在全球气候变暖背景下，泥石流等灾害发生频率呈上升趋势。确定泥石流发生条件（降雨阈值）是实现有效预报预警的关键。传统方法常因参数选择主观、数据参差不齐等导致阈值误差较大，难以满足实际预警需求，且往往难以追循误差的原因。
针对这一科学问题，成都山地所郭晓军研究员团队将人工智能方法创新性地引入小流域泥石流降雨阈值不确定性研究。该团队运用非线性高斯核支持向量机（NGK-SVM）筛选最优预测参数和流程，解决了传统统计方法难以捕捉降雨与泥石流关联的问题，并结合 SHapley 可解释性分析（SHAP）量化了各降雨参数对预报结果的贡献程度，评估各参数的重要性及其对结果的影响，克服了人工智能的 “黑箱” 困境。
研究团队将该不确定性评估方法应用于我国西南小江流域的蒋家沟，基于 历史降雨和泥石流监测数据，系统评估了泥石流起始时间、雨量站选择和降雨参数等关键环节对阈值的影响，并利用前期雨量、诱发雨量和降雨历时的参数组合构建了最优阈值。同时，研究发现，不同形成模式泥石流的降雨阈值存在显著差异。
这一研究成果通过人工智能技术明晰了参数选择的不确定性，深化了对泥石流形成机制的理解，不仅提升了泥石流降雨阈值的准确性和可靠性，更为优化预警模型提供了重要的方法论支撑，有助于提升山区泥石流防灾减灾能力。
该研究得到国家自然科学基金等项目的资助，相关成果以 “Rainfall thresholds of debris flows built with assistance of artificial intelligence in a small catchment” 为题，发表在Journal of Hydrology上。成都山地所硕士研究生张思玲为论文第一作者，郭晓军研究员为通讯作者。
