 卷积核降维到 2D，在全连接层将最终的输出表3危险度评估示例Tab.3Exampleofriskassessment沟谷名称沟谷DEM灰度图沟谷假彩色图伤亡与损失危险度评价东月各沟谷2人死亡，90人失踪，38人受伤，直接经济损失1.4亿元，将100余米宽的怒江干流短时阻塞高危险龙坡沟谷淹没数亩农田中危险岔花村沟谷无灾害记录低危险表4各沟谷危险度评分Tab.4Riskassessmentofvalleys沟谷名称012345危险度评分S东月各001.000001.00（高危险）龙坡0.080.560.010.010.240.100.30（中危险）岔花村0.080.560.010.010.240.100.94（低危险）第45卷徐繁树等：基于三维卷积与残差结构的沟谷泥石流危险度评价879类别修改为 6.除此之外，这 3 个模型的结构不做任何调整，所有超参数与 2.1 中的设置保持一致进行对比实验.进行的多组实验中，每组实验各个模型所使用的训练集与测试集均相同，训练集共80 张，测试集共 20 张.多组实验中各模型的表现类似，图 6 中展示了一组实验的可视化曲线.其中(a1)(a4)为各个网络训练时的损失值变化与训练集上的正确率变化，(b1)(b4)为各个网络的测试准确率变化曲线.图6不同模型的训练正确率/损失曲线与测试正确率曲线Fig.6Trainingaccuracy/losscurveandtestingaccuracycurveofdifferentmodel880云南大学学报（自然科学版）http:/第45卷二分类正确率通过六分类的结果计算得到，它表示将数据视为发生过泥石流和未发生两类时得到的正确率.从测试正确率来看，SRNet 有着最高的测试正确率，接近 80%，远远高于其它模型结构.从损失值的收敛情况来看，SRNet 相对与其它模型结构损失值下降的更为平滑，InceptionV1 最不稳定.尽管ResNet18 的损失函数下降在后期更为平滑，但其正确率仅有 50%左右.为了进一步对模型性能进行评价，在研究中不断重新划分数据集，进行了多轮平行实验，计算出各个模型的六分类正确率、精确率、召回率、Kappa 系数，计算均值中所选取的数值均为每次测试中每个模型的最好结果.表 5 给出了多轮平行实验所得到的平均结果.从表 5 中可以看出，SRNet 在几乎各指标上的表现都是最好的.最值得注意的是高达 88%的召回率，因为对于泥石流危险性评价而言，召回率尤为关键，由于召回率表示的是样本中有多少正例被正确分类，即有泥石流孕灾危险的沟谷有多少被模型所正确捕获，因此召回率高的模型可以覆盖更多真正有泥石流危险的样本，这对评估工作至关重要.表5实验结果Tab.5Experimentresult模型六分类正确率/%精准率/%召回率/%Kappa系数SRNet7666880.81InceptionV16268620.55ResNet185558600.52ResNet345060620.542.3.3 训练/测试数据比例对模型的影响为了进一步测试各个模型对不同数据量的稳定性，按不同比例重新划分数据集，并对各个模型进行测试.图 7 中展示了不同训练测试比例下，各模型的六分类测试正确率随训练轮数的变化.图 7（a）为 80 条沟谷数据训练，20 条沟谷数据测试得到的结果；图 7（b）为 70 条沟谷数据训练，30 条沟谷数据测试的结果；图 7（c）为 60 条沟谷数据训练，40 条沟谷数据测试的结果.从图 7 可以直观地看出，所有模型的测试正确率均随着样本量的减少而下降，在训练样本减少至 60 张时，所有模型都几乎无法很好地识别图像中的特征.但不难发现，SRNet 在不同测试中均表现出了最高的正确率.此外，所有模型的测试正确率曲线均有较大的波动，推测原因可能为：一方面是使用的数据量过少，因此在测试过程图7不同数据集划分下的六分类测试准确率变化Fig.7Thechangeoftestresultaccuracyofsixclassificationunderdifferentdatasetdivision第45卷徐繁树等：基于三维卷积与残差结构的沟谷泥石流危险度评价881中，哪怕每次仅有 12 张图片的类别改变均会对测试正确率曲线造成较大影响；另一方面受模型结构影响较大，其中 SRNet 同时拥有立体卷积结构和残差结构，表现最好.2.3.4 残差结构对模型的影响图 8 为有残差结构和无残差结构的模型在相同的训练测试数据下得到的训练曲线和测试曲线，去除残差结构的模型称为 SNet(StereoscopicNet).从图 8(a1)与(a2)的损失变化曲线可以看出，拥有残差结构的模型表现出了较好的稳定性.图8有无残差结构对比Fig.8With/withoutresidualstructure图 8 的对比实验结果表明，残差模块的使用不仅可以避免梯度消失，使其更加稳定，而且能加速模型的训练，大大提高了正确率，一个典型的残差模块如图 9 所示.图9残差结构示意图Fig.9ResidualstructureF(x)G设为前一层网络的输出矩阵，后一层卷积块 ConvG 表示一次规则为 的特征提取操作.那么，在使用残差连接的情况下，最终的输出结果为GF(x)+F(x)GF(x)；在不使用残差连接的情况下，最终的输出为.根据神经网络反向传播的过程，对二者求导的结果分别如下：GF(x)x=GF(x)F(x)F(x)x,(4)GF(x)+F(x)x=GF(x)F(x)F(x)x+F(x)x.