隨著全球氣候變化和人類活動的加劇，滑坡等地質(zhì)災(zāi)害的頻率和強度逐漸增加（Froude和Petley，2018）。特別是在中國陜西省南部的眾多山區(qū)和河谷城市中，滑坡作為最常見且破壞性最強的災(zāi)害類型之一，不僅嚴重威脅居民的生命和財產(chǎn)安全，還對當?shù)鼗�礎(chǔ)設(shè)施、經(jīng)濟發(fā)展和生態(tài)環(huán)境構(gòu)成巨大挑戰(zhàn)（Zhou等人，2025）。這些地區(qū)受復(fù)雜地形、集中降雨和不穩(wěn)定土壤結(jié)構(gòu)等因素影響，容易發(fā)生頻繁的滑坡災(zāi)害，且難以準確預(yù)測（Qiu等人，2018；Zhuang，2018；Qiu，2016）。這種情況與山區(qū)和河谷城市的特征存在多重矛盾，例如居民居住空間有限和高度依賴經(jīng)濟。為了解決這一問題，精確進行滑坡易發(fā)性制圖、探索有效利用制圖結(jié)果的方法以及制定有效的災(zāi)害預(yù)防策略成為亟待研究的重點課題（Guzzetti等人，2020）。

隨著遙感技術(shù)和機器學(xué)習(xí)算法的快速發(fā)展和廣泛應(yīng)用，滑坡易發(fā)性制圖技術(shù)取得了顯著進展（Yacine和Hamid，2020）。盡管傳統(tǒng)統(tǒng)計方法在早期滑坡研究中取得了一定成果，并能處理簡單的特征關(guān)系，但在處理復(fù)雜的多維環(huán)境因素時存在明顯局限性（Steger等人，2021；Wei等人，2024；Frattini等人，2010）。近年來，基于機器學(xué)習(xí)和深度學(xué)習(xí)模型的復(fù)雜系統(tǒng)逐漸成為滑坡易發(fā)性制圖的主流技術(shù)（Di Napoli等人，2020；Liang等人，2022）。傳統(tǒng)的機器學(xué)習(xí)模型，如支持向量機（SVM）和決策樹（DT），由于其強大的非線性擬合能力，能夠有效捕捉導(dǎo)致滑坡的因素之間的復(fù)雜關(guān)系，并在區(qū)域滑坡預(yù)測中表現(xiàn)出良好性能（Wang等人，2020）。隨著數(shù)據(jù)集復(fù)雜性和規(guī)模的增加，集成學(xué)習(xí)模型（如Bagging和Boosting技術(shù)）逐漸應(yīng)用于滑坡易發(fā)性制圖（Fan等人，2017）。研究表明，以隨機森林（RF）和梯度提升決策樹（GBDT）為代表的集成學(xué)習(xí)模型，相比單一模型具有更高的預(yù)測準確性和更強的泛化能力，同時在數(shù)據(jù)處理能力上也有所提升（Akinci等人，2021；Youssef和Pourghasemi，2021）。此外，深度學(xué)習(xí)模型（如卷積神經(jīng)網(wǎng)絡(luò)（CNN）通過自動學(xué)習(xí)數(shù)據(jù)中的復(fù)雜空間關(guān)系，進一步提高了滑坡易發(fā)性制圖的準確性（Jia和Ye，2023）。深度學(xué)習(xí)可以直接從遙感圖像中提取特征，無需過多的特征選擇，能夠有效捕捉特征因素的空間連續(xù)性和復(fù)雜的空間關(guān)系，非常適合處理具有高度非線性特征的大規(guī)模復(fù)雜數(shù)據(jù)集（Chen等人，2024）。

然而，在縣級尺度的滑坡易發(fā)性制圖中，樣本量有限、滑坡影響區(qū)域小以及空間信息不足等問題依然存在，這對機器學(xué)習(xí)和深度學(xué)習(xí)模型構(gòu)成了重大挑戰(zhàn)（Kong等人，2025）。深度學(xué)習(xí)模型通常需要大量數(shù)據(jù)進行訓(xùn)練以提高泛化能力并避免過擬合風險。因此，在大規(guī)模研究區(qū)域中，當有大量滑坡樣本支持時，它們的表現(xiàn)通常非常出色（Zhang等人，2024）。但在小尺度滑坡易感性分析中，深度學(xué)習(xí)的高數(shù)據(jù)需求和復(fù)雜性限制了其在數(shù)據(jù)量有限的地區(qū)中的應(yīng)用，導(dǎo)致模型訓(xùn)練不穩(wěn)定和過擬合風險增加（Shi等人，2024；Bostjan?i?等人，2021；Lu等人，2025）。目前，由于在樣本量有限和小尺度研究區(qū)域中的強魯棒性，傳統(tǒng)機器學(xué)習(xí)模型和集成學(xué)習(xí)模型已成為小尺度滑坡易感性制圖的主流選擇（Lei等人，2025；Lu等人，2025）。盡管集成學(xué)習(xí)模型在處理復(fù)雜多維數(shù)據(jù)方面比傳統(tǒng)機器學(xué)習(xí)模型具有更強的能力，但在捕捉空間連續(xù)性和復(fù)雜空間關(guān)系方面仍相對較弱。集成學(xué)習(xí)模型在數(shù)據(jù)處理過程中傾向于將特征變量視為獨立的離散數(shù)據(jù)，更依賴結(jié)構(gòu)化數(shù)據(jù)，難以捕捉數(shù)據(jù)的空間分布連續(xù)性和特征特性（Prasad等人，2022）。因此，如何在合理選擇模型與有效捕捉空間特征之間取得平衡，是實現(xiàn)精確小尺度滑坡易感性制圖的關(guān)鍵問題。

此外，盡管這些模型的復(fù)雜內(nèi)部結(jié)構(gòu)和高維參數(shù)能夠有效捕捉滑坡災(zāi)害的非線性特征，但它們決策過程的缺乏透明度限制了其在實際應(yīng)用中的可解釋性，從而限制了其在災(zāi)害風險管理中的潛力。特別是在山區(qū)河谷城市中，由于地形復(fù)雜和水文條件多變，滑坡災(zāi)害的成因機制更加多樣和復(fù)雜（Hussain等人，2022；Solanki等人，2022）。這些城市不僅面臨頻繁的滑坡風險，而且居民居住空間有限、經(jīng)濟高度依賴自然資源的特點進一步加劇了災(zāi)害的威脅。因此，如何解釋這些“黑箱”模型的預(yù)測結(jié)果并將其有效應(yīng)用于城市災(zāi)害預(yù)防規(guī)劃和管理，也成為亟待解決的另一個關(guān)鍵問題。

本文旨在探討如何在小型縣級尺度上進行精確的滑坡易發(fā)性制圖，以提高實用性和可解釋性，從而將制圖結(jié)果有效應(yīng)用于城市災(zāi)害預(yù)防。本研究在具有典型山區(qū)河谷城市特征的陜西省南部石泉縣進行了實證研究，提出了一種基于“鄰域特征聚合（NFA）”的優(yōu)化方法，并運用多種機器學(xué)習(xí)模型進行滑坡易發(fā)性預(yù)測。在探索模型合理選擇的同時，還驗證了鄰域特征聚合方法的優(yōu)化效果和泛化能力。最后，通過SHAP解釋器進一步闡明了模型的可解釋性，并通過整合社會經(jīng)濟因素生成了風險層。這些努力為城市災(zāi)害預(yù)防規(guī)劃和管理提供了支持，同時探索了滑坡易感性制圖結(jié)果的有效應(yīng)用途徑。