一种基于迁移学习的城市内涝识别方法研究.docx

?

?

一种基于迁移学习的城市内涝识别方法研究

?

?

李芬

摘要：为了有效解决目前获得城市内涝深度方法存在的问题，本研究采用迁移学习的方法对城市内涝深度进行监测。以卷积神经网络为基础，通过将提取的特征向量集和标注内涝深度的数据集输入LASSO模型中进行训练，计算出城市内涝深度。同时，以江西省南昌市近5年来内涝图片数据为例进行实证检验。结果显示，该方法预测结果与真实的内涝水位偏差较小，与实际内涝发生情况的吻合程度较高。因此，该方法能有效识别城市内涝的真实情况，对应对频发的城市洪水灾害问题具有重要意义。

关键词：迁移学习;城市内涝;卷积神经网络;图像识别

：TP18;TU992：A：1003-5168（2021）28-00-04

Abstract：Inordertoeffectivelysolvetheproblemsexistinginthecurrentmethodsofobtainingurbanwaterloggingdepth，thisstudyusesthemigrationlearningmethodtomonitortheurbanwaterloggingdepth.Basedontheconvolutionneuralnetwork，theurbanwaterloggingdepthiscalculatedbyinputtingtheextractedfeaturevectorsetandthedatasetlabeledwaterloggingdepthintolassomodelfortraining.Atthesametime，takethewaterloggingpicturedataofNanchanginrecent5yearsasanexampleforempiricaltest.Theresultsshowthatthedeviationbetweenthepredictedresultsandtherealwaterloggingwaterlevelissmall，andthecoincidencedegreewiththeactualwaterloggingishigh.Therefore，thismethodcaneffectivelyidentifytherealsituationofurbanwaterlogging，andisofgreatsignificancetosolvetheproblemoffrequenturbanflooddisasters.

Keywords：transferlearning;urbanwaterlogging;convolutionalneuralnetwork;imagerecognition

近年來，城市洪水已经成为全球范围内最频繁和最严重的城市灾害之一。目前，城市洪水深度提取的方法主要有水位传感器、遥感影像等。丁志国、秦玉忠、丁妙增、屠佳佳研究了水位传感器对洪涝检测的效果，结果显示，由于水位传感器费用较高，能够检测的内涝点数量有限[1-4]，很难准确获得覆盖城市范围的洪水深度。郭欣怡、张红萍、路京选、徐宗学研究了遥感影像在城市内涝监测中的应用情况，结果显示，基于卫星的遥感图像受云层和植被影响，分辨率往往较低且数据样本有限[5-8]。因此，有必要研究其他潜在的数据来源。而从市民拍摄的一些图像中提取城市洪水深度信息是一种有潜力且经济有效的方法，可以作为现有方法的补充。从图像中提取城市内涝深度信息可以定义为一项计算机视觉任务，处理流程与分类、目标检测、分割等计算机视觉基本任务类似，提取图像中的特征向量是处理流程中的关键步骤[9]。

迁移学习是一种机器学习方法，是把为任务A开发的模型作为初始点，重新使用在为任务B开发模型的过程中[10]。例如，利用迁移学习从卫星图像中提取特征向量，然后建立特征向量与缺陷值间的回归模型。基于迁移学习得到的特征向量从图像中提取城市洪水深度具有很大的潜力。笔者提出一种利用迁移学习从图像中提取城市洪水深度信息的方法。

1方法概述

基于迁移学习的城市洪水深度识别方法主要由训练阶段和测试阶段组成，其过程如图1所示。在训练阶段，将迁移学习模型作为特征提取器，从图像中提取特征向量;然后，根据提取的特征向量和相应的观测深度值训练回归模型。在测试阶段，使用与训练阶段相同的迁移学习模型从测试集中提取特征向量，然后将这些特征向量输入回归模型，训练回