摘要：地震诱发滑坡是一种破坏性极强、危险性极高的地质灾害，其易发性的准确评估对于震后救灾减灾及灾后重建至关重要。针对卷积神经网络（convolutional neural network， CNN）在处理地震诱发滑坡样本时，易出现过拟合和多源数据不确定性问题，提出了一种基于卷积模糊神经网络（convolutional fuzzy neural network， CFNN）的地震诱发滑坡易发性方法。同时，引入SHAP特征优化策略，通过定量评估特征重要性对模型输入进行筛选和优化，提升模型的预测精度。选取2017年九寨沟7.0级地震、2022年芦山6.1级地震及2022年泸定6.8级地震组成研究区，涵盖5 990个滑坡实例，覆盖总面积72.147平方公里，选取16个滑坡影响因子，构建并优化CFNN模型，完成了研究区地震诱发滑坡易发性评价。结果表明，距河流的距离、地震峰值加速度（peak ground acceleration， PGA）、高程、土壤覆盖类型以及距断层的距离是影响滑坡发育的关键因素。在模型性能对比中，CFNN相较于传统CNN模型展现出更优的预测精度和显著的防过拟合能力。通过引入SHAP特征优化策略进一步优化后，CFNN模型在受试者工作特征曲线下的面积值（area under curve， AUC）达到0.942，表现出极高的预测性能。研究结果验证了CFNN模型在地震滑坡易发性评价中的可靠性，为地震滑坡灾害的预防和监测提供了新的理论依据和技术支持，同时也为深度学习模型在地质灾害领域的应用拓展提供了重要参考。
文章目录
1 研究区与数据源
1.1 研究区概况
1.1.1 九寨沟
1.1.2 芦山
1.1.3 泸定
1.2 数据源
1.2.1 地震诱发滑坡清单
1.2.2 地震诱发滑坡影响因子
2 研究方法
2.1 数据预处理
2.2 模型构建与优化
2.2.1 模型构建
2.2.2 SHAP特征优化策略
2.3 实验设置及模型评估
2.3.1 实验设置
2.3.2 模型性能评估方法
3 结果和讨论
3.1 结果
3.1.1 地震诱发滑坡影响因子分析
3.1.2 SHAP特征摘要分析及地震诱发滑坡影响因子的全局解读
3.1.3 模型性能对比分析
