IT之家 2 月 15 日消息，山区泥石流灾害的突发性与夜间发生特性使得灾害预警面临巨大挑战。
传统的监测技术如雨量计、泥位计、视频监控等，存在一定的局限性；而基于多普勒原理的微波雷达则不依赖可见光，具备全天候、全天时的监测能力，但在实际应用中却会因为风吹草动、落石、涨水等环境变化而导致误报。
为了解决这一问题，中国科学院成都山地灾害与环境研究所刘双与胡凯衡课题组联合奥地利学者开展了泥石流雷达监测技术的改进研究。
他们在前期研究的基础上，考虑风吹草动、崩塌落石、溪水涨落、动物活动、车来人往等环境因素的影响，结合大量实地雷达测量与样本采集，提出了基于深度学习的多目标分类判识方法。
研究团队采用了 12 种深度学习网络模型，并结合迁移学习算法，成功构建了一个针对泥石流和落石的多目标分类模型。
结果显示，大部分深度学习模型能够完成多目标分类任务，最高准确率达到了 95.46%。其中，vgg16、mobilenet_v2 和 googlenet 模型在泥石流与落石的分类识别上表现尤为优秀。
此外，研究人员还探索了基于多个深度学习模型和投票策略相结合的集合判识方法。该方法进一步优化了目标分类的准确性和精度，显著降低了虚警率，增强了泥石流的监测判识能力。
IT之家附论文链接：
https://doi.org/10.1029/2024GL112351
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。