民和县淤地坝遥感解译及其运行状况分析

王启宏

(民和回族土族自治县水土保持站，青海 民和 810800)

1 研究背景

淤地坝是修建在多泥沙沟道中用于固沟减蚀、蓄洪滞洪和控制泥沙输移的一种水土保持工程措施[1]，通常以单坝或坝群形式出现。长期的社会生产实践表明，淤地坝在滞洪减沙的同时，还可以淤地造田、蓄水养殖、以坝代路，在发展农业生产和改善生态环境等方面发挥着重要作用[2]。2019年9月，习近平总书记在黄河流域生态保护和高质量发展座谈会上提出“有条件的地方要大力建设淤地坝”。早期修建的淤地坝大多为群众自发建设的小型水利工程，缺乏合理规划，现大部分已淤满，失去蓄洪滞洪功能；后期修建的淤地坝，有相当多的是由两大件构成，没有配套泄洪设施。随着全球气候变化，部分地区因极端暴雨引起连续垮坝，对下游造成较大洪水灾害[3]。因此，对淤地坝进行动态监控十分有必要。

《黄河流域生态保护和高质量发展规划纲要》中提出，要建立跨区域淤地坝信息监测机制，实现对重要淤地坝的动态监控和安全风险预警。而动态监控淤地坝最重要的问题之一就是如何从大量影像数据中识别出淤地坝影像，同时准确获得现有淤地坝的空间位置及淤积面积等信息，为淤地坝的加固维修提供依据。现实中淤地坝通常分布少、控制面积小，低分辨率遥感影像难以识别提取，而目视解译及实地考察等方法又耗费大量人力、物力，且目视解译依赖解译人员的经验，局限性较大，加之有些淤地坝受地形、地理位置影响，技术人员无法实地考察，这些均会影响淤地坝影像提取精度。如何从大范围遥感影像中快速识别、提取高精度淤地坝影像信息，减少人力、物力的消耗，实现淤地坝动态监控、空间优化配置及水土流失防治，是本研究的重点。

2 研究区概况

民和县是青海省海东市下辖县，位于青海省东部边缘。县境南北长约96 km、东西宽约32 km，总面积1 890 km2；海拔最高4 220 m，最低1 650 m；年均气温9.4 ℃，年均降水量351.4 mm；黄河及其支流湟水分别从其南部、北部流过，年总径流量2.289亿m3。民和县地处青藏高原与黄土高原过渡地带，山大沟深，植被稀疏，是青海省水土流失较为严重的地区之一。为防治水土流失，自20世纪90年代开始，民和县开展了淤地坝建设，以单坝建设为主；2003年水利部“亮点工程”启动实施后，民和县加快了淤地坝的建设。根据野外调查数据，民和县现有淤地坝41座，其中骨干坝24座、中型坝15座、小型坝2座。2座小型坝主要是为发展农业生产而修建，也被称为“生产坝”，其在调控径流和拦截泥沙方面的效果十分有限，本研究未作考虑，仅考虑其余39座淤地坝。为了解民和县39座淤地坝现状及其运行状况，本研究采用GIS空间分析与机器学习相结合的方法，对获取的淤地坝遥感影像进行自动、快速、精确的解译，并结合野外调查，对其解译结果进行印证。

3 样本标签制作

39座淤地坝遥感影像均来自于Google Earth，其空间分辨率为0.3 m。影像中淤地坝的形态特征比较简单，最明显且易被识别的为坝体和坝地。在原始影像中坝体影像通常呈矩形或类矩形，少数呈类三角形；坝顶因以坝代路，常用于连接沟道两岸的交通，其影像呈线状；坝地处于坝体后方，由坝体拦截流域内泥沙淤积而成，和周围地形相比，坝地地势平缓，表面平整[见图1(a)]。根据淤地坝原始影像，在ArcGIS Pro中对淤地坝影像进行二分类标注，用于模型训练，将淤地坝坝体及坝地区域标注为1(白色区域)、非淤地坝区域标注为0(黑色背景区域)，然后将影像裁剪成512×512像素大小[见图1(b)]，39座淤地坝共制作样本影像170个。有的样本影像质量好，分辨率高，可直接处理为相对应的样本标签[见图1(c)]；有的样本影像因在网络中过度拟合，限制了其粗分类的能力，为得到泛化能力更强的样本影像，需采用旋转、翻转和平移等几何变换的方法，对样本影像进行数据增强处理，得到增强后的图像[见图1(d)]和相对应的样本标签[见图1(e)]。处理后最终得到样本标签1 336个，按照训练与验证之比为8∶2进行随机划分，得到训练样本标签1 068个、验证样本标签268个。

图1 样本标签制作流程

4 研究方法

4.1 基于DeepLab V3+模型的语义分割

DeepLab V3+是目前遥感影像分割领域中图像分割效果较好、应用较为广泛的模型之一，因此本研究采用了基于深度学习的语义分割模型DeepLab V3+，对遥感影像中的淤地坝影像进行了提取。DeepLab V3+模型在计算机深度学习环境PyTorch1.7.1上运行，编译语言为Python3.7.12，使用NVIDIA Tesla P100显卡(显存16 GB)进行训练，其网络结构主要由编码层和解码层组成(见图2)。由图2可知，DeepLab V3+对遥感影像的提取流程为：在编码层，采用ResNet101骨干网络对影像进行特征提取，分别生成浅层语义特征图及高级语义特征图。其中，浅层语义特征图经空洞卷积判别后，直接传输到解码层，进行1×1卷积运算；高级语义特征图经空洞卷积判别后，需通过空洞空间金字塔池化(ASPP)模块，进行多尺度采样，得到多尺度特征图，再将多尺度特征图进行融合处理，经过1×1卷积运算降低通道维度后，传输到解码层进行4倍上采样。而后，在解码层将两种特征图处理结果进行拼接处理，经过3×3卷积运算后，通过4倍上采样，将处理过的特征图恢复到与原图相同的尺寸，最后输出结果图。

