标题：Utilizing deep learning approach to develop landslide susceptibility mapping considering landslide types
期刊：Bulletin of Engineering Geology and the Environment（SCI二区）
一句话总结：本研究提出基于深度学习的滑坡易发性评估方法，考虑滑坡类型差异，运用卷积神经网络（CNN）模型，结合多种因素分析，提高了滑坡易发性制图的准确性与可靠性，为滑坡风险评估和预警提供了更有效的手段。
1.滑坡分类考虑因素全面：基于地质条件和历史滑坡清单，将滑坡分为岩质滑坡（RL）和土质滑坡（SL），并建立包含 13 个因素的综合评价指标体系，深入分析各因素对不同类型滑坡的影响，使评估更具针对性。
2.深度学习模型优势显著：引入 CNN 模型进行滑坡易发性评估，克服传统机器学习模型需手动特征提取和难以处理非线性关系的局限，自动提取特征，有效捕捉滑坡与影响因素间复杂非线性关系，提高评估准确性。
3.分类评估提高精度：对比考虑滑坡类型和未分类的评估结果，表明区分滑坡类型能使易发性制图更精准，AUC 值更高，模型性能更优，如 CL 的 AUC 达 0.901，高于 UL 的 0.890。
1.提升滑坡风险评估精度：准确的滑坡易发性评估对降低滑坡风险、优化早期预警系统至关重要。本研究方法考虑滑坡类型差异，提高易发性制图准确性，为滑坡风险评估提供更可靠依据，有助于相关部门制定精准防灾减灾策略。
2.推动滑坡研究方法发展：将深度学习算法应用于滑坡易发性评估，为该领域研究提供新方法和思路。通过与传统机器学习模型对比，展示深度学习模型优势，为后续研究提供参考，促进滑坡研究方法不断创新和完善。
1.研究区概况：位于三峡库区湖北段的秭归和巴东两县，面积 656km²，海拔 122.2 - 2020m，地形复杂，人类工程活动集中，地层岩性以软弱岩层为主，河流侵蚀加剧滑坡风险。
2.数据来源与处理：收集 1:10,000 地形图、1:50,000 地质图、Landsat - 8 影像等多源数据，提取地形地貌、地质、植被覆盖、土地利用等信息，经标准化和离散化处理，确定 13 个影响滑坡易发性的因素。
1.数据收集与滑坡分类：整合历史滑坡数据、实地调查和遥感影像，按发生机制分为 RL 和 SL 两类。
2.指标体系建立与因子分析：选 13 个因素，用信息值法（IV）计算相关性并排序，确定主控因素，分析因子数量对不同滑坡类型易发性制图精度的影响，筛选优化指标体系，确保因子独立性。
3.模型构建与参数确定：构建 CNN 模型，用 Python 和 TensorFlow 框架实现，以均方误差为损失函数，Adam 优化器优化参数；确定 CART 和 MLP 模型最优参数；将研究区滑坡数据按 7:3 分为训练集和验证集，平衡训练数据，用交叉验证法评估模型稳定性。
4.易发性制图与精度评估：用 CNN 模型对 RL、SL 和未分类滑坡（UL）进行易发性制图，综合 SL 和 RL 结果得分类滑坡（CL）易发性图；用 CART 和 MLP 模型对 UL 制图，用 ROC 曲线、召回率、准确率和 Kappa 系数评估模型精度，对比不同模型和考虑滑坡类型与否的结果。
1.滑坡发育空间模式：SL 主要受海拔、坡度和距道路距离影响，多发生在海拔低于 240m、坡度 18 - 27° 区域，岩性为 L3 的区域也较易发生，高易发性区位于长江及其支流 300m 范围内；RL 主要受海拔、坡向、岩性和坡度结构控制，高易发性区多在倾向坡的 B2 和 L5 区域，靠近长江及其支流。
2.模型精度评估：CNN 模型验证和预测精度均高于 CART 和 MLP 模型，如 CNN 模型对 UL 的验证精度为 0.899，预测 AUC 为 0.890，分别高于 CART 的 0.841、0.836 和 MLP 的 0.877、0.862；考虑滑坡类型的 CL 易发性制图 AUC（0.901）高于 UL（0.890），CNN 模型在考虑滑坡类型时性能更优。
1.滑坡分类对制图精度的影响：不同类型滑坡主控因素不同，以往研究多将滑坡视为同质群体，本研究区分 SL 和 RL 提高了易发性制图精度，AUC 值提升，能更准确捕捉滑坡发育模式，表明考虑滑坡类型对提高评估准确性重要。
2.与前人研究对比：本研究确定的影响因素与前人研究一致，如海拔和岩性对滑坡发生重要，研究结果可靠性高，且指出前人研究未考虑滑坡类型影响的不足，本研究区分类型进一步细化了易发性制图精度，为该领域提供新见解。
3.模型稳定性评估：通过构建不同样本集和交叉验证，评估模型稳定性和不确定性，CNN 模型相关性系数最高（0.9720），稳定性最好，预测结果概率分布更合理，标准差和均值表现优于传统机器学习模型，对数据变化不敏感，更适用于滑坡易发性评估
Wang Y , Zhou C , Cao Y ,et al.Utilizing deep learning approach to develop landslide susceptibility mapping considering landslide types[J].Bulletin of Engineering Geology & the Environment, 2024, 83(11).DOI:10.1007/s10064-024-03889-2.
