关键词:
1D-CNN
2D-CNN
滑坡易发性评价
耦合模型
摘要:
卷积神经网络(convolutional neural network,CNN)因其强大的特征提取能力被广泛应用于滑坡易发性评价。然而,随着场景多样化和高精度的需求,CNN算法不断改进,通过加深网络层次或联合其他模型来提高精度的做法往往大幅增加模型参数量和计算量,导致模型训练困难或结果过拟合,进而限制其实际应用。提出构建多维CNN耦合模型解决以上问题,通过特征图非对称聚合连结二维CNN(two-dimensional CNN,2D-CNN)和一维CNN(one-dimensional CNN,1D-CNN),维持网络深度而限制模型参数并减少计算量;利用多维卷积核参数共享捕获各滑坡影响因子不同维度及因子之间的深层耦合特征,实现特征充分利用而避免过拟合。以中国西藏自治区色东普沟为实验区,选取11种滑坡影响因子分析该地滑坡易发性。结果表明,因计算量减小,多维CNN耦合结构与参数较少的浅层2D-CNN效率相当,而比参数量近似的深层2D-CNN训练时长大幅减小,模型训练成本降低。此外,耦合模型相比独立1D-CNN和2D-CNN特征学习能力增强,模型精度提升,在测试集数据各混淆矩阵指标下拥有更高评分,进而获得了具有更高可信度的滑坡易发性评价结果。所提出的多维CNN耦合模型是一种适用于滑坡易发性评价的可靠方法,为进一步滑坡灾害监测和预防提供了新的理论指导与技术支持。