2018年8月11日上午8:30左右，北京房山区大安山乡发生山体塌方，塌方量约3万立方米。所幸，由于当地群测群防安全员和公路养护工人及时发现险情并采取断路措施，塌方并未造成人员伤亡和车辆损失。日前，中国科学院成都山地灾害与环境研究所欧阳朝军副研究员团队根据此次滑坡特征和现场资料数据，并结合光流法捕捉技术、深度学习和动力学数值模拟方法，对此次崩滑灾害的动力学特性进行了分析和提取，获取了其运动速度、演化过程、堆积范围等关键性特征参数，可为下一步工程防治方案设计、其他潜在风险点危害评估提供技术支撑。
该团队利用特征轮廓匹配技术对网友提供的现场实时视频进行了精细化校正，并利用成都山地所自主研发的表面速度光流测量法对每帧像元进行了跟踪计算，有效提取到不同时刻的运动速度等重要信息。同时，还利用深度学习方法（DeepLab），采用人工智能方法自动高效的从影像视频中提取了不同时刻的滑坡运动位置和范围信息，相较于采用肉眼勾画的方式，实现了分析效率的大幅提高。
每年全球发生无数滑坡灾害，但是由于滑坡多发生在偏远山区，且具有很强的突发性，因此具有完整过程记录的滑坡视频非常少。为此，科研人员不得不开展大量室内模型试验，但受模型尺寸的限制，模型结果无法真实反映滑坡固有特性。而采用以上方式提取滑坡速度、演化过程等动力学特性对于开展滑坡反演、机理分析等研究具有重要的科学意义。
利用上述基础信息，该团队进一步通过自主开发的地表动力过程计算模拟软件Massflow（www.massflow-software.com）,开展了崩塌体动力过程计算模拟，并与提取的速度、范围等数据进行对比分析，再次校核了模型和计算参数。校核后的模型和参数可以为此次崩塌体后续治理方案设计、本地区其他潜在滑坡风险评估提供技术支撑。
该研究得到了国家重点研发专项(2017YFC1501000)、国家自然科学基金（41572303）、中国科学院前沿科学重点研究项目（QYZDY-SSW-DQC006）和中国科学院青年创新促进会项目的支持。
原始视频（左）与表面速度光流测量法提取的滑坡体速度（右）
DeepLab提取的滑坡演化过程（左）和Massflow滑坡过程数值模拟及参数校核（右）