本研究评估了基于稀疏自编码(SAEs)的无监督因子优化对正则化贪心森林 (RGFs)法滑坡空间建模的贡献。通过野外实地调查识别了 952 处滑坡,将它们平 均分配,训练和测试所提出模型。研究 10 个与滑坡相关的条件因子,包括地形地 貌(即海拔、坡度、坡向、曲率、坡长、地形湿度指数和泥沙运移指数)和地质环 境(即岩性、与道路距离和与河流距离),与滑坡的空间关系。建模的步骤有两个。 首先,使用 SAE 对上述因素进行了优化,以减少数据中的冗余和相关性。其次, 利用 RGF 绘制了优化后特征因素表示的滑坡易发性地图。利用受试者工作特性曲 线下面积(AUROC)来评估所提出模型的预测能力。实验结果表明,所提出的 SAE-RGF 模型在预测率方面优于 RGF 和随机森林模型(RF),且对过拟合和欠拟 合的敏感性较低。SAE-RGF 模型仅用了 7 个特征因素,就得到了最高的预测率 (AUROC =0.892),优于其他两种方法(RGF 和 RF)。包括 RGF 在内,无监督因 子优化方法不仅减少了计算时间,而且提高了基于树型模型的预测精度。所生成的 滑坡易发性地图可用于减轻滑坡灾害,并帮助相关人员(如规划师和工程师)指明 土地用途。