图2 DeepLab V3+对遥感影像的提取流程

4.2 模型评价指标

通过混淆矩阵(见表1)，采用精确率(P)、召回率(R)、F1分数(F1Score)和交并比(IoU)来评估模型性能，其值越大，模型性能越好。其中，精确率表示在模型识别为正例的样本中，真正例的样本所占的比例；召回率表示模型正确识别为正例的样本占总的正例样本的比值；F1分数表示精确率和召回率的调和平均数；交并比表示真实值和预测值集合的交集与并集之比。

表1 混淆矩阵

精确率(P)、召回率(R)、F1分数(F1Score)和交并比(IoU)的计算公式分别为

(1)

(2)

(3)

(4)

4.3 最优DeepLab V3+模型训练

对DeepLab V3+模型进行淤地坝影像提取训练，共迭代80 000次，其损失值变化趋势见图3。由图3可以看出，损失值在训练初期迅速下降，表明模型正在快速拟合，学习效率较高。随着迭代继续，约在20 000次时，模型损失值下降到0.03，并开始呈现缓慢下降的趋势，直至最终收敛，表明模型达到稳定，训练结束。对获得的模型进行精确率、召回率、F1分数和交并比评估，其结果见表2。由表2可知，模型识别淤地坝影像的精确率为97.24%、召回率为94.07%、交并比为91.62%、F1分数为95.63%，表明该模型各方面性能较高，能够应用于淤地坝影像的识别提取。

图3 DeepLab V3+模型训练时损失值的变化趋势

表2 基于DeepLab V3+模型的淤地坝影像提取结果评估 %

5 结 果

5.1 基于DeepLab V3+模型的民和县淤地坝影像提取

将训练好的模型应用到民和县遥感影像上，测试其对淤地坝影像的识别提取能力。结果发现：能识别出全部骨干坝影像，召回率达到100%；仅能识别出15座中型坝中的12座影像(见图4)，有3座影像未能识别出，分别为汉家沟、池沟1#及高崖沟2#中型坝。识别错误、未能提取淤地坝影像的原因可能为：一是受Google Earth影像质量的影响；二是制作样本标签时，淤地坝样本标签不够全面，相对应的训练样本较少。

5.2 基于遥感解译的民和县淤地坝运行现状

通过遥感解译，结合现场调查，民和县39座淤地坝运行现状见表3。由表3可知，39座淤地坝主要分布在米拉沟和隆治沟流域，总坝控面积为119.69 km2，总库容为1 673.19万m3，已淤地面积为58.96万m2，已淤积库容达645.92万m3。其中米拉沟坝系控制面积62 km2，骨干坝11座，自2008年坝系建成以来，已淤地面积11.08 hm2。从解译结果中可以发现，大部分淤地坝库内均有蓄水，高崖沟1#骨干坝、荒草山中型坝、大庄沟骨干坝、秦家湾骨干坝等下游均有农田，可以满足防汛条件下蓄水灌溉及农村生产生活等用水需求。在以坝代路方面，隆治沟池滩沟2#骨干坝的建成，将前山村到隆治乡政府的路程由以前的16 km缩短到5 km；米拉沟乐巴沟1#骨干坝和河西沟1#骨干坝的建成，直接连通了沟道两边的村子，避免了之前的绕山而行，既能缩短路程，又能保证出行安全。

表3 民和县39座淤地坝运行现状

6 应用前景及存在的限制

本研究以遥感及深度学习等技术为支撑，以具有滞洪减沙、淤地造田功能的淤地坝为研究对象，提出了一种能够应用于大尺度的淤地坝影像提取方法，并将其应用到青海省民和县。结果表明：相较于以往淤地坝在区域尺度上的调查存在低效及遗漏的情况，本研究采用的方法更方便、快捷，且准确；从提取的效果来看，淤地坝识别精度高达90%以上，这对及时获取淤地坝分布和运行状况等信息、强化防汛应急抢险，以及科学客观评价淤地坝建设成效等具有重要意义[4]。另外，只要收集到足够多的样本数据进行训练，该方法还可以应用到其他区域的淤地坝影像提取上。

受Google Earth影像质量及空间分辨率的限制，本研究只能应用到淤地坝影像的识别提取。在野外调查过程中，发现民和县中型以上病险淤地坝数量较多，尚未除险加固的骨干坝和中型坝占总数的50%左右，而在制作淤地坝样本时，淤地坝的病险特征无法在影像上呈现，因此该方法目前还不能应用到病险淤地坝影像的识别提取。但是，随着高时空分辨率遥感影像及无人机摄影技术的发展，可获取分辨率更高的影像数据，用于标注病险淤地坝，并制作成相应的样本标签用于模型训练，以完成病险坝影像的识别提取。