(5)其中：（4）式表示反向传播时，无残差连接的求导结果，（5）式表示有残差连接的求导结果.（4）式中的乘法计算均为矩阵的乘法运算.分析（4）式可知，模型的层数越深，求导时累乘的项也就越多.经验上，882云南大学学报（自然科学版）http:/第45卷F(x)x在求导过程中求得的梯度值一般为 0 附近的高斯分布，因此随着网络层数的加深，极易发生梯度弥散的问题.而（5）式在原梯度的基础上额外增加了，一方面，该项的值在先前的链式求导过程中已经计算过，因此几乎不会给模型带来额外的运算负担；另一方面，该项的值往往大于（4）式中链式求导得到的乘积，使得有残差结构的模型在反向传播时能克服梯度消失的问题，并能使得损失函数值不断下降，达到加速收敛的效果.直觉上，对于残差结构可以理解为：在训练一个主干网络的同时，利用残差连接同时训练一个网络规模较小，且梯度值较大的结构，因此不仅能使模型更好地收敛，还能最大程度地利用先前提取出的特征.因此，在小样本问题上较其它结构有较好的表现.2.3.5 模型参数量对模型的影响经过以上实验，我们发现模型的表现与参数量有很大关系.模型的参数量可以看作网络的规模大小，表 6 中列出了各模型的参数量.结合 2.3.2 与 2.3.3 得出的实验结果，可以发现参数量最小的 SRNet 表现最优.其余模型结构，尽管深度和参数量均远远高于 SRNet，但都无法取得令人满意的效果.表6模型参数量Tab.6Parametersofdifferentmodel模型参数量/106SRNet2.4InceptionV16.8ResNet1811.7ResNet3421.8对于神经网络模型，随其层数的加深，参数量也会增多，因此会有更强的表征能力，但是也会带来更高的过拟合风险.在海量数据集上，参数量较高的模型一般能取得更好的效果，但是在较小的数据集上，过于深的网络会降低模型的泛化能力.因此，对于泥石流这类样本量较少的数据，使用神经网络进行特征提取时，要仔细控制参数量和网络结构，才有可能取得较好的效果.对比 4 种网络模型结构、模型参数量和训练、损失曲线，不难发现参数量最小且使用了残差结构的 SRNet 能取得最好的实验效果.3结论（1）通过改进残差结构，并结合三维卷积，所构建的 SRNet 能更好地提取遥感数据和 DEM 数据中的特征，表明对于遥感这类多通道数据，使用立体卷积往往能取得更好的效果.此外，使用 CNN 处理样本量较小的问题时，宜使用较小的模型以降低过拟合风险.（2）本文使用神经网络模型，以整条沟谷为研究对象，对研究区内的沟谷进行泥石流危险度评价，得出高风险沟谷 114 条，中风险沟谷 40 条，低风险沟谷 60 条的评价结果，模型的准确率可达到 80%.通过对典型沟谷进行验证，并与历史泥石流灾害记录进行对比，结果可信度较高.（3）根据得到的危险度评价图，发现怒江贡山段以及福贡段为沟谷泥石流危险度较高的区域.该处山势险峻，沿江两岸有大量居民区与基础设施，应加强泥石流防治工作，以减少灾害损失.参考文献：李媛,孟晖,董颖,等.中国地质灾害类型及其特征基于全国县市地质灾害调查成果分析J.中国地质灾害与防治学报,2004,15(2):32-37.DOI:10.16031/ki.issn.1003-8035.2004.02.005.LiY,MengH,DongY,etal.Maintypesandcharacter-isticsofgeo-hazardinChine:Basedontheresultsofgeo-hazard survey in 290 countiesJ.The ChineseJournalofGeologicalHazardandControl,2004,15(2):32-37.1黄海,刘建康,杨东旭.泥石流容重的时空变化特征及影响因素研究J.水文地质工程地质,2020,47(2):32-37.DOI:10.16030/ki.issn.1000-3665.201907024.HuangH,LiuJK,YangDX.Astudyofthecharacter-istics and influencing factors of spatial-temporalchangesinthedebrisflowdensityJ.Hydrogeology&EngineeringGeology,2020,47(2):32-37.2GladeT.Linkingdebris-flowhazardassessmentswithgeomorphologyJ.Geomorphology,2004,66(1):189-213.3陈维,赵鑫,张海太,等.基于模糊综合评判法的滇西北公路泥石流危险性评价J.公路,2020,65(2):25-29.ChenW,ZhaoX,ZhangHT,etal.Hazardassessmentofhighwaydebrisflowbasedonthefuzzycomprehens-iveevaluationmethodinNorthwestYunnanJ.High-way,2020,65(2):25-29.4第45卷徐繁树等：基于三维卷积与残差结构的沟谷泥石流危险度评价883徐慧娟,黄江成.基于关键驱动力的怒江州兰坪县泥石流危险性评价J.