地震和滑坡在全球范围内频繁发生，并根据其空间背景成为自然灾害。滑坡是最严重的自然灾害之一。滑坡属于质量运动现象，定义为岩石、土壤或碎石在斜坡上的向下移动（Cruden, 1991）。滑坡会造成巨大破坏，影响人类生活和经济活动（Glade, 1998），每年在全球范围内造成数十亿美元的损失以及人员伤亡（Gorsevski等人, 2000）。因此，识别滑坡易发区域对于减少潜在损害至关重要。在考虑受自然灾害影响的房屋数量的研究中，滑坡造成的损失仅次于地震（?an等人, 2013）。地震也可能引发滑坡。例如，在土耳其最近的地震中，发生了数千次滑坡（Gorum等人, 2023；Karakas等人, 2021；Kocaman等人, 2025）。在这种情况下，识别滑坡易发区域对于减少潜在损害和制定灾害评估策略至关重要。
减少滑坡相关损害的一个基本步骤是建立包含类型、活动和地理位置等特征的全面滑坡清单和数据库。该数据库是滑坡易发性和灾害评估的基础（Guzzetti等人, 1999）。滑坡易发性可以根据地质、地貌、气候、植被和土壤特征等条件，对某一地点发生滑坡的概率进行相对分类（Reichenbach等人, 2018）。在评估滑坡易发性时，需要确定过去/当前滑坡的特征以及导致滑坡的因素（地形、地质和环境因素），并调查未来可能具有相同特征的潜在滑坡区域。在滑坡易发性分析中，必须充分评估复杂的质量运动结构及其成因。通过这些分析获得的滑坡易发性地图的可靠性取决于高质量、准确且可用的数据，以及正确选择用于分析的方法和模型。过去导致滑坡的因素和条件将是今天或未来可能发生滑坡的前兆（?an等人, 2013；Guzzetti等人, 1999；Lee和Min, 2001；Tekin, 2019；Tekin和?an, 2018）。因此，滑坡易发性地图可以揭示并研究控制滑坡的因素及其分布之间的关系。地理信息系统（GIS）是识别和解释滑坡易发区域的最有效工具之一，能够在评估其社会影响方面提供更高的速度、精度和成本效益。GIS是一组用于收集、存储、查询、传输和显示地球数据的工具（Burrough, 1998）。GIS、遥感技术、计算机技术和软件的最新发展为存储和统计分析大量数据提供了可能。
已经开发出多种方法来制作滑坡易发性地图，这些方法大致分为定性和定量方法。定性方法依赖于专家知识和直接现场观察，而定量方法则使用计算机辅助的数据分析（Ayalew和Yamagishi, 2005；Carrara等人, 1995；Sarkar和Kanungo, 2004）。定性方法包括基于现场经验进行的直观方法或指数和参数图的叠加。定量方法包括统计分析、岩土工程方法和人工智能（AI）方法等多种途径。多年来，世界各地的研究人员应用了多种定量方法来制作滑坡易发性地图，如频率比（FR）（Akgün, 2012；Akgün等人, 2012；Ozdemir和Altural, 2013；Pradhan和Lee, 2010；Umar等人, 2014；Y?lmaz, 2009）、层次分析法（AHP）（Althuwaynee等人, 2014；Ercano?lu等人, 2008；Komac, 2006；Yal??n等人, 2011）和逻辑回归（Akgün和Erkan, 2016；Duman等人, 2006；Kundu等人, 2013；Nandi和Shakoor, 2009；Nefeslio?lu等人, 2008；Tunusluoglu等人, 2008；Wang等人, 2015；Yesilnacar和Topal, 2005）。滑坡涉及许多不确定性和复杂性，这些不确定性由复杂的地质、地貌特征和土地利用变化引起。为了克服滑坡易发性评估中的不确定性，研究人员最近转向了机器学习（ML）技术，因为这些技术能够有效解决复杂问题（Khaliq等人, 2023）。各种ML方法，如人工神经网络（ANN）（Aditian等人, 2018；Can等人, 2019；Choi等人, 2012；Conforti等人, 2014；Ercano?lu, 2005；Kawabata和Bandibas, 2009；Melchiorre等人, 2008；Romer和Ferentinou, 2016）、模糊逻辑方法（Akgün, 2012；Chen等人, 2017a；Ercano?lu和Temiz, 2011；Kanungo等人, 2009；Wang等人, 2013；Y?lmaz, 2010）、支持向量机（SVM）（Pradhan, 2013；San, 2014；Tien Bui等人, 2016；Yao等人, 2008）、随机森林（RF）（Chen等人, 2017b；Kaya Topa?li等人, 2024；Kim等人, 2018；Kutlug Sahin等人, 2020；Sevgen等人, 2019；Youssef等人, 2016）和混合模型（Balogun等人, 2021；Chen等人, 2021；Pham等人, 2019；Saha等人, 2023；Zhang等人, 2019）以及深度学习（DL）算法（Azarafza等人, 2021；Huang等人, 2020a；Li等人, 2021；Xiao等人, 2018）已被广泛应用于世界各地的滑坡易发区域。上述研究中的一个共同点是，ML模型比其他方法提供了更高的预测准确性（Huang等人, 2020b）。
由于土耳其的构造和地质结构，该国极易发生自然灾害。根据国家统计数据，地震在人员伤亡和财产损失方面位居首位，其次是滑坡和落石（AFAD, 2020）。东黑海地区由于地形陡峭和降雨量大，是滑坡最易发的区域（Akinci等人, 2020；Altürk, 2019；Ayd?no?lu和Altürk, 2022；Ba?alan, 2022；Bilgin, 2019；Ersay?n, 2022；Karakas等人, 2020；Mutlu, 2023；Nefeslio?lu和G?k?eo?lu, 2011；Orhan等人, 2020）。除了东黑海地区外，土耳其的东安纳托利亚、中安纳托利亚和地中海地区也发生了严重的滑坡灾害（AFAD, 2020）。本研究重点评估了梅尔辛省西部两个相邻地区的滑坡易发性，梅尔辛省是地中海地区最大的省份之一。在研究1950年至2019年间地中海地区发生大规模滑坡的数量时，梅尔辛省的滑坡数量最多，共374次（AFAD, 2020）。梅尔辛省有许多可能发生滑坡的区域，其中一些是居民区，一些是农业区，还有一些是农村地区。正如上述研究所述，ML技术在滑坡易发性分析中提供了较高的估算精度（Kavzoglu等人, 2018；Sachdeva等人, 2020）。然而，目前还没有针对Silifke和Mut地区或整个梅尔辛省进行过全面的滑坡易发性研究并发表相关成果。只有?il（2009）对研究区域东部的Erdemli地区进行了基于GIS的滑坡易发性分析，Tekin（2019）对研究区域西部的G?ksu流域进行过一些ML方法滑坡易发性评估。特别是在最近时期，2018年、2019年和2020年，影响并破坏了Silifke和Mut地区的许多滑坡事件，以及连接这两个地区的公路（图1）。在这些滑坡事件中，连接两个地区的公路长时间处于关闭状态。本研究使用频率比方法（一种统计方法）以及随机森林、逻辑回归、决策树、K-最近邻（KNN）、梯度提升（Gradient Boosting）、AdaBoost、Extra Trees、XGBoost等多种ML方法来揭示Silifke和Mut地区的滑坡易发性。所有模型的性能结果都进行了比较评估，并将每个模型的结果与滑坡易发性地图一起呈现，以确定研究区域的滑坡易发性。
