张洪吉，赵 铮，陈建华，甘先霞，谢华伟，谭小琴

(1.四川省自然资源科学研究院，四川 成都 610015； 2.成都理工大学 地球物理学院，四川 成都 610059)

滑坡灾害的频发每年给人类带来巨大的生命和财产损失，据全国地质灾害通报统计，2019年共发生地质灾害6 181起，其中滑坡4 220起，占地质灾害总数的68.27%，其中特别是伴随着强降雨和地震过后的山区城镇极易发生山体滑坡[1]。滑坡危险性评价是研究区域滑坡发生的空间概率[2]。因此，高精度的滑坡危险性评价对于滑坡灾害的空间预测具有重要意义。

目前，国内外学者使用大量的机器学习方法应用于滑坡危险性评价，其中包括支持向量机[3-4]、信息量模型[5-6]、随机森林[7]、决策树[8-9]、人工神经网络[10-11]等，上述机器学习方法能够较好地挖掘自变量与因变量的非线性关系来模拟滑坡影响因子与滑坡类别(滑坡或非滑坡)之间的复杂关系[12]，并且取得了较高的预测精度。但是其通过直接对输入数据进行分类并不能从其中获取更具代表性的特征来提高分类效果[13]，同时也存在物理含义不明确等缺陷。

为了应对上述问题，近年来深度学习中的卷积神经网络(Convolutional Neural Network，CNN)深受研究人员的青睐，卷积神经网络方法被大量地应用于模式识别[14]、图像处理[15-17]、地学研究[18-19]等领域。卷积神经网络因其多层网络结构而具有强大的数据表征能力，在模型拟合和学习能力上具有显著的能力。但到目前为止，卷积神经网络方法还未在滑坡危险性评价中取得充分的应用。……