本研究利用一维卷积网络(1D-CNN)与贝叶斯优化方法,开发了一套以深度 学习为基础的技术,用以评估韩国阳阳(Yangyang)省南部地区的滑坡易发性。本 研究共使用 219 个滑坡点数据和 17 种滑坡条件变量用于建模。数据显示了一个复 杂的情况。过去的一些滑坡分布至陡坡上,而另一些则延伸到平坦的地形上。使用 随机森林(RF)作为预处理措施,只保留了重要的因素供进一步分析。为了选择 CNN 超参数,采用了贝叶斯优化方法。在本研究中,有三种方法有助于克服因训练 样本数据较少而造成的过度拟合问题。首先,RF 对关键因素的选择有助于降低信 息维度。其次,经过一维卷积的 CNN 模型可显著减少其参数数量。第三,高信息 丢弃率(0.66)也有助于减少 CNN 参数。使用总体精度、受试者工作特性曲线下面 积(AUROC)和 5 折交叉验证评估了模型。将 CNN 的性能与 ANN 和 SVM 进行 了比较。CNN 在测试数据集(83.11%)和 AUROC(使用测试和 5 折 CV 的结果分 别为 0.880、0.893)上获得了最高的准确性。贝叶斯优化将 CNN 的准确率提高了约 3%(与默认配置相比)。由于其复杂的体系架构,且通过卷积和池化运算处理了空 间相关性,CNN 的性能优于 ANN 和 SVM。在一些变量对滑坡发生有非线性影响 的复杂情况下,该方法有助于绘制滑坡易发性地图。