基于多普勒雷达的突发性灾害体智能识别

Intelligent Identification of Sudden Geohazard Bodies Based on Doppler Radar

摘要

针对突发性地质灾害识别的高精度与实时性需求，提出了一种适用于多普勒雷达的轻量级多尺度特征融合网络DRWAF-Net（doppler radar wavelet attention fuse network），通过小波变换与注意力机制协同优化，实现了复杂地表环境下泥石流、滚石等灾害体的实时识别.研究充分利用多普勒雷达动态捕获灾害体距离与速度的能力，整合环境干扰下的泥石流数据集与RDRD数据集的核心要素，针对性构建了突发地质灾害场景的多普勒雷达数据集.实验结果表明，DRWAF-Net以2.38 M参数量、9.27 MB模型大小和6.31 ms推理速度，使准确率（96.77%）、精确率（96.90%）、召回率（96.77%）和F1分数（96.77%）均在测试集上达到最优水平.消融实验验证，结合多输入注意力门控（MIAG）机制的DRWAF-Net较基准模型提升识别率1.87%~3.13%.通过轻量化设计与实时推理优化，为突发性地质灾害应急响应提供了实时、智能的监测方案.

Abstract

To address the demands for high-accuracy and real-time identification of sudden geological hazards, a lightweight multi-scale feature fusion network for Doppler radar, termed DRWAF-Net (doppler radar Wavelet Attention Fuse Network), is proposed. By jointly integrating wavelet transform and attention mechanisms, the proposed method enables real-time recognition of debris flows, rockfalls, and other hazard targets under complex surface conditions. The study fully exploits the capability of Doppler radar to dynamically capture the range and velocity characteristics of moving hazard bodies, and constructs a Doppler radar dataset for sudden geological hazard scenarios by integrating key elements from a debris flow dataset under environmental interference and the RDRD dataset. Experimental results show that DRWAF-Net achieves superior performance on the test set with only 2.38 M parameters, a model size of 9.27 MB, and an inference time of 6.31 ms, attaining an accuracy of 96.77%, precision of 96.90%, recall of 96.77%, and an F1-score of 96.77%. Ablation experiments further demonstrate that the introduction of a multi-input attention gating (MIAG) mechanism improves recognition accuracy by 1.87%-3.13% compared with baseline models. Owing to its lightweight design and real-time inference capability, the proposed approach provides an effective and intelligent monitoring solution for emergency response to sudden geological hazards.

Graphical abstract

关键词

突发性地质灾害 / 深度学习 / 多普勒雷达 / 目标识别 / 注意力机制 / 工程地质学.

Key words

sudden geological hazard / deep learning / Doppler radar / target recognition / attention mechanism / engineering geology

0 引言

全球气候变化加剧及人类活动影响下，泥石流、滚石、崩塌等突发性地质灾害频发（Rickenmann，1999；Jakob and Lambert，2009）.这些灾害由岩石风化、地震、降雨或融雪等因素触发，具有突发性强、破坏性大、预警难度等典型特征（何思明等，2014；左力艳和杨建锋，2023）.2014年“8·3”鲁甸地震致使超617人死亡，经济损失4.602 6亿元，武警云南边防总队救援队谢樵在救援过程中被落石击中，不幸牺牲（石岩和孟宪虎，2014；修济刚和陈宇鸣，2014；罗璟，2020）.2019汶川“8·20”特大山洪泥石流席卷全县100%乡镇，致90%以上群众受灾，造成至少16人死亡，直接经济损失约36亿元，水磨镇政府消防专职队1车7名消防员救援途中遭遇突发山洪泥石流，造成班长更斯穷牺牲、4人受伤（昌开馨，2019；李明威等，2021；罗玉婷，2021）.这些灾害事件凸显了对地质灾害应急响应时，做到实时监测预警的重要性.

在突发性地质灾害应急响应中，快速准确的灾害类型识别直接影响救援效率与资源配置（La et al.，2022）.传统地质灾害监测手段在实时性与精准性方面存在显著不足.卫星遥感技术（如Landsat、Sentinel-2和Sentinel-1等）依赖重访周期获取时间序列化光谱和SAR图像，时间分辨率从Radarsat的数周至WorldView卫星群的1 d不等，难以捕捉短时突发灾害动态；地面SAR技术（GBSAR）虽可实现2 min亚毫米级数据采集，但对快速运动目标（速度>1.8 m/h）的识别能力有限；地面传感器监测系统受限于数据稀疏性、环境干扰及监测盲区，难以满足实时、精准预警的需求（崔鹏等，2000；赵延广和雷斌，2022；Casagli et al.，2023）.相较传统手段，多普勒雷达通过捕捉动态目标的运动特征，可实时获取灾害体的速度（>1 m/s）、距离等关键参数（Michelini et al.，2020），为地质灾害监测提供了新的技术路径.其高精度与强实时性已得到实际应用验证：HYDRA-G ArcSAR雷达系统和多普勒雷达系统RockSpot等成功监测到Poggio Baldi滑坡碎屑流运动过程和多次落石事件（Romeo et al.，2021），并有效跟踪了露天矿中的落石（Michelini et al.，2020）以及阿尔卑斯山区的数次雪崩和岩崩事件（Viviani et al.，2020）.然而，在灾害类型复杂多变的场景下，现有技术仍难以实现灾害类型的实时准确识别，这一瓶颈问题成为制约地质灾害应急响应效能提升的关键.

当前雷达目标识别技术主要沿着3个方向发展，但各自存在明显局限性.基于数据库的模板匹配方法通过构建高精度模板库实现目标比对，在已知目标库完备时展现出较高识别精度（Huether et al.，2001；王琨鹏等，2014；张林等，2014；张鹏宇等，2022）.但该范式存在3点不足：识别性能与模板数量呈强正相关，计算复杂度随数据库规模指数级增长；特征模板的空间分辨率与角度覆盖度要求形成工程实现的悖论；面对未录入模板库的灾害体类型，系统将丧失识别能力（Zhou et al.，2019）.基于统计学习领域的贝叶斯框架构建分类模型，依托先验知识库实现概率推理，在先验分布已知时表现良好（Chiang et al.，2000；沈妍琰等，2020；李巧等，2024）.但其性能受制于海量灾害体样本所支撑的准确条件概率密度，以及单一灾害点的局部概率分布，难以泛化（Dubey et al.，2021）.深度学习技术的引入显著提升了雷达目标识别的鲁棒性和泛化能力，突破了传统方法依赖人工设计特征的局限.当前主流深度学习模型分为Transformer架构（Vaswani et al.，2017）和卷积神经网络（convolutional neural network，CNN）（Rawat and Wang，2017；Ajit et al.，2020；Li et al.，2022）：前者全局建模能力强但计算复杂度高、参数量大，难以满足雷达的实时性要求；而CNN凭借局部感受野和参数共享机制，在局部特征提取和计算效率上更具优势（刘石狮，2024）.

