本站 2 月 15 日消息，山區泥石流災害的突發性與夜間發生特性使得災害預警面臨巨大挑戰。

傳統的監測技術如雨量計、泥位計、視頻監控等，存在一定的局限性；而基于多普勒原理的微波雷達則不依賴可見光，具備全天候、全天時的監測能力，但在實際應用中卻會因為風吹草動、落石、漲水等環境變化而導致誤報。

為了解決這一問題，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開展了泥石流雷達監測技術的改進研究。

他們在前期研究的基礎上，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，結合大量實地雷達測量與樣本采集，提出了基于深度學習的多目標分類判識方法。

研究團隊采用了 12 種深度學習網絡模型，并結合遷移學習算法，成功構建了一個針對泥石流和落石的多目標分類模型。

結果顯示，大部分深度學習模型能夠完成多目標分類任務，最高準確率達到了 95.46%。其中，vgg16、mobilenet_v2 和 googlenet 模型在泥石流與落石的分類識別上表現尤為優秀。

此外，研究人員還探索了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。該方法進一步優化了目標分類的準確性和精度，顯著降低了虛警率，增強了泥石流的監測判識能力。

本站附論文鏈接：https://doi.org/10.1029/2024GL112351