复杂山区泥石流的突发性和夜发性使得灾害预警工作面临巨大挑战。相比雨量计、泥位计、断线、视频等传统监测技术，基于多普勒原理的微波雷达能有效摆脱对可见光的依赖，增加探测距离，虽可满足全天候全天时的监测需求，但实践表明流域内的风吹草动、落石、涨水等环境变化会导致雷达对泥石流的误报。
针对上述问题，成都山地所刘双副研究员、胡凯衡研究员及其课题组联合奥地利学者在泥石流雷达前期研究基础上，充分考虑风吹草动、崩塌落石、溪水涨落、动物活动、车来人往等多种环境因素影响，通过大量的实地雷达测量与样本采集，基于12种深度学习网络并利用迁移学习算法，构建了包含泥石流、落石在内的多目标分类判识模型。
研究结果表明，大部分深度学习模型均能令人满意地完成多目标分类任务，最高准确率可达95.46%。其中，对于泥石流和落石而言，vgg16、mobilenet_v2以及googlenet模型表现较为出色。此外，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能够进一步优化目标分类的准确率和精度，降低虚警率，提高泥石流的监测判识能力。
上述研究为进一步推进山地灾害智能监测预警提供了理论支撑，该成果近期以“Radar‐Based Deep Learning for Debris Flow Identification Amid the Environmental Disturbances”为题，发表在Nature Index期刊Geophysical Research Letters上。研究成果得到四川省科技计划项目（2024NSFSC0072）、西藏自治区科技计划项目（XZ202301ZY0039G）以及成都山地所自主部署项目（IMHE-ZDRW-01）的资助。
模型测试结果：（a）按准确率、精确率、召回率和F1分数对多目标分类评估的热力图。（b）使用投票分类器后多目标分类的混淆矩阵。A~H依次代表水流、泥石流、经幡、自然沟壑、行车行人、落石、植被、动物（牦牛为主）