????復(fù)雜山區(qū)泥石流的突發(fā)性和夜發(fā)性使得災(zāi)害預(yù)警工作面臨巨大挑戰(zhàn)。相比雨量計(jì)、泥位計(jì)、斷線、視頻等傳統(tǒng)監(jiān)測技術(shù)，基于多普勒原理的微波雷達(dá)能有效擺脫對可見光的依賴，增加探測距離，雖可滿足全天候全天時(shí)的監(jiān)測需求，但實(shí)踐表明流域內(nèi)的風(fēng)吹草動(dòng)、落石、漲水等環(huán)境變化會(huì)導(dǎo)致雷達(dá)對泥石流的誤報(bào)。
????針對上述問題，成都山地所劉雙副研究員、胡凱衡研究員及其課題組聯(lián)合奧地利學(xué)者在泥石流雷達(dá)前期研究基礎(chǔ)上，充分考慮風(fēng)吹草動(dòng)、崩塌落石、溪水漲落、動(dòng)物活動(dòng)、車來人往等多種環(huán)境因素影響，通過大量的實(shí)地雷達(dá)測量與樣本采集，基于12種深度學(xué)習(xí)網(wǎng)絡(luò)并利用遷移學(xué)習(xí)算法，構(gòu)建了包含泥石流、落石在內(nèi)的多目標(biāo)分類判識(shí)模型。
????研究結(jié)果表明，大部分深度學(xué)習(xí)模型均能令人滿意地完成多目標(biāo)分類任務(wù)，最高準(zhǔn)確率可達(dá)95.46%。其中，對于泥石流和落石而言，vgg16、mobilenet_v2以及googlenet模型表現(xiàn)較為出色。此外，基于多個(gè)深度學(xué)習(xí)模型和投票策略相結(jié)合的集合判識(shí)方法能夠進(jìn)一步優(yōu)化目標(biāo)分類的準(zhǔn)確率和精度，降低虛警率，提高泥石流的監(jiān)測判識(shí)能力。
????上述研究為進(jìn)一步推進(jìn)山地災(zāi)害智能監(jiān)測預(yù)警提供了理論支撐，該成果近期以“Radar‐Based Deep Learning for Debris Flow Identification Amid the Environmental Disturbances”為題，發(fā)表在Nature Index期刊Geophysical Research Letters上。研究成果得到四川省科技計(jì)劃項(xiàng)目（2024NSFSC0072）、西藏自治區(qū)科技計(jì)劃項(xiàng)目（XZ202301ZY0039G）以及成都山地所自主部署項(xiàng)目（IMHE-ZDRW-01）的資助。
????鏈接
模型測試結(jié)果：（a）按準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)對多目標(biāo)分類評(píng)估的熱力圖。（b）使用投票分類器后多目標(biāo)分類的混淆矩陣。A~H依次代表水流、泥石流、經(jīng)幡、自然溝壑、行車行人、落石、植被、動(dòng)物（牦牛為主）