地理信息系统(GIS)技术在滑坡评价中的广泛应用,以较低的成本确保了良 好、准确和快速的结果,并管理了各种物质的运动,确定了新定居点开发的安全区 域。各种科技文献采用不同的模型使用不同的方法对滑坡易发性进行了评价。在这 些研究中,这些方法要么是基于专家知识的方法,要么是数据驱动的方法。这两种 方法根据各自的特点产生不同的结果。因此,在决策层面上同时使用融合了多种技 术的一组方法可以提高成果的质量。本研究的目的是探讨并识别出一个滑坡分区模 型,结合不同的地理信息系统方法,并将所得到的多个结论整合到决策层面中,以 达到最佳的精度。本研究利用简单加权法(SAW)、模糊伽玛算子等知识型模型, 以及径向基函数链网络(RBFLN)、概率神经网络(PNN)等数据驱动模型,进行 滑坡灾害填图。评价结果表明,数据驱动方法比建立在专家意见基础之上的基于知 识的方法具有更好的性能。简单加权法(SAW)比其他基于知识的方法(如模糊伽 玛法)也有更好的效果。随机选取的多个滑坡控制点得到的多个评价结果也表明, PNN、SAW、RBFLN 和模糊伽玛法在滑坡易发性分区中的精度分别为 82.3%、69.62%、 65.39%和 61.26%。同时,采用加权平均值、最大值、中值和最小值,把结果合并 到决策层面的混成之中;结果表明,每个标准的精确度分别提高了 70.53%、83.5%、 67.39%和 60.27%。