甘肃省地质灾害现象比较严重,尤其是滑坡（含泥石流、崩塌）灾害,具有数量较多、分布广泛,发生次数频繁,破坏性较强的特点。陇南地区是甘肃省地质灾害多发区域,而礼县作为当地滑坡灾害最为发育的县之一,为滑坡灾害的研究提供了有利条件。滑坡的易发性评价是防治滑坡的基础工作,如今机器学习模型在该领域的应用越来越深入,但不同模型在滑坡易发性评价中的适宜性程度和产生的评价结果都会出现不同。因此本研究以甘肃省陇南市礼县为研究区,以高程、坡向、坡度、距河流,道路和断裂带的距离、地层岩性、土壤类型、土地利用和年均降水量作为评价因子,使用四种树类机器学习模型（决策树、随机森林、XGBoost和Cat Boost）对研究区内滑坡易发性进行评价,并通过参数调整来提升各个模型的评价结果的精确度。由于单一时间节点的评价无法反映滑坡易发性在时间尺度上的变化,而土地利用对滑坡在时间尺度上的影响尤为显著,因此本文选取三期变化明显的土地利用数据,作为时间标杆对长时间尺度下的滑坡易发性进行评价。主要结论有:（1）精度最低的决策树模型对整个研究区易发性的划分结果更偏向于二分类情况,且当通过调参的手段使精度提高,模型结果泛化程度降低。而精度最高的随机森林模型的精度提升时,分区结果则呈现更泛化的特征,中等易发性分区的面积比重增加,与研究区实际情况更贴合。结合结果检验情况,本文认为随机森林模型更适用于该研究区的情况,得到的结果与实际情况对比,也显示出更好的空间一致性。（2）特征是机器学习分类预测过程中极重要的一部分,通过判断特征的表现,可发现决策树模型低估了距道路距离的重要性,XGBoost模型中高程因素作用被强调,坡向和距河流距离两个因素的作用被弱化。高程因素则是三种模型出现对滑坡易发性指标高估区域的共同因素。Cat Boost模型弱化距道路距离因素作用,更强调高程和降雨因素对模型的贡献。（3）基于精度最高的随机森林模型,对礼县地区进行时间尺度上的滑坡易发性评价,评价结果显示礼县内滑坡易发性较高区域主要以西汉水为干流的低海拔流域（1073—1611m）周围分布,而低易发性区域则与研究区西部的高海拔地区高度重合。总体易发性呈现东部高西部低,北部高南部低。时间变化上来看,1980年至2018年,研究区内滑坡易发性有所下降,极高和高易发性区域面积减少,但从2000至2018年,滑坡易发性程度较低的区域面积有所增加。（4）研究区内的自然植被不利于滑坡灾害的发育,如成片林地、灌木林地、疏林地和中高覆盖度草地,而海拔高,人口稀少,土地利用类型和岩性结构单一的裸岩石地和荒漠苔原区域内发生滑坡的可能性也较低。而覆盖度较低且根系强度较差的低覆盖度草地则落在极高和高易发性区域内,同样主要位于极高和高易发性分区内的土地利用类别还有河渠、滩地、水库坑塘、城乡居住用地、水田和旱地,这几类土地利用所在区域内,边坡稳定性较差,与其他区域相比更易发生滑坡。（5）在礼县地区,人类活动对滑坡的发生具有双向作用。西汉水干流流域附近的乡镇区域（燕河乡、石桥镇、王坝乡等）为了保障人民生命财产安全,区域内对防灾减灾措施执行的比较到位,因此该区域内反而出现滑坡易发性指标较高的分区面积减少的情况。而在其他区域内,人类活动对地表、边坡的改造使区域内滑坡易发性指标上升,发生滑坡的可能性增加。