在众多地质灾害中，滑坡灾害发生最频繁，影响范围最广，对人民生命财产安全、生态环境安全及社会经济建设构成了重大威胁。高效、精准、可靠的滑坡易发性评价方法已成为灾前科学预警和全面防治的关键手段。然而，在地质环境复杂多样的区域，不同区块内的滑坡致灾机理及其主导特征因子存在显著差异，若采取统一模型进行全局预测，将会影响评价模型的预测精度和适用性。此外，由于滑坡灾害具有隐蔽性和突发性等特点，可供分析的滑坡数据极为稀缺，进而造成了样本类别比例的严重失衡。在滑坡易发性评价中，样本类别的不平衡容易导致评价结果偏向多数类样本，进而引发滑坡预测偏差。因此，在滑坡易发性评价领域，如何精确实施区域细化的易发性评价以及利用有限的滑坡样本实现高精度预测，已成为滑坡易发性评价领域亟待解决的难题。
针对上述难题，本文提出了顾及空间异质性和样本优化的滑坡易发性评价方法。该方法以地理学定律为理论基础，充分发挥机器学习在拟合和计算能力上的优势对滑坡与特征间的对应关系进行建模，并分别探讨了空间异质性和样本类别不均衡对滑坡预测的影响，最后以宜宾市为研究区，进行了核心方法的测试、应用与验证。本文研究内容及结果如下：
（1）提出了顾及空间异质性和特征优选的滑坡易发性评价方法
针对空间异质性和特征冗余造成的滑坡易发性预测偏差问题，提出了顾及空间异质性和特征优选的滑坡易发性评价方法。该方法首先使用AGNES聚类（AGglomerative NESting）将研究区全局栅格单元分成若干个局部子区，然后采用一种特征优选策略为每个子区选择最优致灾因子组合，最后采用Stacking集成技术耦合多种机器学习算法实现滑坡易发性评价。基于统计学指标和滑坡灾害易发性分区图，将本文方法与7种传统方法进行比较分析。实验结果表明：本文提出的顾及空间异质性和特征优选的策略可以提高滑坡预测精度，相比于其他方法，本文方法的预测性能最优，易发性分区图的对应性更准确，其ACC值至少提升了2.7%、F1至少提升了3%，kappa至少提升了5.3%，AUC值至少提升了1.4%。
（2）发展了顾及样本优化的滑坡易发性评价方法
针对正负样本比例失衡带来的滑坡易发性建模不确定性问题，发展了顾及样本优化的滑坡易发性评价方法。该方法首先设计了顾及空间相关性的地理环境相似性准则进行欠采样，然后构建了一种非线性合成过采样法进行过采样，最后采用了深度森林模型进行滑坡易发性预测。基于统计学指标和滑坡灾害易发性分区图，将本文方法与9种采样方法进行比较分析。实验结果表明：本文提出的顾及样本优化策略可以有效改善滑坡建模精度。相比其他方法，本文方法ACC值至少提升了3.1%、F1至少提升了3.2%，kappa至少提升了3.3%，AUC值至少提升了1%。
综上所述，本文研究方法可有效解决空间异质性和样本不平衡造成的滑坡预测偏差缺陷，实现滑坡易发性高精度制图，进而可为自然灾害风险评估、预警和防治等国家重大工程提供理论方法和技术支撑。
 

滑坡易发性评价,；空间异质性