结合雷达信号特性，学界提出了类时频分析结合CNN的创新路径.如马腾等（2024）使用CNN结合长短期记忆网络（long short-term memory，LSTM）构建的CNN-LSTM混合模型成功捕获雷达散射截面（radar cross section，RCS）信号的空间-时序特征，凸显了深度神经网络处理复杂雷达数据的潜力.Wang et al.（2019）构建的雷达微多普勒特征空间刚性目标分类模型、Roldan et al.（2020）提出的DopplerNet模型、Liu et al.（2025）针对复杂情况下识别泥石流的投票模型等，这些深度学习模型都是通过自主学习事件特征，显著提升了目标识别性能.然而，现有方法仍存在双重挑战：一方面，复杂环境下的广域多级特征提取需高容量模型支撑，导致参数规模与计算耗时急剧增加（Boonpook et al.，2021）；另一方面，基于多帧序列的分析方法受制于雷达扫描间隔（典型值400 ms/帧）（Roldan et al.，2020），DopplerNet模型要得到最佳结果需要两帧作为输入需耗时800 ms，在灾害应急等时效敏感场景难以满足实时响应需求.因此，如何在保持高分类精度的同时，实现模型的轻量化设计与实时推理能力，成为制约深度学习在雷达目标识别领域深度应用的关键问题.

针对上述关键问题，本研究提出了一种基于多普勒雷达的突发性地质灾害识别模型DRWAF-Net（doppler radar wavelet attention fuse network）.该模型通过改进的注意力门控机制来改进小波卷积以构建轻量级多尺度特征融合网络，对雷达的单帧信号进行高效识别，旨在提高灾害监测的准确性和实时性（推理时间≤16 ms/帧）.在此基础上，设计消融实验验证注意力门控机制模块的有效性，并使用面向突发地质灾害应急响应数据集，通过与Vgg16、ResNet50、MobileNet-v3、ConvNeXt以及DopplerNet等模型的对比试验，全面评估了模型的性能优势.

1 面向突发地质灾害应急响应数据集

为构建适用于突发地质灾害应急响应现场的多普勒雷达数据集，本研究整合了环境干扰下的泥石流数据集（Liu et al.，2025）与RDRD数据集（Roldan et al.，2020）的核心要素，覆盖面向应急响应核心需求的7分类融合数据集.该数据集聚焦灾害现场高频核心目标：泥石流数据集提供的灾害本体与次生灾害（泥石流、落石、水流3类，各3 000样本）作为灾情判识的直接威胁来源；环境干扰植被（3 000个样本）用于增强算法在复杂植被背景下的鲁棒性，抑制灾害目标误检；整合RDRD数据集中的应急响应载体（车辆、无人机各3 000样本）与现场人员（3 000样本）则支撑空地协同的救援调度与人员安全保障.综上，数据集共涵盖7类21 000个样本，系统性覆盖灾害威胁感知、环境干扰抑制、救援力量及人员安全保障等关键环节.

为此，本研究在去除掉环境干扰下的泥石流数据集中明显异常的数据后，鉴于所有距离-多普勒频率谱图的坐标尺度与色标范围统一，使用Python的工具包Pillow对剩余原始图像进行智能裁剪，提高有效信息占比.此外，将裁剪后的图像统一缩放至标准输入尺寸（长宽均为224像素），以适应网络模型的架构要求（图1a）.

为使RDRD数据集的表格数据能适用于本研究的多普勒雷达网络模型，使用Python的工具包Pandas和Matplotlib将各表格文件绘制为距离-多普勒频率谱图.采用与环境干扰下的泥石流数据集色标映射一致的“jet”，并对每个距离-多普勒矩阵进行最小-最大归一化（Min-Max Normalization），使得归一化后的能量分布数据分配到相应色标.然后，根据距离-多普勒矩阵的横纵轴比率确定自适应像素比，从而绘制标准尺寸的距离-多普勒谱图（图1b）.

其中，最小-最大归一化和自适应像素比的计算公式为：

X_i^{\text{'}}=\frac{X_i-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}{X_{\mathrm{m}\mathrm{a}\mathrm{x}}-X_{\mathrm{m}\mathrm{i}\mathrm{n}}},（1）

\mathrm{a}\mathrm{s}\mathrm{p}\mathrm{e}\mathrm{c}\mathrm{t}=\frac{N_{\mathrm{c}}}{N_{\mathrm{r}}},（2）

式中：X_i是未归一化的原始数据，X_{\mathrm{m}\mathrm{i}\mathrm{n}}是当前距离-多普勒矩阵中的最小值，X_{\mathrm{m}\mathrm{a}\mathrm{x}}是当前距离-多普勒矩阵中的最大值，X_i^{\text{'}}是归一化后的结果.\mathrm{a}\mathrm{s}\mathrm{p}\mathrm{e}\mathrm{c}\mathrm{t}为自适应像素比，N_{\mathrm{c}}为距离-多普勒矩阵的列数，N_{\mathrm{r}}为距离-多普勒矩阵的行数.根据自适应像素比绘制的数据集可以有效避免传统的深度学习中，为了统一输入层尺寸而进行缩放（Resize）所使用的诸如双线性、最近邻等插值算法所造成的信息丢失.

2 适用于多普勒雷达的网络模型

2.1　注意力门控型小波变换特征融合网络

由于多普勒谱图是以色块表征灾害体信息，不但需要关注色块位置和颜色，更要注意相连色块所构成的色带所形成的水平、垂直以及形状差异.因此，为有效提取多普勒谱图的深层、判别性特征，笔者提出了一种新颖的轻量级多尺度特征融合网络——适用于多普勒雷达的注意力门控型小波变换特征融合网络（doppler radar wavelet attention fuse network，DRWAF-Net）.为提高模型准确率，采用了类似特征金字塔（feature pyramid networks，FPN）、Inception模块等常用多尺度特征提取方法（Szegedy et al.， 2015；Yu and Koltun， 2016；Cai et al.， 2016；Lin et al.， 2017）.DRWAF-Net的核心设计理念在于层级特征精炼与高效信息流控制，其骨干网络架构由一系列精心设计的定制化下采样特征提取模块（DownScalingWTAGConv2dBlock）顺序堆叠而成.

如图2a所示，距离-多普勒频率谱图（原始数据输入）输入网络后，先后经历5层级联的DownScalingWTAGConv2dBlock提取特征并逐渐压缩空间维度，以增加通道数量的方式来增强特征判别性.末级DownScalingWTAGConv2dBlock输出经展平后接入预测头（Predict Head），缩减通道至128维后，应用Softmax函数进行分类（图2c）.这使得预测头在平衡特征丰富度与计算效率的同时避免了过参数化，并且因其独立于主干网络，可设计不同任务的预测头有便于应对相应任务.

2.2　下采样特征提取模块

如图2b所示，DownScalingWTAGConv2dBlock的核心创新之处在于其巧妙集成的注意力门控型小波卷积模块（WTAGConv2dBlock）.该模块充分利用小波变换强大的多尺度分析能力，对特征进行精准提取，这能够捕捉到不同尺度下的关键信息，从而为后续的处理提供更为丰富和细致的特征表示.在此基础上，WTAGConv2dBlock模块内嵌的多输入注意力门控机制（multi-input attention gate，MIAG）进一步发挥了关键作用，它能够依据特征的重要性和相关性，自适应地对来自多个输入的特征进行融合与强化，使得关键特征得以凸显，同时抑制不相关或次要的特征信息，进而提升了特征表达的判别性和有效性，为网络的性能提升奠定了坚实基础.

