本研究的主要目的是将深度学习神经网络(DLNN)模型引入到滑坡易发性评 估中,并将其预测性能与目前最先进的机器学习模型进行比较。以易发滑坡的越南 昆图姆(Kon Tum)省为例,对 DLNN 模型的有效性进行了评估。利用 9 个滑坡相 关变量即高程、坡角、坡向、土地利用、归一化植被指数、土壤类型、与断层距离、 与地质边界距离、地表岩性以及 1 657 个滑坡位置,建立了滑坡易发性评价的训练 和验证数据集。采用频率比法评估滑坡相关变量与滑坡存在的关系,并为每个变量 类别的权重赋值。利用信息定量法对滑坡相关变量的预测能力进行了评价,结果表 明,这些变量均具有较高的预测能力,因此对其进行了进一步的处理。利用训练数 据集对 DLNN 模型的学习能力进行了评估,并与多层感知器神经网络、支持向量机、 C4.5 决策树模型和随机森林模型进行了比较,同时利用验证数据集对各模型的预测 性能进行了评估和比较。为了评价各模型的学习和预测能力,计算了分类精度、灵 敏度、特异度以及成功率和预测率曲线下面积(AUC)。结果表明,所提出的 DLNN 模型比其他四种基准模型具有更高的预测性能。虽然 DLNN 在滑坡易发性评价中应 用较少,但研究表明,采用深度学习方法进行滑坡易发性分区同样可以得到令人满 意的结果。