亚洲成AV美人妻在线|麻豆网站在线在线观看|在线观看视频cao|国产精品黄片观看视频|婷婷免费AV视频专区第一页|亚洲免费作爱视频|中国性生活黄色视频|AV亚洲成人在线|日韩黄色A片免费看|岛国三级av哪里看

期刊: Geoscience Frontiers

作者: Wanqi Luo, a; Haijun Qiu, a,b; Yingdong Wei, a; Wenchao Huangfu, a; Dongdong Yang, a,b..

工作單位: a: 西北大學(xué)陜西省地表與環(huán)境承載力重點實驗室

              b: 西北大學(xué)城市與環(huán)境學(xué)院地表系統(tǒng)與災(zāi)害研究所

群體性滑坡事件發(fā)生后，快速識別滑坡能為應(yīng)急響應(yīng)提供及時信息。然而在短時間內(nèi)往往難以快速獲取足夠的滑坡識別數(shù)據(jù)。遷移學(xué)習(xí)能夠借助源領(lǐng)域的滑坡識別知識，僅需少量標注數(shù)據(jù)即可適應(yīng)目標領(lǐng)域。圖神經(jīng)網(wǎng)絡(luò)通過構(gòu)建以像素為節(jié)點、連接關(guān)系為邊的圖結(jié)構(gòu)，顯式建模全局或局部關(guān)聯(lián)，從而提升分割一致性。本研究提出一種融合注意力機制、多尺度連接與圖神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，用以捕捉上下文信息并提取滑坡識別關(guān)鍵特征。該方法首先在大規(guī)模數(shù)據(jù)集上進行預(yù)訓(xùn)練，隨后在中國2013年娘娘壩降雨型滑坡與日本2018年北海道同震滑坡兩個案例中實施參數(shù)遷移與微調(diào)。我們驗證了所提模型的可行性，并研究了目標領(lǐng)域數(shù)據(jù)規(guī)模對滑坡識別的影響程度。對照實驗表明，本研究提出的方法在數(shù)據(jù)充沛條件下能取得最優(yōu)F1分數(shù)。結(jié)果還揭示：采用遷移學(xué)習(xí)的深度學(xué)習(xí)模型在數(shù)據(jù)有限條件下的表現(xiàn)可逼近數(shù)據(jù)充沛條件。微調(diào)模型既繼承源領(lǐng)域知識又更新目標領(lǐng)域參數(shù)，即使新增數(shù)據(jù)極少也能在新區(qū)域?qū)崿F(xiàn)性能顯著提升。該方法為改進滑坡識別評估，特別是在滑坡樣本極難標注的區(qū)域，開辟了潛在路徑。

圖1 兩個案例研究區(qū)域概覽。(a) 案例區(qū)域地理位置；(b) 娘娘壩研究區(qū)；(c) 北海道研究區(qū)；(d,e) 源自Google Earth的娘娘壩局部區(qū)域；(f,g) 源自Google Earth的北海道局部區(qū)域。各子圖中的紅色多邊形為滑坡邊界。

圖2 三個數(shù)據(jù)集中歸一化像素值的密度曲線。(a) CAS數(shù)據(jù)集；(b) 娘娘壩研究區(qū)數(shù)據(jù)集；(c) 北海道研究區(qū)數(shù)據(jù)集。

圖3 AMMG-UNet模型架構(gòu)。(a) 本文提出的編碼器結(jié)構(gòu)；(b) 解碼器結(jié)構(gòu)；(c) 多尺度全局推理模塊架構(gòu)；(d) 圖推理塊架構(gòu)。

圖4 基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)流程及本研究工作示意圖。

圖5 娘娘壩地區(qū)遷移學(xué)習(xí)后使用60%訓(xùn)練數(shù)據(jù)的滑坡識別模型可視化對比。(a) A、B、C區(qū)位置概覽；(b) 不同模型在A、B、C區(qū)的識別結(jié)果。子圖中白色框線標示出與本文提出模型存在差異的檢測區(qū)域。FP、FN、TP分別表示假正例、假反例與真正例。

圖6 不同條件下本文提出模型在娘娘壩地區(qū)的可視化對比。(a) A、B、C區(qū)位置概覽；(b) 不同條件下提出模型在A、B、C區(qū)的識別結(jié)果。20%和60%表示訓(xùn)練數(shù)據(jù)占整個娘娘壩數(shù)據(jù)集的百分比。DL代表模型從頭開始訓(xùn)練，TL代表微調(diào)模型。FP、FN、TP分別表示假正例、假反例與真正例。

圖7 不同模型與真實值的泰勒對比圖。右側(cè)子圖為左側(cè)黑色框線區(qū)域的局部放大圖。20%和60%表示訓(xùn)練數(shù)據(jù)占整個娘娘壩數(shù)據(jù)集的百分比。DL代表模型從頭開始訓(xùn)練，TL代表微調(diào)模型。RMSD表示均方根差，REF指代作為對比基準的真實值參考點。

圖8 北海道地區(qū)遷移學(xué)習(xí)后使用60%訓(xùn)練數(shù)據(jù)的滑坡識別模型可視化對比結(jié)果。(a) A、B、C區(qū)位置概覽；(b) 不同模型在A、B、C區(qū)的識別結(jié)果。子圖中白色框線標示出與本文提出模型存在差異的檢測區(qū)域。FP、FN、TP分別表示假正例、假反例與真正例。

本文提出了一種融合注意力機制、多尺度連接與圖卷積網(wǎng)絡(luò)的深度學(xué)習(xí)模型。通過調(diào)整訓(xùn)練數(shù)據(jù)量，我們在娘娘壩與北海道研究區(qū)將所提模型與UNet、PSPNet、DeeplabV3和DeeplabV3+進行性能對比，以評估遷移學(xué)習(xí)策略對深度學(xué)習(xí)模型的增強效果。當采用60%目標數(shù)據(jù)集訓(xùn)練時，本研究模型在兩個案例區(qū)均獲得最高F1分數(shù)，展現(xiàn)出顯著魯棒性。消融實驗表明，結(jié)合注意力卷積、多尺度卷積與MGR模塊可有效提升模型性能。此外發(fā)現(xiàn)，使用20%目標數(shù)據(jù)的微調(diào)模型與直接使用60%目標數(shù)據(jù)訓(xùn)練的模型具有相當?shù)幕聶z測能力，這證實遷移學(xué)習(xí)能在訓(xùn)練數(shù)據(jù)有限條件下（尤其在娘娘壩地區(qū)）顯著提升滑坡識別精度。Grad-CAM可視化結(jié)果驗證了微調(diào)模型對植被覆蓋區(qū)滑坡的檢測能力增強。綜上，本研究表明：結(jié)合遷移學(xué)習(xí)方法的復(fù)雜深度學(xué)習(xí)模型可有效彌補跨場景樣本不足的缺陷。該策略顯著縮短了從數(shù)據(jù)準備到模型部署的時間周期，對極端事件引發(fā)的群體性滑坡應(yīng)急響應(yīng)具有重要實踐價值。