基于事件的滑坡目录是深化我们对诱发因素和滑坡之间因果关系的理解的重要依据。此外,详细的滑坡目录对于滑坡风险研究的后续阶段(如易发性和危险性评估)至关重要。公开可用的滑坡数据库的数据质量和完整性差异很大。基于事件的滑坡目录基于人工解译数据,但解译者之间的能力可能存在显著差异。为了解决这个问题,我们使用了两个不同的数据集来分析U-Net和机器学习方法在喜马拉雅地区自动滑坡识别中的应用潜力。数据集-1由RapidEye卫星图像的五个光学波段组成。数据集2由RapidEye光学数据和ALOS-PALSAR衍生的地形数据组成。我们使用了一个小数据集,包括从几个训练区域和一个测试区域采集的239个样本,使用全卷积U网络模型、支持向量机(SVM)、K近邻和随机森林(RF)评估模型性能。我们创建了32张不同的地图,以评估和理解不同样本斑块大小的含义及其对研究区域滑坡识别准确性的影响。然后将结果与使用RapidEye卫星图像的实地调查和目视判读编制的手动判读目录进行比较。我们使用了准确性评估指标,如F1分数、精度、召回率和马修斯相关系数(MCC)。在尼泊尔一侧的喜马拉雅山区,利用RapidEye图像和机器学习模型,研究了可行的斑块大小。用128训练的U-Net模型 × 128像素的斑块大小在dataset-1中产生了最好的MCC结果(76.59%)。从数字高程模型中添加的信息有利于滑坡的整体识别。然而,它并没有提高模型的整体准确性,但有助于区分人类居住区和河流沙洲。本次研究中,U-Net结果比其他机器学习方法所得结果略好。但是,由于图像中地理特征的复杂性,目前U-Net模型在滑坡识别中的应用仍处于初步阶段。有关使用U-Net模型进行滑坡识别的文献很少。本次研究采用U-Net在喜马拉雅地区滑坡识别进行了首次尝试。结果表明,U-Net有潜力在未来进一步改进的各种地形和地貌场景中自动识别滑坡。