近日，成都理工大學教授范宣梅團隊在全球地震誘發地質災害智能預測方面取得重要進展，相關成果于5月9日發表在《國家科學評論》。
這項研究基于過去50年來38次強震誘發的40余萬處滑坡，建立了目前全球最大的地震誘發滑坡數據庫，結合深度學習算法研發了智能預測模型，能夠實現一分鐘內預測全球任何地震誘發滑坡的空間概率，平均精度達82%。
該成果可以在震前對地震高風險區進行災害風險情景推演，也可在震后快速評估地質災害空間分布，為震前防災規劃和震后應急救援提供重要科技支撐。這一成果不僅為全球強震地質災害研究提供了寶貴的數據支持，更為減輕災害風險提供了可推廣的有效工具和全球示范。
為實現真正意義上的全球預測，研究團隊從1970年以來全球范圍內6級以上地震中篩選出38次典型事件，結合遙感智能識別與人工核驗，解譯了近40萬處滑坡樣本，構建了迄今規模最大、質量最高的全球地震誘發滑坡數據庫。進而，將地震事件劃分為環太平洋和阿爾卑斯—喜馬拉雅兩大地震帶，及寒帶、溫帶與赤道帶三大氣候區，以提升不同區域地質環境條件下模型的泛化能力。
該研究基于對強震誘發滑坡機理的認識，對17項影響因子進行了分析，發現地面峰值加速度（PGA）、坡度與巖性是全球范圍內地震誘發滑坡的主控因素：PGA直接反映地震動能量釋放強度，坡度決定斜坡自身穩定性閾值，巖性則影響巖土體的物理力學特性。
值得注意的是，不同地震帶—氣候區的滑坡控制因子呈現顯著空間分異性：寒區以PGA和距斷層距離為主控因子；赤道地區地形—地震動耦合作用主導滑坡觸發；溫帶地區則表現為PGA—坡度—巖性并列核心的態勢。這種區域分異特征反映了地質背景與氣候外營力協同作用對滑坡動力過程的差異化影響，突破了傳統預測模型“一刀切”的局限，為模型的分區優化提供了開拓性啟示。
該研究創新設計了多尺度全卷積回歸網絡，結合通道—空間注意力模塊，實現了誘發滑坡關鍵特征的自動提取、聚焦與融合。模型采用“全球—區域雙軌制”部署策略：在赤道和溫帶等事件和數據充足的區域采用區域模型，通過區域化訓練充分優化參數，獲得更高的預測精度；而在事件和樣本匱乏的寒區場景則采用全球模型，憑借海量多樣的訓練樣本能夠保障穩健的預測下限，有效避免過擬合風險。
與傳統機理和統計模型相比，該方法在準確率和計算效率上均有顯著突破，平均預測準確率達82%，比國際現有模型準確率提高了約20%，計算時間由原來的數天，縮短到小于1分鐘，實現了地震誘發地質災害的近實時預測。
研究將通過探索“機理與數據聯合驅動”方法，進一步提升模型預測精度和響應速度。未來有望將降雨預報和余震分析等更多觸發條件納入預測模型，同時結合人口、房屋、基礎設施等數據，實現多因素驅動的地質災害風險預測大模型，為全球防災減災提供中國方案。
相關論文信息： https://doi.org/10.1093/nsr/nwaf179