復雜山區泥石流的突發性和夜發性使得災害預警工作面臨挑戰。與雨量計、泥位計、斷線、視頻等傳統監測技術相比，基于多普勒原理的微波雷達能夠擺脫對可見光的依賴，增加探測距離。這一技術可滿足全天候全天時的監測需求，但實踐表明流域內的風吹草動、落石、漲水等環境變化會導致雷達對泥石流的誤報。
 

　　中國科學院成都山地災害與環境研究所劉雙與胡凱衡課題組聯合奧地利學者，在泥石流雷達前期研究的基礎上，考慮風吹草動、崩塌落石、溪水漲落、動物活動、車來人往等環境因素的影響，通過大量實地雷達測量與樣本采集，基于12種深度學習網絡并利用遷移學習算法，構建了包含泥石流、落石在內的多目標分類判識模型。
 

　　結果表明，大部分深度學習模型均能完成多目標分類任務，最高準確率達95.46%。其中，對于泥石流和落石而言，vgg16、mobilenet_v2和googlenet模型表現較為出色。同時，基于多個深度學習模型和投票策略相結合的集合判識方法，能夠進一步優化目標分類的準確率和精度，降低虛警率，提高泥石流的監測判識能力。
 

　　上述研究為進一步推進山地災害智能監測預警提供了理論支撐。
 

　　近期，相關研究成果以Radar‐Based Deep Learning for Debris Flow Identification Amid the Environmental Disturbances為題，發表在《地球物理研究通訊》(Geophysical Research Letters)上。研究工作得到四川省科技計劃項目和西藏自治區科技計劃項目等的支持。
 

模型測試結果