【儀表網 研發(fā)快訊】復雜山區(qū)泥石流的突發(fā)性和夜發(fā)性使得災害預警工作面臨挑戰(zhàn)。與雨量計、泥位計、斷線、視頻等傳統(tǒng)監(jiān)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(jiān)測需求，但實踐表明流域內的風吹草動、落石、漲水等環(huán)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(huán)境研究所劉雙與胡凱衡課題組聯(lián)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(huán)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(xiàn)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(yōu)化目標分類的準確率和精度，降低虛警率，提高泥石流的監(jiān)測判識能力。
上述研究為進一步推進山地災害智能監(jiān)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(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劃項目和西藏自治區(qū)科技計劃項目等的支持。
模型測試結果
所有評論僅代表網友意見，與本站立場無關。