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)警工作面臨挑戰(zhàn)。與雨量計(jì)、泥位計(jì)、斷線(xiàn)、視頻等傳統(tǒng)監(jiān)測(cè)技術(shù)相比，基于多普勒原理的微波雷達(dá)能夠擺脫對(duì)可見(jiàn)光的依賴(lài)，增加探測(cè)距離。這一技術(shù)可滿(mǎn)足全天候全天時(shí)的監(jiān)測(cè)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(duì)泥石流的誤報(bào)。
中國(guó)科學(xué)院成都山地災(zāi)害與環(huán)境研究所劉雙與胡凱衡課題組聯(lián)合奧地利學(xué)者，在泥石流雷達(dá)前期研究的基礎(chǔ)上，考慮風(fēng)吹草動(dòng)、崩塌落石、溪水漲落、動(dòng)物活動(dòng)、車(chē)來(lái)人往等環(huán)境因素的影響，通過(guò)大量實(shí)地雷達(dá)測(cè)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(lèi)判識(shí)模型。
結(jié)果表明，大部分深度學(xué)習(xí)模型均能完成多目標(biāo)分類(lèi)任務(wù)，最高準(zhǔn)確率達(dá)95.46%。其中，對(duì)于泥石流和落石而言，vgg16、mobilenet_v2和googlenet模型表現(xiàn)較為出色。同時(shí)，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(lèi)的準(zhǔn)確率和精度，降低虛警率，提高泥石流的監(jiān)測(cè)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(cè)預(yù)警提供了理論支撐。
近期，相關(guān)研究成果以Radar‐Based Deep Learning for Debris Flow Identification Amid the Environmental Disturbances為題，發(fā)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(jì)劃項(xiàng)目和西藏自治區(qū)科技計(jì)劃項(xiàng)目等的支持。
論文鏈接
模型測(cè)試結(jié)果
