一般认为滑坡易发性预测能力的差异是由于不同的取样技术,如(a)滑坡后 壁形心,(b)滑坡形心,(c)代表滑坡后壁多边形的碎屑区样本,(d)代表整个滑 坡体的滑坡体样本。然而,统计和机器学习算法的发展正在不断提升滑坡易发性预 测技术。在人工智能应用日益广泛的背景下,本文探讨了不同采样技术在滑坡易发 性制图中的预测能力。我们采用 logistic 回归(LR)、神经网络(NNET)和深度学 习神经网络(DNN)模型对已有模型进行检验和验证。使用了一组 11 个预测变量 (地震、地形和水文)对 2018 年北海道震区进行测试。我们发现对于四种取样技 术,使用 DNN 模型进行测试时,预测率与取样技术无关(AUC:0.904–0.919)。而 使用 LR(AUC:0.825–0.785)和 NNET(AUC:0.882–0.858)模型时,会产生较大 的差异。尽管如此,使用滑坡陡崖区内的样本预测成功率最高。随后,通过已经公 布的 2015 年戈尔卡地震的滑坡调查记录验证了这一类比结果。因此,我们认为, 如果在滑坡调查中没有适当的滑坡后壁和滑坡体记录,使用 DNN 模型可以提高滑 坡易发性预测能力。