在完成特征提取与初步处理后，为了降低特征图的空间分辨率，保留最为显著的特征响应，DownScalingWTAGConv2dBlock采用了最大池化（MaxPool2d）操作进行下采样.MaxPool2d通过在指定的窗口区域内选取最大值，不仅有效地减少了特征图的尺寸，降低了计算复杂度，还保留了局部区域内的最显著特征，增强了模型对特征的鲁棒性和泛化能力，使网络能够更加关注于具有重要信息的特征部分，进一步提升了模型的性能和效率.

最后，为充分挖掘和利用特征通道之间的相互依赖关系，DownScalingWTAGConv2dBlock引入了高效通道注意力模块（efficient channel attention block，ECABlock）.该模块以轻量级的方式对通道间的关系进行建模，通过学习通道之间的相关性权重，对特征通道进行重新校准，使得网络能够更加关注于信息量丰富、对任务更为关键的特征通道，从而优化了特征表达，进一步提升了网络的性能和效率.

2.3　注意力门控型小波卷积模块

注意力门控型小波卷积模块，即WTAGConv2dBlock创新性地融合MIAG与小波二维卷积模块（WTConv2d）的优势：WTConv2d拥有更宽广的感受野（Finder et al.，2024），单个卷积模块即能获取FPN、Inception模块类似的感受野，能够有效捕捉目标的形状特征；MIAG自适应融合WTConv2d运算中的多尺度信息，显著增强了模型对关键特征的聚焦能力与特征融合的自适应性.最终，使用AG模块（attention gate）代替了原本WTConv2d所做的求和运算，有效抑制了无关噪声或冗余信息（图3）.

WTAGConv2dBlock是提取目标特征的最主要的模块，相较于没有引入MIAG的WTConv2d模块而言，具有更高的预测准确率；相较于传统的多尺度卷积在减少模型参数量和降低计算复杂度方面具有明显优势（如Inception V3参数量达24.36 M，而DRWAF-Net参数量仅2.38 M），同时能够更高效且高质量地完成特征提取任务.

2.3.1　多输入注意力门控

为扩展传统Attention Gate的多输入处理能力，本研究受Transformer中Query-Key-Value架构的启发，首次提出了基于交叉注意力机制的多输入注意力门控机制（MIAG）.该模块允许各输入特征经过分离的特征流，担任本体表示（Queries）和评估依据（Keys）双重角色，通过综合所有输入的特征交互，计算空间自适应的注意力门限（Attention），赋予各输入特征（Value）以注意力权重，实现智能的多源输入特征融合（图4a）.

此设计突破了传统Attention Gate仅支持双输入的限制，Q、K、V都来自同一输入，实现了基于交叉参考的特征选择，动态生成的空间权重起到“门控”作用，保留了Attention Gate的核心思想.其数学表达式等价如下：

\mathrm{O}\mathrm{u}\mathrm{t}\mathrm{p}\mathrm{u}{\mathrm{t}}_i=V_i\cdot \sigma {\left(\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{v}\left(\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{c}\mathrm{a}\mathrm{t}\left({\left\{Q_j\right\}}_{\mathrm{1}}^N,{\left\{K_j\right\}}_{\mathrm{1}}^N\right)\right)\right)}_i,(3)

式中：V_i是\mathrm{I}\mathrm{n}\mathrm{p}\mathrm{u}{\mathrm{t}}_i未经处理的原始特征值；{\left\{Q_j\right\}}_{\mathrm{1}}^N与{\left\{K_j\right\}}_{\mathrm{1}}^N分别表示所有输入的\mathrm{Q}\mathrm{u}\mathrm{e}\mathrm{r}\mathrm{i}\mathrm{e}\mathrm{s}特征集合与\mathrm{K}\mathrm{e}\mathrm{y}\mathrm{s}特征集合；\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{c}\mathrm{a}\mathrm{t}用于执行通道维度拼接操作，将所有输入的\mathrm{Q}\mathrm{u}\mathrm{e}\mathrm{r}\mathrm{i}\mathrm{e}\mathrm{s}特征集合与\mathrm{K}\mathrm{e}\mathrm{y}\mathrm{s}特征集合从维度上拼接在一起；\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{v}是注意力生成器的卷积层序列，亦是图4b中的\mathrm{Q}\mathrm{u}\mathrm{e}\mathrm{r}\mathrm{i}\mathrm{e}{\mathrm{s}}_{(i)}和\mathrm{K}\mathrm{e}\mathrm{y}{\mathrm{s}}_{(i)}表示的一乘一卷积模块与ReLU激活函数的组合处理；\sigma是Sigmoid激活函数，它允许不同输入的注意力图进行独立激活；\mathrm{O}\mathrm{u}\mathrm{t}\mathrm{p}\mathrm{u}{\mathrm{t}}_i是\mathrm{I}\mathrm{n}\mathrm{p}\mathrm{u}{\mathrm{t}}_i与计算注意力图逐元素相乘的结果，亦是经过MIAG模块处理的输出结果.

2.3.2　小波二维卷积

基于小波变换构建的小波二维卷积模块（WTConv2d）提高了对形状的敏感性，为CNN提供更大的感受野，并增强了网络的鲁棒性（Finder et al.，2024）.通过指定的小波函数\psi和分解级数j将信号把图像进行逐级分解，各级均涵盖了近似子带（LL）、水平细节子带（LH）、垂直细节子带（HL）和对角细节子带（HH）的4种不同频率和尺度的成分（图3b）.这种多尺度分析方法使得信号的特征可以从多个层次进行分析，从而更容易识别信号中的瞬态特征以及突变等多尺度关键特征.

\begin{array}{c}LL\left(j,k\right)={\sum }_{m,n}f\left(m,n\right)\bullet \varphi \left({\mathrm{2}}^{j}m-k\right)\bullet \varphi \left({\mathrm{2}}^{j}n-k\right)\\ LH\left(j,k\right)={\sum }_{m,n}f\left(m,n\right)\bullet \varphi \left({\mathrm{2}}^{j}m-k\right)\bullet \psi \left({\mathrm{2}}^{j}n-k\right)\\ HL\left(j,k\right)={\sum }_{m,n}f\left(m,n\right)\bullet \psi \left({\mathrm{2}}^{j}m-k\right)\bullet \varphi \left({\mathrm{2}}^{j}n-k\right)\\ HH\left(j,k\right)={\sum }_{m,n}f\left(m,n\right)\bullet \psi \left({\mathrm{2}}^{j}m-k\right)\bullet \psi \left({\mathrm{2}}^{j}n-k\right)\end{array},（4）

式中：LL是近似子带，LH是水平细节子带，HL是垂直细节子带，HH是对角细节子带，f\left(m,n\right)是输入的二维离散信号，\varphi是尺度函数，\psi是小波函数，j是分解的尺度（分解级数），k是平移参数.

