通过深度学习，中国科学院构建了山区泥石流监测模型，最高准确率为95.46%

IT 世家 2 月 15 每天都有消息称，山区泥石流灾害的突发性和夜间发生的特点使灾害预警面临巨大挑战。

传统的监控技术，如雨量计、泥位计、视频监控等。，有一定的局限性；基于多普勒原理的微波雷达不依赖能见光，具有全天候、全天候的监控能力，但在实际应用中会因动静、落石、涨水等环境变化而引发乱报。

为了解决这个问题，中国科学院成都山地灾害与环境研究所刘双与胡凯衡研究小组联合奥地利学者开展了改进泥石流雷达监测技术的研究。

在初步研究的基础上，他们结合大量现场雷达测量和样本采集，提出了基于深度学习的多目标分类识别方法，考虑到动静、塌石、溪水起伏、动物活动、汽车来来往往等环境因素的影响。

研究小组使用了它 12 一种深度学习网络模型，结合转移学习算法，成功构建了一种多目标的泥石流和落石分类模型。

数据显示，大多数深度学习模型可以完成多目标分类任务，达到最高精度 95.46%。vgg16、mobilenet_v2 和 googlenet 在泥石流和落石的分类识别方面，模型尤为突出。

此外，研究人员还探索了基于多种深度学习模式和投票策略的集体识别方法。该方法进一步优化了目标分类的准确性和准确性，显著降低了虚假警报率，增强了泥石流的监控和识别能力。

IT 家庭论文链接：

https://doi.org/10.1029/2024GL112351

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com