我校构建全球首个地震诱发滑坡近实时智能预测模型

本报讯 近日，成都理工大学范宣梅教授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“Deeplearningcanpredictglobalearthquake-triggeredlandslides”为题，发表在国际顶级期刊NationalScienceReview。

这项研究基于近50年以来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，能够实现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%。

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。这一成果不仅为全球强震地质灾害研究提供了宝贵的数据支持，更为减轻灾害风险提供了可推广的有效工具和全球示范。

强震诱发滑坡全球视角下的灾害风险

全球强震频发。山区地震诱发次生地质灾害是造成伤亡的重要因素。例如2008年汶川7.9级地震和2015年尼泊7.9级地震中，滑坡造成的伤亡分别约占总伤 亡的1/3和40%以上。

我国是世界上地震灾害风险最高的国家，精准预测强震诱发地质灾害，对提升我国应对自然灾害风险的能力具有重要意义。

从“物理机理”到“数据驱动”地震诱发滑坡近实时智能预测模型

从全球尺度来看，强震诱发次生地质灾害是否具有普适性的发育分布规律和控制因素？是否可以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？

传统基于物理机理的Newmark方法对物理力学参数要求高，仅适用于小范围评估。近年部分研究采用统计和机器学习，虽减少对参数的依赖，但面临样本代表性与跨区域泛化能力不足的挑战。

研究团队筛选出38次全球6级以上典型地震事件，结合遥感智能识别与人工核验，解译了近40万处滑坡样本，构建了迄今规模最大、质量最高的全球地震诱发滑坡数据库。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，寒带、温带与赤道带三大气候区，以提升不同区域地质环境下模型的泛化能力。

该研究分析了17项影响因子，发现地面峰值加速度（PGA）、坡度与岩性是全球范围内主控因素：PGA反映地震动强度，坡度决定稳定性阈值，岩性影响岩土体特性。

不同地震带—气候区的控制因子呈现空间分异性：寒区以PGA和距断层距离为主；赤道地区地形—地震动耦合作用主导；温带地区则PGA—坡度—岩性并列核心。

该研究设计了多尺度全卷积回归网络，结合注意力模块，实现关键特征的自动 提取与融合。

模型采用“全球—区域双轨制”部署：在赤道和温带等样本充足区域采用区域模型，获得更高精度；在样本匮乏的寒区则采用全球模型，避免过拟合风险。

展望

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。未来有望纳入降雨预报和余震分析等触发条件，结合人口、房屋等数据，实现多因素驱动的灾害风险预测大模型。

亮点

该研究构建了首个全球地震诱发滑坡数据库，揭示了滑坡规律和关键控制因素，创新了基于深度学习的地震诱发滑坡近实时智能预测模型，为全球地震灾害应急处置和科学规划提供支撑。

后记

17年前，范宣梅走进汶川震区；17年后，她带领团队将经历转化为预测平台。他们以科学精神与执着追求，为全球地质灾害应急响应提供了新视角，成果正成为领航标杆。

（王欣 范宣梅/文 图）