本研究中，为保持网络性能与计算的实时性，分解级数j始终为1；小波函数\psi选择的是计算复杂度较低，适合处理多普勒谱图的Haar小波.其表达式如下：

(5)

式中：f\left(x\right)表示Haar小波函数，x表示输入值.通过该变换，可以降低输入数据的维度，提高深度学习模型的训练效率.当使用Haar小波进行二维离散小波变换时，其对应尺度函数\varphi和小波函数\psi的系数如下：

\genfrac{}{}{0pt}{}{\varphi =\left[\frac{\mathrm{1}}{\sqrt[]{\mathrm{2}}},\frac{\mathrm{1}}{\sqrt[]{\mathrm{2}}}\right]}{\psi =\left[\frac{\mathrm{1}}{\sqrt[]{\mathrm{2}}},-\frac{\mathrm{1}}{\sqrt[]{\mathrm{2}}}\right]}.(6)

根据公式（4）与公式（6），为了利用实现Haar小波二维卷积，需要使用以下4组滤波器以步幅为2进行深度卷积（Finder et al.，2024）：

\begin{array}{cc}{f}_{LL}=\frac{\mathrm{1}}{\mathrm{2}}\left[\begin{array}{cc}\mathrm{1}& \mathrm{1}\\ \mathrm{1}& \mathrm{1}\end{array}\right],& f_{LH}=\frac{\mathrm{1}}{\mathrm{2}}\left[\begin{array}{cc}\mathrm{1}& -\mathrm{1}\\ \mathrm{1}& -\mathrm{1}\end{array}\right]\\ f_{HL}=\frac{\mathrm{1}}{\mathrm{2}}\left[\begin{array}{cc}\mathrm{1}& \mathrm{1}\\ -\mathrm{1}& -\mathrm{1}\end{array}\right],& f_{HH}=\frac{\mathrm{1}}{\mathrm{2}}\left[\begin{array}{cc}\mathrm{1}& -\mathrm{1}\\ -\mathrm{1}& \mathrm{1}\end{array}\right]\end{array}.（7）

使用公式（7）的f_{LL}、f_{LH}、f_{HL}和f_{HH}对输入图像卷积后，会输出4个通道的特征图，每个通道（在每个空间维度上）的输出都有输入图像分辨率的一半，对应记为LL、LH、HL和HH（图3b）.其中LL是输入图像的低频分量，而LH、HL、HH是输入图像的水平、垂直和对角线高频分量.

相较于传统的二维卷积，由小波二维卷积模块进行小波分解得到的LL、LH、HL和HH能够提供更全面的、不同尺度下的高频细节特征和低频信息，使得模型能够获得更高的准确率（表3）.

应用MIAG处理LL、LH、HL和HH特征图，得到的W_{LL}、W_{LH}、W_{HL}和W_{HH}（图3b）进行特征互补性优化，可以提高模型跨尺度上下文感知能力.针对不同目标的不同尺度信息能够自适应特征选择，而且无论目标尺度如何变化，总有一个尺度特征被增强.通过WTConv2d提供的多尺度特征，再通过MIAG实现智能特征选择，这种架构模仿了人类视觉系统的多尺度处理和注意力机制，是解决复杂视觉任务的有效范式.

3 结果与讨论

3.1　与常用网络模型对比测试

为验证方法有效性，本研究中采用的经典基准模型Vgg16（Simonyan and Zisserman，2014）和ResNet50（He et al.，2016；Litjens et al.，2017；Gu et al.，2018；Khan et al.，2020）、轻量级标杆MobileNet-V3-large（Howard et al.，2019）、代表性的SOTA（State of the Arts）模型ConvNeXt-Tiny（Liu et al.，2022）、为多普勒雷达设计的DopplerNet（Roldan et al.，2020）以及本轻量级多尺度特征融合模型DRWAF-Net进行对比实验.

具体测试方法是设定随机数种子为42后，将面向突发地质灾害应急响应数据集全部数据按照2∶1的比例（Liu et al.，2025）随机划分为训练集和测试集.然后使用上述提及的所有模型对训练集进行特征学习，并设计早停机制：当训练集损失值在10轮内不再下降，则停止训练.训练100轮的过程中，持续测试各模型在测试集上的准确率，在达到指定训练轮次或者满足早停机制时结束模型训练，整个过程中会保留各模型在测试集上准确率最高的模型以供对比.

本研究使用的硬件平台为13th Gen Intel（R） Core（TM） i9-13900K处理器，并使用NVIDIA GeForce RTX 3090显卡加速训练.软件环境使用的Python版本号为3.12，CUDA版本号为12.6，Pytorch版本号为2.6.0.

3.1.1　评价指标

评价一个深度学习模型性能的优劣，常使用4个评价标准：准确率（Accuracy，A）、精确率（Precision，P）、召回率（Recall，R）和F1分数（F1-score，F₁），其公式如下：

\begin{array}{c}\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}=\frac{TP+TN}{TP+TN+FP+FN}\\ \mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}=\frac{TP}{TP+FP}\\ \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}=\frac{TP}{TP+FN}\\ \mathrm{F}\mathrm{1}\_\mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}=\frac{\mathrm{2}\times \mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}\times \mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}{\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}+\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}}\end{array},(8)

式中：TP（True Positive）、FP（False Positive）、TN（True Negative）和FN（False Negative）分别表示真阳性、假阳性、真阴性以及假阴性.\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}是准确率（A），表示正确分类的样本数与样本总数的比例.\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{i}\mathrm{s}\mathrm{i}\mathrm{o}\mathrm{n}是精确率（P），用于衡量预测为阳性的样本中真阳性样本的比例.\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}\mathrm{l}是召回率（R），用于测量模型正确预测为正的真阳性样本的比例.F\mathrm{1}\_\mathrm{s}\mathrm{c}\mathrm{o}\mathrm{r}\mathrm{e}代表F1分数（F₁），综合考虑了精确率（P）和召回率（R），表示它们的调和平均值，越高表示它们的平衡越好.这4个评价指标（A，P，R，F₁）的取值范围均为[\mathrm{0},\mathrm{1}].

此外，混淆矩阵（Confusion Matrix）可以提供模型分类性能的详细信息（Heydarian et al.，2022）.混淆矩阵图中，每行表示属于该类的实际样本数，每列对应于预测属于该类的样本总数，对角线元素则表示正确预测的样本数.在模型预测过程中，预测值沿对角线密集分布表明模型的性能越好，通过混淆矩阵图也很容易知道模型倾向于错误分类哪些目标（Liu et al.，2025）.

