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“Deep learning can predict global earthquake-triggered landslides”为题，发表在国际顶级期刊National Science Review（《国家科学评论》，NSR，影响因子16.3）。

01

02

全球地震诱发滑坡数据库

为实现真正意义上的全球预测，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，构建了迄今规模最大、质量最高的全球地震诱发滑坡数据库（图1）。

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，及寒带、温带与赤道带三大气候区，以提升不同区域地质环境条件下模型的泛化能力。

全球尺度地震诱发滑坡普适性控制因素

该研究基于对强震诱发滑坡机理的认识，对17项影响因子进行了分析，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（图2）：寒区以PGA和距断层距离为主控因子；赤道地区地形—地震动耦合作用主导滑坡触发；温带地区则表现为PGA—坡度—岩性并列核心的态势。这种区域分异特征反映了地质背景与气候外营力协同作用对滑坡动力过程的差异化影响，突破了传统预测模型“一刀切”的局限，为模型的分区优化提供了开拓性启示。

全球地震诱发滑坡预测的分钟级推理

该研究创新设计了多尺度全卷积回归网络，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”部署策略（图3、图4）：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；而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。

与传统机理和统计模型相比，该方法在准确率和计算效率上均有显著突破，平均预测准确率达82%，比国际现有模型准确率提高了约20%，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。

03