数据驱动滑坡敏感性模型将空间滑坡信息与描述边坡失稳易感因素的解释性 环境变量参数正式集成。性能良好的模型通常用于识别滑坡易发地形或了解边坡失 稳的原因。然而,在大多数情况下,可用滑坡数据受到空间偏差的影响(例如,远 离基础设施或森林的滑坡的代表性不足),因此并不完全代表过去边坡不稳定的空 间分布。文献表明这些数据缺陷的影响常常被忽略。本研究是建立在意大利南蒂罗 尔(Tyrol)(7400 平方公里)的关联系统破坏和基础设施威胁事件的滑坡信息基础 上。所建立的模型代表了三种不同处理有偏差的滑坡信息的概念策略。目的是:证 明为什么在常见滑坡数据偏差条件下,明显表现良好的模型推断地貌的成因结论是 不确定的(模型 1);测试一种新的偏差调整方法(模型 2);利用潜在破坏性滑坡 可能影响的模型区域的基础数据偏差,而不是滑坡易感(模型 3;干预指数)。本研 究不仅关注正在调查的过程(滑坡),而且关注导致滑坡信息记录的条件(数据收 集效果),为如何在数据驱动模型中考虑滑坡数据偏差提供了新的视角。根据统计 关系、变量因素重要性、预测性能和地貌真实性等方面对结论进行了评估。结果表 明,模型均未反映滑坡易发性。尽管部分具有较高的预测性能,但这些模型无法创 建地貌上真实的空间预测。然而,以冲击为导向的干扰因素能够准确识别诱发破坏 的滑坡。我们认为,经常从良好的模型中推断地貌成因而不考虑数据限制的做法是 无效的。