3.1.2　模型性能

表1是以长224维度、宽224维度、3通道的标准尺寸张量，并根据面向突发地质灾害应急响应数据集种类数固定输出维度为7时，各模型的参数量（Params）、浮点运算次数（FLOPs）、模型大小（Size）以及模型资源效率指标（Model Resource Efficiency Index，MREI），并评估对边缘设备的兼容性.其中，MREI的公式如下：

\mathrm{M}\mathrm{R}\mathrm{E}\mathrm{I}=\sqrt[\mathrm{3}]{\mathrm{P}\mathrm{a}\mathrm{r}\mathrm{a}\mathrm{m}\mathrm{s}\times \mathrm{F}\mathrm{L}\mathrm{O}\mathrm{P}\mathrm{s}\times \mathrm{S}\mathrm{i}\mathrm{z}\mathrm{e}},（9）

式中：\mathrm{P}\mathrm{a}\mathrm{r}\mathrm{a}\mathrm{m}\mathrm{s}是以百万（M）为单位的模型参数量；\mathrm{F}\mathrm{L}\mathrm{O}\mathrm{P}\mathrm{s}是以十亿（G）为单位的模型每秒所需计算量，用来衡量一个模型或算法的总体复杂度；\mathrm{S}\mathrm{i}\mathrm{z}\mathrm{e}是以兆字节（MB）为单位的模型大小.MREI强调了模型在资源利用方面的效率，其值越小越能直观体现模型“轻量-高效”.

从表1的对比数据可知，DRWAF-Net在模型轻量化表现上优势显著：其参数量仅为2.38 M，模型尺寸压缩至9.27 MB，两项核心指标均优于常用于轻量级设备部署的MobileNet-V3-large（4.21 M参数/16.30 MB尺寸），成为对比模型中最紧凑的架构.尽管其算力需求（0.29GFLOPs）略高于MobileNet-V3-large（0.23GFLOPs），但结合2.38 M的超小参数量来看，单位计算效率表现依然突出.这种极致轻量化设计使其在边缘计算节点、嵌入式多普勒雷达系统等对模型体积与算力敏感的场景中具备独特优势——既能降低硬件存储成本，又能在低功耗设备上实现高效推理，为实时处理等任务提供了更优的工程化解决方案.与ResNet50（23.52 M参数/90.06 MB尺寸）、Vgg16（134.29 M参数/512.29 MB尺寸）等传统模型相比，DRWAF-Net的参数规模仅为前者的1/10至1/50，展现出针对资源受限环境的深度优化设计.

使用表1中的模型于环境干扰下的泥石流数据集进行训练和测试，具体测试结果如图5.

图5中，DRAWF-Net在面向突发地质灾害应急响应数据集上的性能表现都十分良好——取得了最高的测试集准确率、精确率、召回率和F1分数.此外，DRWAF-Net的测试准确率、精确率、召回率和F1分数在训练第20个迭代轮次后率先稳定在96.3%附近，波动范围小于0.5%，而其他模型仍在经历明显的性能振荡.这样的表现通常意味着更高的训练效率和资源利用率：模型更快地收敛，意味着节省大量的训练时和计算资源（GPU/CPU损耗、电力），也从侧面反映出模型架构（模块、层数、类型、宽度等）与当前任务的匹配度较高.

如图6所示，Vgg16、DopplerNet与ConvNeXt-Tiny未达95%；ResNet50和MobileNet-V3-large突破95%；DRWAF-Net以96.77%的准确率居首，较次优模型（ResNet50）提升1.05%，反映其整体预测能力领先.同时，DRWAF-Net高达96.90%的精度意味着预测正类样本可靠性最强，误报率最低（如能减少灾害事件错误报警）；召回率为96.77%相较于ResNet50的95.73%取得1.04%的优势，这意味着最优的样本覆盖能力，能最大限度抑制漏检（如灾害事件漏报风险）；F1分数为96.77%，显著超越对比模型（如ResNet50的95.71%和MobileNet-V3的95.58%），体现DRWAF-Net查准率与查全率的最佳平衡.总的来说，DRWAF-Net凭借全面领先的指标表现，不仅验证了其模型架构兼具高精度与高鲁棒性，更为突发灾害应急响应场景的实时监测预警提供了可靠性更高的解决方案.

如表2所示，虽然DRWAF-Net在算力需求（0.29GFLOPs）和推理耗时（6.31 ms）上并非最优，但其综合性能显著领先：在四大核心指标上超越ConvNeXt-Tiny、Vgg16和DopplerNet（如F1分数领先DopplerNet 5.73%）；相较排名第二的ResNet50，推理速度提升0.94%，且准确率（A）、精度（P）、召回率（R）和F1分数（F₁）均高出\ge \mathrm{1}\%.值得注意的是：DRWAF-Net仅需0.29GFLOPs算力，不及ResNet50的7%（4.13GFLOPs），在边缘设备部署时能有效避免算力瓶颈；并且，结合多普勒雷达数据帧从数秒1帧到1秒数10帧不等（Roldan et al.，2020；Ristic et al.，2022），DRWAF-Net推理耗时6.31 ms是完全满足实时处理需求的（阈值：数十ms）.综上，DRWAF-Net凭借最佳的精度-效率平衡（96.77%准确率与0.29GFLOPs），成为突发灾害应急响应场景的最优解.

如图7所示，DRWAF-Net在灾害本体与次生灾害识别方面表现最佳，这对应急响应人员的安全至关重要.在泥石流类（DF）识别上，Vgg16、ResNet50、MobileNet-V3-large及DRWAF-Net均达到100%的准确率.而在滚石类（ROCK）和水流类（CREEK）识别上，DRWAF-Net分别以96.9%和89.5%的准确率领先，相较次优模型Vgg16对两类的准确率分别提升0.4%和0.3%.然而，包括DRWAF-Net在内的模型普遍存在“水流-无人机混淆”现象：对水流类（CREEK）的误判率均超过10%.这表明，在无人机与水流目标处于多普勒雷达相同方位角与仰角的场景下，模型存在超过10%的概率将水流威胁误判为无人机或其他目标，构成模型在实际应用中的潜在失效风险.进一步分析发现，水流与无人机两类目标在经模型多层卷积处理后所生成的特征表示具有较高的相似性，导致模型在区分这两类目标时难以实现令人满意的分类精度.此外，在植被类（VEGE）识别中，DRWAF-Net也取得了96.8%的最佳准确率，显著解决了Vgg16（207次误分）、DopplerNet（95次误分）和ConvNeXt-Tiny（598次误分）模型中因动态场景运动特征提取不足导致的关键ROCK-VEGE混淆问题，将该类错误限制在仅9个案例内.综合各项识别性能，DRWAF-Net不仅确保了灾害本体、次生灾害、环境干扰及应急响应载体识别的准确性，还进一步降低了系统的误报率.

3.2　多输入门控消融实验

在模块中添加新的模块可以毫无疑问地说会增加模型参数量，这无疑会增加模型的浮点运算次数，单纯的参数量、浮点运算次数的对比无法全面反映新模块的作用.因此，为验证MIAG的有效性，参与消融实验的模型依据相同的骨干网络的基础模块不同，划分为使用未经过修改的WTConv2d构建的DRNet-v1（Doppler Radar Network version 1）、使用仅在WTConv2d结合AG模块构建的DRNet-v2（Doppler Radar Network version 2）、使用仅在WTConv2d加入MIAG模块构建的DRNet-v3（Doppler Radar Network version 3）以及使用WTAGConv2dBlock构建的DRWAF-Net，分别测试这3个模型在面向突发地质灾害应急响应数据集上的性能表现.

