1，摘要

        云南是全国泥石流受灾最严重的省份之一，泥石流的防治是及其重要的研究工作。提出了一种将小样本深度学习与遥感图像结合进行泥石流易发性评估的方法，首先，以沟谷为单位，建立怒江州沟谷泥石流遥感图像数据集，其次，以小样本学习中经典的原型网络模型对泥石流沟谷图像进行训练，并将训练后的模型用于还未发生泥石流的沟谷进行易发性的评估，最后，按照易发性指数大小，将每一条沟谷进行易发性分区并可视化。经验证，模型的分类正确率达到67.39%，表明模型能够提取泥石流沟谷图像特征进而对沟谷泥石流易发性进行预测。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5个等级，高易发性沟谷主要分布在贡山县、福贡县、泸水市中，兰坪县较少，这与历史泥石流沟谷的空间分布较为吻合。对比4条泥石流沟在原型网络和基于传统因子分析方法中的评估结果，原型网络表现了良好评估性能，为泥石流灾害的研究带来新的思路。

2，引言

本文以沟谷为评估单元，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[17]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，并将模型用于对其余大量沟谷的泥石流易发性进行评估，借助GIS软件将每条沟谷易发性结果和易发性分区进行可视化。

3，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，截止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。1950年至2021年，福贡县各年平均降水量达到3 460  mm、贡山县1 632  mm、兰坪县1 550  mm、泸水市2 596  mm。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。

泥石流遥感数据集的建立主要使用谷歌地图（Google Earth）遥感影像，地图的高程数据由SRTM提供，空间分辨率30  m，遥感影像则由Landsat，QuickBird，Spot等遥感卫星提供。Google Earth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2.5  m-5  m，边远山区可达15  m[19]。根据沟谷边界，从谷歌地图中截取完整的沟谷流域图像，包括泥石流灾害的冲积痕迹和堆积扇等信息。数据的提取和处理如图2所示，利用数字高程模型（DEM）获取每条沟谷的掩膜信息，按照掩膜批量提取Google Earth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。

4，实验设计

      在正负样本中，形态各异的沟谷潜在危险性存在的特征差异，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型也不稳定，按照影响泥石流的重要因子流域面积[21]，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4中分类标签所示。分类后将正负样本训练集输入网络进行训练，进行K折交叉验证后，得到最优的网络，再将待评估样本输入到最优网络模型中，与6个分类进行相似度量，得到每个评估样本与各类的相似度得分，根据相似度得分计算每个评估样本的泥石流易发性指数，最后将易发性指数分区并可视化。

     评估流程如下图所示：

     原型网络分类示意图：

5，实验结果与分析

     为了对比模型性能，选取9个网络模型结构，包括VGG、GoogleNet、ShuffleNetV2、MobileNetV2、Conv4、ResNet12、ResNet18、DenseNet、Rir作为原型网络的特征提取器，分类结果如下表所示：

     上表中，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。

     怒江州泥石流发生风险评估结果如下图：

     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。

    本研究成果于2023年10月发表在《中国地质灾害与防治学报》34卷第5期上。

参考文献：

     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 (05): 117-129. DOI:10.16031/j.cnki.issn.1003-8035.202207023.