????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巨大挑戰。相比雨量計、泥位計、斷線、視頻等傳統監測技術，基于多普勒原理的微波雷達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。

????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合奧地利學者在泥石流雷達前期研究基礎上，充分考慮風吹草動、崩塌落石、溪水漲落、動物活動、車來人往等多種環境因素影響，通過大量的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。

????研究結果表明，大部分深度學習模型均能令人滿意地完成多目標分類任務，最高準確率可達95.46%。其中，對于泥石流和落石而言，vgg16、mobilenet_v2以及googlenet模型表現較為出色。此外，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，該成果近期以“Radar‐Based Deep Learning for Debris Flow Identification Amid the Environmental Disturbances”為題，發表在Nature Index期刊Geophysical Research Letters上。研究成果得到四川省科技計劃項目（2024NSFSC0072）、西藏自治區科技計劃項目（XZ202301ZY0039G）以及成都山地所自主部署項目（IMHE-ZDRW-01）的資助。

????鏈接

模型測試結果：（a）按準確率、精確率、召回率和F1分數對多目標分類評估的熱力圖。（b）使用投票分類器后多目標分類的混淆矩陣。A~H依次代表水流、泥石流、經幡、自然溝壑、行車行人、落石、植被、動物（牦牛為主）