如表3所示，未集成MIAG与AG模块的DRNet-v1模型尺寸最小（6.50 MB），推理耗时最低（4.12 ms），但其各项性能指标均最低（F1分数仅93.64%）.

仅集成AG模块的DRNet-v2在模型尺寸（6.88 MB）与推理耗时（4.93 ms）上居中，其性能指标较DRNet-v1平均提升约0.53%，验证了AG模块的有效性，但仍未达到95%的可用阈值.

仅集成MIAG模块的DRNet-v3模型尺寸（8.88 MB）与推理耗时（5.90 ms）增加较大（较DRNet-v1分别增加2.38 MB和1.78 ms），但其性能指标平均提升达1.88%，且4项指标均超过95%，达到可用状态.这充分证明了MIAG模块对性能提升的显著贡献.与DRNet-v2相比，MIAG模块带来的性能提升幅度高于AG模块.

最终，DRWAF-Net在仅比DRNet-v1增大2.77 MB（9.27 MB）和增加2.19 ms推理耗时（6.31 ms）的情况下，4项核心性能指标全面领先，平均较DRNet-v1提升3.08%（F1分数提升3.13%），在对比模型中展现出最佳平衡性.相较于DRNet-v2与DRNet-v3，DRWAF-Net模型尺寸分别增大2.39 MB和0.39 MB，性能指标则分别从2.46%提升至2.61%，从1.17%提升至1.22%.

综合模型尺寸、推理耗时及性能表现，DRWAF-Net中集成的MIAG模块被证明是切实有效的核心组件.

3.3　讨论

综合前文实验结果，本章节的核心讨论围绕模型在实际应用中的稳健性与效率展开：首先，对比分析前文9个模型的过拟合现象，通过考察训练集与独立测试集上的损失一致性曲线（loss consistency curve，LCC）评判分类模型性能一致性，评估泛化能力的坚实程度和过拟合程度.其次，着眼于模型的实际部署需求（尤其是对实时性的要求），笔者将探讨DRWAF-Net等高性能模型进行轻量化设计的潜力和路径.

其中，LCC是将模型在每个迭代轮次计算测试损失与训练损失之前，使用softmax激活函数计算之后的比值：

LC{C}_i=\frac{\frac{\mathrm{1}}{N_{\mathrm{t}\mathrm{e}\mathrm{s}\mathrm{t}}}{\sum }_{n=\mathrm{1}}^{N_{\mathrm{t}\mathrm{e}\mathrm{s}\mathrm{t}}}CE{\left(\sigma \left(\mathrm{P}\mathrm{t}\mathrm{e}\mathrm{s}{\mathrm{t}}_n\right),\mathrm{T}\mathrm{t}\mathrm{e}\mathrm{s}{\mathrm{t}}_n\right)}_i}{\frac{\mathrm{1}}{N_{\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{n}}}{\sum }_{n=\mathrm{1}}^{N_{\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{n}}}CE{\left(\sigma \left(\mathrm{P}\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}{\mathrm{n}}_n\right),\mathrm{T}\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}{\mathrm{n}}_n\right)}_i},i\in \left[\mathrm{1},\mathrm{E}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}\right]\bigcap Z,（10）

式中：LC{C}_i是构成LCC的各点数值；N_{\mathrm{t}\mathrm{e}\mathrm{s}\mathrm{t}}和N_{\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}\mathrm{n}}分别是测试集和训练集数量；CE指代分类模型计算损失值的交叉熵损失函数（cross-entropy loss function）；\sigma则表示softmax激活函数；\mathrm{P}\mathrm{t}\mathrm{e}\mathrm{s}{\mathrm{t}}_n和\mathrm{T}\mathrm{t}\mathrm{e}\mathrm{s}{\mathrm{t}}_n、\mathrm{P}\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}{\mathrm{n}}_n和\mathrm{T}\mathrm{t}\mathrm{r}\mathrm{a}\mathrm{i}{\mathrm{n}}_n分别为测试集、训练集中第n个样本的模型预测值和样本真实值；\mathrm{E}\mathrm{p}\mathrm{o}\mathrm{c}\mathrm{h}是总训练轮次.该比值趋近于1通常表示模型泛化良好，未过拟合；若该比值持续显著大于1，则强烈提示模型在训练集上过拟合，昭示其在测试集上泛化能力下降.

如图8所示，在参与评估的9个模型中，各系列模型的损失一致性曲线在训练后期均稳定在1附近，其值大小一定程度上能反映训练损失和测试损失的差距，各最佳模型的LCC差距最大为0.042 9（MobileNet-V3-large达到1.045 4而ConvNeXt-Tiny仅为1.002 5）.具体分析各模型最优配置（对应表2和表3）：ConvNeXt-Tiny的LCC值最接近理论最优值1，训练-测试差异极小，但其数值都相对较高，并非模型已进入全局最优，而是该模型使用的“标签平滑”、“权重衰减”等正则化策略，联合过度约束所致，但该策略是其他模型缩小LCC值的有利工具.DRWAF-Net过拟合程度较低，以1.017 9仅次于ConvNeXt-Tiny，和他模型一同有望辅以正则化策略降低过拟合程度.最后，综合考虑各模型训练损失、测试损失和LCC表现，可以认为LCC值在\mathrm{1}\pm \mathrm{0.02}的区间内，模型泛化良好.

最后，未来工作将针对“拓展面向突发灾害应急响应数据集”和“完善DRWAF-Net”进一步展开：首先，数据集将集成更多类型的灾害场景（如地震、雪崩、洪水等），提高跨域泛化能力；其次，引入自适应分解级数机制，在轻量级的前提下探索更高分解阶数或其他小波基带来的精度收益.此外，通过知识蒸馏或动态剪枝，继续压缩推理延时与功耗，以满足边缘节点的极端资源限制.同时，集成先进的数据增强技术至模型训练流程中，如采用频谱掩码增强（spectral masking augmentation）动态添加噪声，提升模型在复杂背景下的鲁棒性，有望提升模型性能.最终，未来模型将在更多类型的灾害场景中验证模型的泛化能力，并通过迁移学习或零样本学习技术，减少对大规模标注数据的依赖.

4 结论

针对突发性地质灾害识别的高精度与实时性需求，本研究提出了一种适用于多普勒雷达的深度学习网络模型DRWAF-Net，并通过系统的消融实验与对比验证，证明了所提模型在精度、效率及泛化能力上的显著优势，为地质灾害应急响应提供了新的技术解决方案.

（1）DRWAF-Net在自建7分类数据集上取得了96.90%的精确率和96.77%的召回率，较DopplerNet模型提升5.52%~5.73%.其参数量仅2.38 M、模型尺寸9.27 MB，单帧推理耗时6.31 ms，较ResNet50等基准模型计算量减少93%，满足灾害应急场景的实时性需求.

（2）该模型通过设计多输入注意力门控（MIAG）模块，突破传统门控机制的双输入限制，实现多源特征的自适应融合；结合小波二维卷积（WTConv2d）模块，使用Haar小波变换提升多尺度特征提取能力；通过极致轻量化设计，满足边缘计算设备部署需求.

