滑坡地质灾害严重威胁着人民群众的生命和财产安全,并且对自然资源、生态系统和基础设施造成了严重破坏。通过将地理信息系统（GIS）技术与机器学习模型紧密结合,可构建出更高效、准确的易发性预测模型。滑坡易发性预测建模中存在若干重要的问题,下面分别分析这些问题:滑坡编录与其环境因子之间的非线性关联性计算以及不同机器学习模型,是影响滑坡易发性预测建模不确定性的重要因素。为研究这些不确定性因素作用下滑坡易发性预测的变化规律,以中国会昌县为例,通过概率统计、频率比、信息量、熵指数和证据权等五种联接方法分别耦合逻辑回归、多层感知器、贝叶斯网络、支持向量机和C5.0决策树等五种机器学习模型,形成25种工况来开展滑坡易发性预测,并与原始环境因子数据作为输入变量的单独机器学习模型进行对比,实现滑坡易发性预测建模规律分析。现有滑坡易发性预测建模大多是只建立在某一种滑坡类型之上,而没有综合考虑多类滑坡之间的联系和差别。针对这一问题,拟构建出考虑滑坡类型的滑坡易发性预测模型并分析其建模不确定性。以中国会昌县为例考虑岩崩、堆积层滑坡两种类型滑坡进行三种易发性建模:（a）将不同类型滑坡直接组合在一起,再开展易发性建模的直接组合法;（b）将已预测的各类型滑坡易发性指数通过概率统计公式计算出滑坡易发性,即概率统计法;（c）通过对比选取各类型滑坡易发性中的较大值作为最终滑坡易发性值,即易发性比较法。然后评价考虑滑坡类型的滑坡易发性结果不确定性。临界降雨阈值常用来区分降雨所诱发的滑坡和非滑坡。在考虑了滑坡类型的滑坡易发性制图基础上,进一步考虑降雨诱发滑坡的危险性预警建模研究。其主要研究内容和结果如下:（1）基于证据权的机器学习模型预测滑坡易发性的不确定性最小,可见证据权具有比其他方法更优秀的非线性关联性能。单独机器学习模型预测的易发性精度整体略低于耦合模型,但其建模效率高于耦合模型;在体现滑坡与其环境因子空间关联性方面,考虑联接法的耦合模型优势显著。（2）在本文选用的五种机器学习模型中,C5.0决策树和支持向量机模型预测性能较好,其次分别为贝叶斯网络、多层感知器和逻辑回归模型。在滑坡易发性建模过程中,机器学习模型因素比联接方法因素敏感度更高。（3）基于C5.0决策树和支持向量机的三种考虑滑坡类型的滑坡易发性模型预测结果整体精度均较好,易发性结果相似度较高且差别不大;直接组合法预测滑坡易发性的不确定性低于概率计算法和易发性比较法,但各种考虑不同滑坡类型的滑坡易发性预测模型的性能还有待更多案例的验证。（4）2019年2处真实滑坡验证结果表明:传统危险性和全概率危险性预警效果均较好,2处滑坡都落在极高易发性区域（0.8以上）、降雨阈值五级特别警告区域（90%～100%）和极高危险性（0.7以上）区域。