中国科学院用 AI 深度学习构建山区泥石流和落石监测模型，准确率达 95.46%

IT之家 2 月 15 日报道称，山区泥石流灾害的突发性特征以及夜间发生的情况给灾害预警带来了极大挑战。

传统的监测技术如雨量计、泥位计、视频监控等存在一定局限性；而基于多普勒原理的微波雷达不受可见光影响，具备全天候监测能力，但在实际应用中可能会因风吹草动、落石、涨水等环境变化导致误报。

为了解决这一难题，中国科学院成都山地灾害与环境研究所的刘双和胡凯衡课题组与奥地利学者展开了泥石流雷达监测技术的改进研究。

通过考虑风吹草动、崩塌落石、溪水涨落、动物活动、车辆通行等环境因素的影响，在大量实地雷达测量和样本采集基础上，他们提出了基于深度学习的多目标分类判别方法。

研究小组采用了12种深度学习网络模型，结合迁移学习算法，成功构建了一种针对泥石流和落石的多目标分类模型。

研究结果显示，大多数深度学习模型能够完成多目标分类任务，最高准确率达到95.46%。其中，在泥石流和落石的分类识别方面，vgg16、mobilenet_v2和googlenet模型表现突出。

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分类方法。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别能力。

IT之家提供论文链接：
https://doi.org/10.1029/2024GL112351

广告声明：文中包含的外部链接用于传达更多信息，节省选择时间，结果仅供参考。