科技发布厅丨全球首个！四川团队研发地震诱发滑坡近实时智能预测模型，精度达82%

川观新闻记者 兰珍

一分钟内预测全球任何地震诱发滑坡的空间概率，平均精度达82%，比国际现有模型准确率提高了约20%。5月12日是全国防灾减灾日，川观新闻记者从地质灾害防治与地质环境保护全国重点实验室获悉，日前，该实验室主任、成都理工大学教授范宣梅及团队在全球地震诱发地质灾害智能预测方面取得重要进展，相关成果以“Deep learning can predict global earthquake-triggered landslides”为题，发表在国际期刊National Science Review（《国家科学评论》）。

据团队介绍，该研究基于过去50年来38次强震诱发的40余万处滑坡，建立了目前全球最大的地震诱发滑坡数据库，结合深度学习算法，研发了智能预测模型，能够快速预测全球任何地震诱发滑坡的空间概率，平均精度达82%，计算时间由原来的数天缩短到小于1分钟，实现了地震诱发地质灾害的近实时预测。

1970年以来全球地震诱发滑坡事件的空间分布和地震带—气候分区。受访者供图

该成果可以在震前对地震高风险区进行灾害风险情景推演，也可在震后快速评估地质灾害空间分布，为震前防灾规划和震后应急救援提供重要科技支撑。

过去20年，全球强震频发，平均每月都会发生一次7级以上强震，山区强震诱发次生地质灾害是造成地震伤亡的重要因素。例如，2015年尼泊尔7.9级地震滑坡造成的伤亡占总伤亡的40%以上。

精准预测强震诱发地质灾害，建立一个适用于全球不同地质环境条件的强震诱发地质灾害预测模型，成为地质灾害领域的国际前沿科学问题。

传统基于物理机理的Newmark方法（结构动力学中广泛使用的数值技术），由于对物理力学参数的要求较高，仅适用于小范围评估。近年来，随着遥感等观测数据增加，部分研究采用统计方法和机器学习，建立历史滑坡样本和控制因素的经验映射，解决了对物理力学参数高度依赖的问题，但面临样本代表性与跨区域泛化能力不足的挑战。

范宣梅团队是如何破题的呢？

首先，研究团队从1970年以来全球范围内6级以上地震中筛选出38次典型事件，结合遥感智能识别与人工核验，解译了近40万处滑坡样本，构建规模大、质量高的全球地震诱发滑坡数据库。进而，将地震事件划分为环太平洋和阿尔卑斯—喜马拉雅两大地震带，以及寒带、温带与赤道带三大气候区，用来提升不同区域地质环境条件下模型的泛化能力。

其次，基于对强震诱发滑坡机理的认识，研究团队对17项影响因子进行分析，发现地面峰值加速度（PGA）、坡度与岩性是全球范围内地震诱发滑坡的主控因素：PGA直接反映地震动能量释放强度，坡度决定斜坡自身稳定性阈值，岩性则影响岩土体的物理力学特性。

值得注意的是，不同地震带—气候区的滑坡控制因子呈现显著空间分异性，反映了地质背景与气候外营力（地球外部能源驱动、通过气候、水文等自然过程改变地表形态的力）协同作用对滑坡动力过程的差异影响。这就突破了传统预测模型“一刀切”的局限。

再者，该研究创新设计了多尺度全卷积回归网络（一种用于处理不同尺度特征的深度学习模型），‌结合通道—空间注意力模块，实现了诱发滑坡关键特征的自动提取、聚焦与融合。

模型采用“全球—区域双轨制”，在赤道和温带等事件和数据充足的区域采用区域模型，通过区域化训练充分优化参数，获得更高的预测精度；在事件和样本匮乏的寒区场景则采用全球模型，凭借海量多样的训练样本能够保障稳健的预测下限，有效避免过拟合风险。

据了解，研究将通过探索“机理与数据联合驱动”方法，进一步提升模型预测精度和响应速度。未来有望将降雨预报和余震分析等更多触发条件纳入预测模型，同时结合人口、房屋、基础设施等数据，实现多因素驱动的地质灾害风险预测大模型。