（3）研究构建的7分类融合数据集涵盖泥石流、滚石、落石等灾害本体及环境干扰样本，为灾害识别任务提供了标准化测试基准.DRWAF-Net在植被遮挡、动态背景等干扰场景下仍保持高鲁棒性，对灾害体识别准确率高（如泥石流与滚石准确率达100%和96.9%），且能有效区分易混淆目标（如滚石与植被误检率降低至3.1%和3.2%），为地质灾害应急响应现场提供了高效、智能的监测工具.

参考文献

[1] Ajit, A., Acharya, K., Samanta, A., 2020. A Review of Convolutional Neural Networks. In: 2020 International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE). February 24-25, 2020. Vellore, India. IEEE, 1-5. https://doi.org/10.1109/ic-etite47903.2020.049

[2] Boonpook, W., Tan, Y. M., Xu, B., 2021. Deep Learning-Based Multi-Feature Semantic Segmentation in Building Extraction from Images of UAV Photogrammetry. International Journal of Remote Sensing, 42(1): 1-19. https://doi.org/10.1080/01431161.2020.1788742

[3] Cai, Z. W., Fan, Q. F., Feris, R. S., et al., 2016. A Unified Multi-Scale Deep Convolutional Neural Network for Fast Object Detection. In: Computer Vision-ECCV 2016. Springer International Publishing, Cham: 354-370. https://doi.org/10.1007/978-3-319-46493-0_22

[4] Casagli, N., Intrieri, E., Tofani, V., et al., 2023. Landslide Detection, Monitoring and Prediction with Remote-Sensing Techniques. Nature Reviews Earth & Environment, 4(1): 51-64. https://doi.org/10.1038/s43017-022-00373-x

[5] Chang, K. X., 2019. Returning to the Team ahead of Time for Rescue, always Falling on the Post—A Record of the Squad Leader of Shuimo Town Government Full-Time Team of Wenchuan County Brigade of Aba Prefecture Fire Brigade, Geng Siqiong. Jinri Xiaofang, 5(15): 38-39 (in Chinese with English abstract).

[6] Chiang, H. C., Moses, R. L., Potter, L. C., 2000. Model-Based Classification of Radar Images. IEEE Transactions on Information Theory, 46(5): 1842-1854. https://doi.org/10.1109/18.857795

[7] Cui, P., Liu, S. J., Tan, W. P., 2000. Progress of Debris Flow Forecast in China. Journal of Natural Disasters, 9(2): 10-15 (in Chinese with English abstract).

[8] Dubey, A., Santra, A., Fuchs, J., et al., 2021. Bayesradar: Bayesian Metric-Kalman Filter Learning for Improved and Reliable Radar Target Classification. In: 2021 IEEE 31st International Workshop on Machine Learning for Signal Processing (MLSP). October 25-28, 2021, Gold Coast, Australia. IEEE: 1-6. https://doi.org/10.1109/MLSP52302.2021.9596290

[9] Finder, S. E., Amoyal, R., Treister, E., et al., 2024. Wavelet Convolutions for Large Receptive Fields. In: Computer Vision – ECCV 2024. Springer Nature Switzerland, Cham: 363-380. https://doi.org/10.1007/978-3-031-72949-2_21

[10] Gu, J. X., Wang, Z. H., Kuen, J., et al., 2018. Recent Advances in Convolutional Neural Networks. Pattern Recognition, 77: 354-377. https://doi.org/10.1016/j.patcog.2017.10.013

[11] He, K. M., Zhang, X. Y., Ren, S. Q., et al., 2016. Deep Residual Learning for Image Recognition. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 27-30, 2016, Las Vegas, NV, USA. IEEE: 770-778. https://doi.org/10.1109/CVPR.2016.90

[12] He, S. M., Wang, D. P., Wu, Y., et al., 2014. Formation Mechanism and Key Prevention Technology of Rockfalls. Chinese Journal of Nature, 36(5): 336-345 (in Chinese with English abstract).

[13] Heydarian, M., Doyle, T. E., Samavi, R., 2022. MLCM: Multi-Label Confusion Matrix. IEEE Access, 10: 19083-19095. https://doi.org/10.1109/ACCESS.2022.3151048

[14] Howard, A., Sandler, M., Chen, B., et al., 2019. Searching for MobileNetV3. In: 2019 IEEE/CVF International Conference on Computer Vision (ICCV). October 27-November 2, 2019. Seoul, Korea. IEEE, 1314-1324.. https://doi.org/10.1109/iccv.2019.00140

[15] Huether, B. M., Gustafson, S. C., Broussard, R. P., 2001. Wavelet Preprocessing for High Range Resolution Radar Classification. IEEE Transactions on Aerospace and Electronic Systems, 37(4): 1321-1332. https://doi.org/10.1109/7.976968

[16] Jakob, M., Lambert, S., 2009. Climate Change Effects on Landslides along the Southwest Coast of British Columbia. Geomorphology, 107(3/4): 275-284. https://doi.org/10.1016/j.geomorph.2008.12.009

[17] Khan, A., Sohail, A., Zahoora, U., et al., 2020. A Survey of the Recent Architectures of Deep Convolutional Neural Networks. Artificial Intelligence Review, 53(8): 5455-5516. https://doi.org/10.1007/s10462-020-09825-6

[18] La, R. F., Lv, T., Bai, P. F., et al., 2022. Research on Collaborative and Optimal Deployment and Decision Making among Major Geological Disaster Rescue Subjects. Geotechnical and Geological Engineering, 40(1): 57-71. https://doi.org/10.1007/s10706-021-01883-z

[19] Li, M. W., Tang, C., Chen, M., et al., 2021. Formation and Vulnerability Analysis for Debris Flow Occurred on 20 August 2019 in Banzi Catchment, Wenchuan County, Sichuan Province, China. Journal of Disaster Prevention and Mitigation Engineering, 41(2): 238-245 (in Chinese with English abstract).

[20] Li, Q., Qi, Y. C., Zhang, Z., et al., 2024. Nonmeteorological Echoes Identification Method Based on Bayesian Classifier and Echo Physical Characteristics Using C-Band Radar and Its Performance. Chinese Journal of Atmospheric Sciences, 48(3): 823-836 (in Chinese with English abstract).

[21] Li, Z. W., Liu, F., Yang, W. J., et al., 2022. A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12): 6999-7019. https://doi.org/10.1109/TNNLS.2021.3084827

[22] Lin, T. Y., Dollár, P., Girshick, R., et al., 2017. Feature Pyramid Networks for Object Detection. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). July 21-26, 2017, Honolulu, HI, USA. IEEE:936-944.https://doi.org/10.1109/CVPR.2017.106

[23] Litjens, G., Kooi, T., Bejnordi, B. E., et al., 2017. A Survey on Deep Learning in Medical Image Analysis. Medical Image Analysis, 42: 60-88. https://doi.org/10.1016/j.media.2017.07.005

[24] Liu, S. S., 2024. Research on Crack Detection of Concrete Structures based on CNN and Transformer Hybrid Architecture (Dissertation). Hubei University of Technology, Wuhan (in Chinese with English abstract).