云南大学学报(自然科学版),2015,37(2):240-249.DOI:10.7540/j.ynu.20140665.XuHJ,HuangJC.HazardassessmentofdebrisflowsinLanpingCountyofNujiangPrefecturebasedonkeydrivingforceJ.JournalofYunnanUniversity(NaturalSciencesEdition),2015,37(2):240-249.5何燕,杨顺,潘华利.云南省维西县地质灾害孕灾环境及易发性分区J.云南大学学报(自然科学版),2019,41(1):74-81.DOI:10.7540/j.ynu.20180154.HeY,YangS,PanHL.Thegeologicalhazardindu-cingenvironmentandpronezoningresearchofWeixiCounty,YunnanProvinceJ.JournalofYunnanUni-versity(NaturalSciencesEdition),2019,41(1):74-81.6胡富杭,熊朝正,石豫川,等.基于可拓灰色模型的台风暴雨型泥石流易发性评价J.人民长江,2021,52(10):26-32.DOI:10.16232/ki.1001-4179.2021.10.005.HuFH,XiongCZ,ShiYC,etal.Evaluationonsus-ceptibility of typhoon-triggered debris flow based onextensiongreymodelJ.YangtzeRiver,2021,52(10):26-32.7崔传峰,王俊豪,崔志超,等.基于灰色可拓模型的洮河下游泥石流易发性评价J.中国地质灾害与防治学报,2019,30(6):40-48.DOI:10.16031/ki.issn.1003-8035.2019.06.06.CuiCF,WangJH,CuiZC,etal.EvaluationofdebrisflowsusceptibilityinthelowerreachesofTaoheRiverbasedongreyextensionmodelJ.TheChineseJournalofGeologicalHazardandControl,2019,30(6):40-48.8刘德玉,贾贵义,李松,等.地形因素对白龙江流域甘肃段泥石流灾害的影响及权重分析J.水文地质工程地质,2019,46(3):32-37.DOI:10.16030/ki.issn.1000-3665.2019.03.05.LiuDY,JiaGY,LiS,etal.ImpactsoftopographicalfactorsondebrisflowsandweightanalysisattheGansusegmentoftheBailongjiangRiverBasinJ.Hydrogeo-logy&EngineeringGeology,2019,46(3):32-37.9蔡健玲.GIS 技术与贝叶斯层次模型支持下的滇西北泥石流易发性评价D.昆明:昆明理工大学,2019.CaiJ L.Susceptibility of debris flow geological dis-astersinNorthwestYunnanbasedonGISandBayesianhierarchicalmodelD.Kuning:KunmingUniversityofScienceandTechnology,2019.10杨成长,唐川,王飞龙,等.贵州省喀斯特地区泥石流风险评价方法研究以威宁县穿洞村沟泥石流为例J.云南大学学报(自然科学版),2018,40(4):734-742.DOI:10.7540/j.ynu.20170478.YangCZ,TangC,WangFL,elal.Studyonriskas-11sessment of Chuandong Village gully debris flow inKarst areaJ.Journal of Yunnan University(NaturalSciencesEdition),2018,40(4):734-742.李安,杨建思,彭朝勇,等.基于样本增强的卷积神经网络震相拾取方法J.地震学报,2020,42(2):163-176.DOI:10.11939/jass.20190070.LiA,YangJS,PengCY,etal.Seismicphaseidenti-ficationusingtheconvolutionalneuralnetworksbasedonsampleenhancementJ.ActaSeismologicaSinica,2020,42(2):163-176.12张昊,朱培民,顾元,等.基于深度学习的地震速度谱自动拾取方法J.石油物探,2019,58(5):724-733.DOI:10.3969/j.issn.1000-1441.2019.05.011.ZhangH,ZhuPM,GuY,etal.Velocityauto-pickingfromseismicvelocityspectrabasedondeeplearningJ.Geophysical Prospecting for Petroleum,2019,58(5):724-733.13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.DuX,SunYF,SongYP,etal.Multilayerperceptionneuralnetworkforassessmentandpredictionofearth-quake-inducedsand liquefactionJ.Journal of Engin-eeringGeology,2020,28(6):1425-1432.14吴鑫俊,赵晓东,丁茜,等.