目的 为了在有限样本下，提升机器学习模型挖掘数据特征的能力，提高模型预测精度，方法 选取四川省雅砻江和大渡河中下游省级水土流失重点预防区九龙县、康定市、泸定县和木里县为研究区，选择12个影响因子构建滑坡易发性评价指标体系，使用确定性系数（certainty factor,CF）量化评价指标，对比逻辑回归（logistic regression,LR）和支持向量机（support vector machine,SVM）模型，在表现最优的模型上添加降噪自编码器（denoising autoencoder,DAE）和卷积自编码器（convolutional auto-encoders,CAE），并对比各模型提取数据特征。结果 结果表明：与CF-LR模型和CF-SVM模型相比，CF-SVM模型的精确率（P）、F-measure、Kappa系数、总准确度（OA）和AUC相较于CF-LR模型的分别提高了31.9%,1.1%,17.1%,8.5%,8.6%；添加DAE编码器后，CF-SVM-DAE模型的召回率（R）、F-measure、Kappa系数和总准确度（OA）相比于CF-SVM模型分别提高了8.1%,5.8%,8.1%,4%；添加CAEs编码器后，CF-SVM-CAEs模型的召回率（R）、F-measure、Kappa系数和总准确度（OA）相比于CF-SVM模型分别提高了0.4%,0.2%,0.2%,0.1%。结论 选用的机器学习方法中，CF-SVM模型预测精度更高。在CFSVM模型基础上添加DAE编码器比添加CAEs编码器鲁棒性更好，因此，CF-SVM-DAE模型在所有模型中表现最好，更适合当前研究区域。

张萌萌,李少达,王潇,等.基于机器学习和编码器耦合的滑坡易发性评价[J/OL].河南理工大学学报(自然科学版),1-12[2024-07-31].https://doi.org/10.16186/j.cnki.1673-9787.2023120035.