[25] Liu, S., Hu, K. H., Li, H., et al., 2025. Radar-Based Deep Learning for Debris Flow Identification Amid the Environmental Disturbances. Geophysical Research Letters, 52(2): e2024GL112351. https://doi.org/10.1029/2024gl112351

[26] Liu, Z., Mao, H. Z., Wu, C. Y., et al., 2022. A ConvNet for the 2020s. In: 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). June 18-24, 2022, New Orleans, LA, USA. IEEE: 11966-11976. https://doi.org/10.1109/CVPR52688.2022.01167

[27] Luo, J., 2020. Slope Dynamic Response and Formation Mechanism of Large-Scale Rockslide Dam in the “8·3” Ludian Earthquake (Dissertation). Chengdu University of Technology, Chengdu (in Chinese with English abstract).

[28] Luo, Y. T., 2021. Disaster Chain and Risk Quantitative Evaluation of “8·20” River-Blocking Debris Flow in Wenchuan County (Dissertation). Chengdu University of Technology, Chengdu (in Chinese with English abstract).

[29] Ma, T., Zhou, L. F., Li, J. X., 2024. Space Object Recognition Method Based on Wideband Radar RCS Data. Journal of Ordnance Equipment Engineering, 45(7): 275-282 (in Chinese with English abstract).

[30] Michelini, A., Viviani, F., Bianchetti, M., et al., 2020. A New Radar-Based System for Detecting and Tracking Rockfall in Open Pit Mines Slope Stability 2020. In: Proceedings of the 2020 International Symposium on Slope Stability in Open Pit Mining and Civil Engineering, Online. https://papers.acg.uwa.edu.au/p/2025_79_Stopka/

[31] Rawat, W., Wang, Z. H., 2017. Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review. Neural Computation, 29(9): 2352-2449.

[32] Rickenmann, D., 1999. Empirical Relationships for Debris Flows. Natural Hazards, 19(1): 47-77. https://doi.org/10.1023/A:1008064220727

[33] Ristic, B., Kim, D. Y., Rosenberg, L., et al., 2022. Exploiting Doppler in Bernoulli Track-before-Detect for a Scanning Maritime Radar. IEEE Transactions on Aerospace and Electronic Systems, 58(1): 720-728.

[34] Roldan, I., del-Blanco, C. R., Duque de Quevedo, Á., et al., 2020. DopplerNet: A Convolutional Neural Network for Recognising Targets in Real Scenarios Using a Persistent Range–Doppler Radar. IET Radar, Sonar & Navigation, 14(4): 593-600. https://doi.org/10.1049/iet-rsn.2019.0307

[35] Romeo, S., Cosentino, A., Giani, F., et al., 2021. Combining Ground Based Remote Sensing Tools for Rockfalls Assessment and Monitoring: The Poggio Baldi Landslide Natural Laboratory. Sensors, 21(8): 2632. https://doi.org/10.3390/s21082632

[36] Shen, Y. Y., Huang, X. Y., Huang, S. R., et al., 2020. Identification and Validation of Sea-Wave Echoes Collected by a Doppler Weather Radar Based on a Bayes Classifier. Marine Sciences, 44(6): 83-90 (in Chinese with English abstract).

[37] Shi, Y., Meng, X. H., 2014. Documentary of the “8·3” Earthquake in Ludian, Yunnan. China Report, (9): 46-47 (in Chinese).

[38] Simonyan, K., Zisserman, A., 2014. Very Deep Convolutional Networks for Large-Scale Image Recognition. Computer Science. https://doi.org/10.48550/arXiv.1409.1556

[39] Szegedy, C., Liu, W., Jia, Y. Q., et al., 2015. Going Deeper with Convolutions. In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 7-12, 2015, Boston, MA, USA. IEEE: 1-9. https://doi.org/10.1109/CVPR.2015.7298594

[40] Vaswani, A., Shazeer, N., Parmar, N., et al., 2017. Attention is All You Need. Advances in Neural Information Processing Systems, 30. https://doi.org/10.48550/arXiv.1706.03762

[41] Viviani, F., Michelini, A., Mayer, L., 2020. RockSpot: An Interferometric Doppler Radar for Rockfall/Avalanche Detection and Tracking. In: 2020 IEEE Radar Conference (RadarConf20). September 21-25, 2020, Florence, Italy. IEEE: 1-5. https://doi.org/10.1109/RadarConf2043947.2020.9266677

[42] Wang, J., Zhu, H., Lei, P., et al., 2019. CNN Based Classification of Rigid Targets in Space Using Radar Micro-Doppler Signatures. Chinese Journal of Electronics, 28(4): 856-862.

[43] Wang, K. P., Yan, C. L., Yang, H., 2014. Research into Radar Emitter Recognition Based on Template Matching. Shipboard Electronic Countermeasure, 37(5): 31-33, 41 (in Chinese with English abstract).

[44] Xiu, J. G., Chen, Y. M., 2014. Ludian Emergency: Insights from the Emergency Rescue Efforts Following the “8·3” M6.5 Earthquake in Ludian, Yunnan. Overview of Disaster Prevention, (5): 28-35 (in Chinese with English abstract).

[45] Yu, F., Koltun, V., 2016. Multi-Scale Context Aggregation by Dilated Convolutions. In: 4th International Conference on Learning Representations (ICLR 2016), San Juan, Puerto Rico. http://arxiv.org/abs/1511.07122

[46] Zhang, L., Yang, H. P., Deng, X., et al., 2014. One Method Based on Template Matching to Remove Strong Anomalous Propagation Echo at Changle Site. Meteorological Monthly, 40(3): 364-372 (in Chinese with English abstract).

[47] Zhang, P. Y., Shen, L., Huang, X. T., et al., 2022. Ground Penetrating Radar Image Template Matching Based on Symmetrical Structure Features. Progress in Geophysics, 37(6): 2657-2666 (in Chinese with English abstract).

[48] Zhao, Y. G., Lei, B., 2022. The Application Issues of Ultrasonic Interface Analyzer. Analytical Instrumentation, (3): 40-43 (in Chinese with English abstract).

[49] Zhou, Z., Cao, Z. J., Pi, Y. M., 2019. Subdictionary-Based Joint Sparse Representation for SAR Target Recognition Using Multilevel Reconstruction. IEEE Transactions on Geoscience and Remote Sensing, 57(9): 6877-6887. https://doi.org/10.1109/TGRS.2019.2909121

[50] Zuo, L. Y., Yang, J. F., 2023. Progress, Effectiveness, and Future Trends of Investigation and Monitoring of Sudden Geological Disasters in China. China Mining Magazine, 32(S2): 7-12 (in Chinese with English abstract).

基金资助

国家重点研发计划项目(2024YFB2605500)

四川省优秀青年科技人才“顶青”专项(2025JDDQ0006)

四川省科学教育联合基金(2024NSFSC1952)

成都市科学技术局技术创新研发项目(2024 YF05-01584-SN)

地质灾害防治与地质环境保护全国重点实验室自主研究课题(SKLGP2022Z011)

地质灾害防治与地质环境保护全国重点实验室自主研究课题(SKLGP2024Z002)