基于迁移学习的无人机高分影像地震泥石流信息检测基于迁移学习的无人机高分影像地震泥石流信息检测：未知摘要：地震后经常会引发大量的泥石流灾害（称作地震泥石流），容易造成极大的破坏，无人机低空遥感技术以其便捷、时效性强等特点成为一种快速获取灾害信息的手段，但其影像的光谱信息较为缺乏，较难准确地检测地震泥石流灾害信息。针对以上问题，提出了一种基于迁移学习机制地震泥石流检测方法，该方法在已构建地震泥石流灾害样本库的基础上，将卷积神经网络训练得到的特征迁移到地震泥石流灾害信息检测中，完成地震泥石流灾害信息的自动检测，并将面向对象的地震泥石流灾害信息检测结果与迁移学习支持下的检测结果进行了对比与分析。结果表明：基于迁移学习的地震泥石流灾害信息检测结果在精度上稍优于面向对象的地震泥石流灾害信息检测结果，且前者在保持地震泥石流的平滑性和完整性上要优于后者。关键词：地震；泥石流；无人机高分影像；迁移学习；信息检测：P315.9；P642.23文献标识码：A：1000-0666（2018）02-0180-060引言2008年“5?12”汶川大地震给当地人民带来了巨大的损失，且强震后较长一段时间内，伴随着强降雨天气常出现的地震泥石流，给灾区人民带来了极大的威胁和伤害。据统计，汶川大地震由于地震滑坡、泥石流造成的人员死亡人数约占地震总死亡人数的1/4（殷跃平，2008），同时，地震泥石流还会造成房屋建筑受损、交通阻塞和堰塞湖等诸多问题。因此，如何利用现有的科学手段对地震泥石流信息进行快速检测，准确获取灾情信息，是目前地震灾害信息检测与应急救援工作中的研究重点之一（唐川，2010；彭述刚，2014）。无人机遥感技术以其灵活、快捷、受地形天气影响小、影像分辨率高等得天独厚的优势，已成为地震灾害信息检测与应急响应工作中的常用手段（任娟，2015；周洋等，2017）。但目前基于无人机高分辨率影像的地震泥石流信息检测多以目视解译为主，效率比较低下，如何突破这一技术瓶颈已成为当前该领域的研究热点。随着计算机技术的不断发展，深度学习已成功在语音识别、自然语言处理以及计算机视觉领域取得突破（Mikolovetal，2013）。迁移学习是深度学习的一种，迁移学习不需要做训练数据与测试数据同分布假设，这意味着迁移学习不需要对每个领域都标定大量的训练数据，而是从现有的数据中迁移知识，用来帮助新的学习任务，目前基于特征的迁移学习具有更广泛的迁移能力（Weissetal，2016；Sahaetal，2016）。针对此现状，本文以地震泥石流无人机高分影像灾害样本库为基础，利用卷积神经网络进行地震泥石流特征训练，结合迁移学习特征的优势，将获取的特征训练方法迁移到地震泥石流灾害信息检测中，实现地震泥石流灾害信息的自动检测。并将该方法检测的地震泥石流结果与面向对象的地震泥石流信息检测结果进行对比分析，提出了一种基于迁移学习的无人机高分影响---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---地震泥石流灾害信息检测方法。1数据选取与研究方法1.1研究区及数据概况本文选择的研究区为汶川地震的重灾区汶川县和都江堰市，地理位置如图1所示。汶川县位于四川盆地西北部边缘，居阿坝藏族羌族自治州东南部，总面积4083km2；都江堰市西邻汶川县，位于成都平原西北边缘，面积共1208km2。该区域受汶川地震影响极大，地震诱发了大量的泥石流等次地质灾害，造成了严重的人员伤亡和财产损失。图1中黑色点位是地震诱发的地质灾害，且拥有该区域无人机高分影像的位置，影像覆盖区域面积总计76.59km2。利用收集到的无人机高分影像，采集地震泥石流灾害样本，并按照统一格式进行存储，形成地震泥石流灾害样本库，其中包括地震泥石流正样本（地震泥石流）280个，地震泥石流负样本（非地震泥石流）1600个，所有样本均缩放到256×256像素。地震泥石流样本示例如图2所示。1.2技术路线与方法1.2.1基于面向对象分类技术的地震泥石流灾害信息检测在遥感领域，面向对象的分类技术是基于目标（对象）的一种分类方法，是针对高分辨率影像应用而兴起的一种影像分类技术，能够充分利用高分辨率遥感影像的光谱、纹理、形状、空...