基于数据驱动的 CNN 洪水演进预测方法J.水力发电学报,2021,40(5):79-86.DOI:10.11660/slfdxb.20210508.WuXJ,ZhaoXD,DingQ,etal.CNNfloodroutingmethodbasedondata-driventrainingJ.JournalofHy-droelectricEngineering,2021,40(5):79-86.15胡涛,樊鑫,王硕,等.基于径向基神经网络的思南县崩塌易发性评价J.科学技术与工程,2019,19(35):61-69.DOI:10.3969/j.issn.1671-1815.2019.35.009.HuT,FanX,WangS,etal.Collapsesusceptibilityas-sessmentofSinanCountybasedonradialbasisfunc-tionneuralnetworkJ.ScienceTechnologyandEngin-eering,2019,19(35):61-69.16赵鹏辉,李俊杰,康飞.河道山地灾害的卷积神经网络快速识别方法J.水利水运工程学报,2019(2):65-70.DOI:10.12170/201902009.ZhaoPH,LiJJ,KangF.Fastrecognitionmethodformountainhazards in river courses based on convolu-tionalneuralnetworksJ.Hydro-ScienceandEngineer-ing,2019(2):65-70.17IoffeS,SzegedyC.Batchnormalization:Acceleratingdeep network training by reducing internal covariateshiftC/InternationalConference on Machine Learn-ing,PMLR,Miami,Florida,USA,2015:448-456.18HeKM,ZhangX,RenS,etal.Deepresiduallearning19884云南大学学报（自然科学版）http:/第45卷for image recognitionC/Proceedings of the IEEEConferenceonComputerVisionandPatternRecogni-tion,Nerada,UAS,2016:770-778.XuYM,LiZK,LiW,etal.Dual-channelresidualnet-workforhyperspectralimageclassificationwithnoisylabelsJ.IEEETransactions on Geoscience and Re-moteSensing,2021,60:1-11.20洪美玲,何士华.19612010 年怒江流域降雨时空变化J.水土保持研究,2019,26(3):248-252.HongML,HeSH.Spatialandtemporalchangeofrainfallin Nujiang Basin in recent 50 yearsJ.Re-search of Soil and Water Conservation,2019,26(3):248-252.21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.DOI:10.16232/ki.1001-4179.2020.11.021.SunXC,WangBY,LiuKX,etal.Analysisoninflu-encing factors of debris flow disasters in Yunnan22ProvinceJ.YangtzeRiver,2020,51(11):121-127.姚振国,刘建周,牛贝贝,等.流域面积对沟道泥石流发育的影响分析J.资源环境与工程,2019,33(2):217-219.DOI:10.16536/ki.issn.1671-1211.2019.02.014.YaoZG,LiuJZ,NiuBB,etal.Influenceofdrainageareaon development of debris flow in gullyJ.Re-sourcesEnvironment&Engineering,2019,33(2):217-219.23HeKM,ZhangX,RenS,etal.Delvingdeepintorecti-fiers:Surpassinghuman-levelperformanceonimagen-etclassificationC/Proceedings of the IEEE Interna-tionalConferen