近日，我校资源与环境学院复杂多维信息处理团队王峣钧教授等，在地质灾害信号智能监测与早期预警领域研究取得重要进展，相关成果发表在美国地球物理联合会（AGU）旗下的《地球物理学研究杂志：机器学习与计算》（Journal of Geophysical Research: Machine Learning and Computation，JGR: MLC）。论文题为《SeismicInsights Into the Role of Rockfall in Rockslide Destruction Processes》，电子科技大学为论文第一署名单位，王峣钧教授为论文第一作者和通讯作者，硕士研究生陈喻溪为论文第二作者。
论文聚焦岩质滑坡早期预警信号分析。团队通过分析岩石崩塌震动信号时间序列，发现岩质滑坡产生前存在崩塌信号静默期；通过构建新的岩石崩塌震动信号智能识别算法，提升强噪声条件下弱震动信号的识别精度，可为滑坡早期预警提供新的指示证据。岩质滑坡具有突发性强、破坏范围大和前兆信息不易捕获等特点。在大规模坡体失稳前，局部岩块松动、裂隙扩展和小规模落石活动会产生微弱的地震信号，这些信号能够反映坡体内部损伤和失稳过程。然而，实际监测记录中同时存在脚步、车辆、区域地震及其他环境振动，落石信号往往能量较弱、边界模糊，容易被复杂噪声掩盖。传统信号处理方法及深度学习方法可能学习到与特定场地有关的噪声特征，导致大量误检。
针对上述问题，研究团队将落石信号片段分类问题转化为连续时间序列分割问题，提出了一种地震属性引导的双任务深度学习框架：利用具有明确物理含义和噪声鲁棒性的地震属性开展自监督预训练，使网络学习落石信号瞬态能量变化所对应的稳定特征；随后固定已训练的编码器，通过监督学习完成连续监测数据中落石信号起止位置的精确分割（图1所示）。研究团队在法国阿尔卑斯山区Séchilienne岩质滑坡和瑞士Illgraben岩质滑坡中验证表明，新方法能够检测出更多未被识别的小型落石事件，且无需重新训练即可实现优于纯数据驱动模型的跨区域泛化能力。
图1：地震属性引导的双任务神经网络架构
研究还发现，通过将崩塌震动信号与气温、降水数据相结合进行综合分析，发现主滑坡发生前崩塌震动发生频次呈现“增长—加速—静默—突发”的四阶段演化过程：早期落石活动呈持续增长趋势，随后进入明显加速阶段；在主滑坡发生前，落石活动出现持续约5天的异常静默期；静默期结束后，强烈的落石活动在滑坡发生前数小时内快速出现（图2）。研究指出，这种静默现象可能是内部损伤持续累积并向临界状态演化的过渡阶段，对岩质滑坡风险前兆信息识别提供了新的量化分析方法。
图2：Illgraben岩质滑坡发生前落石活动与气温、降水的四阶段演化特征
电子科技大学复杂多维信息处理团队长期开展地球物理与电子信息交叉研究，主要聚焦信号智能处理方法在油气勘探地震信号处理、地质灾害监测预警、网络空间分析等方向应用研究。团队先后获得国家自然科学基金重点项目、国家重大专项等资助。此次研究成果的发表，是团队在复杂地球物理信号智能处理方法应用于地质灾害监测方向取得的重要进展。
《JGR》创办于1896年，是美国地球物理联合会的旗舰期刊。该期刊是国际地球物理学界论文质量最高、覆盖领域最广的学术期刊之一，长期位列全球地球科学领域顶级期刊名录。《JCR: MLC》系该期刊旗下近年创刊的旗舰刊物，聚焦机器学习与地球与行星科学的交叉创新研究。这是学院首次在《JGR》系列期刊发表论文，彰显了学院在电子信息与地球科学交叉研究方面的研究实力和学术影响力。
论文链接：https://doi.org/10.1029/2026JH001245
