将模糊推理系统(Mamdani fuzzy inference systems)(简称 FIS)和人工神经网 络(Artificial Neural Network)(简称 ANN)两种人工智能(Artificial Intelligence) (简称 AI)方法应用于滑坡易发性制图(Landslide Susceptibility Mapping)(简称 LSM),比较两种方法的互补性,并从数据中提取物理关系。为了对 FIS 规则进行 排序和过滤,提出了一个索引,选择一定数量的可读规则来进一步解释变量之间 的物理关系。研究区域是巴西南部的罗兰特(Rolante)河流域。从数字高程模型 (DEM)生成 11 个属性,并使用极端降雨事件产生的滑坡疤痕。FIS 的平均准确 度和受试者工作特性曲线下面积(AUC)分别为 81.27%和 0.8886,ANN 的平均准 确度和 AUC 分别为 89.45%和 0.9409。人工神经网络提供了一个更大幅度的输出 和较少的地区划分为高易发性地图。在 40 个(10%)排名最好的 FIS 规则中,13 个具有高易发性输出,而 27 个具有低易发性输出;一个原因是低易发性区域在地 图上更大。坡度与易发性高度相关。海拔高(高原)或低(漫滩)时,抑制高易 发性。6 个属性为 18 个最佳排名规则显示相同的模糊集,这意味着该模糊集在地 图上很常见。总体研究结果表明:人工神经网络最适合 LSM 地图的生成,但在此 基础上,使用 FIS 对于帮助研究人员了解 LSM 人工智能模型和滑坡现象非常重要。