Earthquake-Induced Landslide Susceptibility Assessment by Fusing Convolutional Fuzzy Neural Network and SHAP Feature Optimization

DING Mingtao; JIANG Hui; LI Zhenhong; SHEN Chuanqing; LU Zhaolong

doi:10.13203/j.whugis20250017

您当前的位置：

首页 >

文章列表页 >

Earthquake-Induced Landslide Susceptibility Assessment by Fusing Convolutional Fuzzy Neural Network and SHAP Feature Optimization

Remote Sensing and Geological Disasters | 更新时间：2026-11-05

- Earthquake-Induced Landslide Susceptibility Assessment by Fusing Convolutional Fuzzy Neural Network and SHAP Feature Optimization
- Geomatics and Information Science of Wuhan University Vol. 51, Issue 7, Pages: 1404-1422(2026)
- 作者机构：
  
  1.智慧地球重点实验室，北京，100029
  2.长安大学地质工程与测绘学院，陕西西安，710054
  3.黄土科学全国重点实验室，陕西西安，710054
  4.西部矿产资源与地质工程教育部重点实验室，陕西西安，710054
  5.长安大学地学与卫星大数据研究中心，陕西西安，710054
  6.自然资源部陕西基础地理信息中心，陕西西安，710054
- 作者简介：
- 基金信息：
- DOI：10.13203/j.whugis20250017
  CLC： P237
- Received：19 June 2025，
  
  Published：05 July 2026
- 稿件说明：
移动端阅览
丁明涛,江辉,李振洪，等.融合卷积模糊神经网络与SHAP特征优化的地震诱发滑坡易发性评价[J].武汉大学学报（信息科学版）,2026,51(7):1404-1422.

DING Mingtao,JIANG Hui,LI Zhenhong,et al.Earthquake-Induced Landslide Susceptibility Assessment by Fusing Convolutional Fuzzy Neural Network and SHAP Feature Optimization[J].Geomatics and Information Science of Wuhan University,2026,51(7):1404-1422.
丁明涛,江辉,李振洪，等.融合卷积模糊神经网络与SHAP特征优化的地震诱发滑坡易发性评价[J].武汉大学学报（信息科学版）,2026,51(7):1404-1422. DOI：10.13203/j.whugis20250017

DING Mingtao,JIANG Hui,LI Zhenhong,et al.Earthquake-Induced Landslide Susceptibility Assessment by Fusing Convolutional Fuzzy Neural Network and SHAP Feature Optimization[J].Geomatics and Information Science of Wuhan University,2026,51(7):1404-1422. DOI：10.13203/j.whugis20250017

摘要

地震诱发滑坡是一种破坏性极强、危险性极高的地质灾害，准确评估地震诱发滑坡易发性对于震后救灾减灾及灾后重建至关重要。针对卷积神经网络（convolutional neural network

CNN）在处理地震诱发滑坡样本时，易出现过拟合和多源数据不确定性的问题，提出了一种基于卷积模糊神经网络（convolutional fuzzy neural network

CFNN）的地震诱发滑坡易发性方法。同时，引入夏普利加性解释（Shapley additive explanations

SHAP）特征优化策略，通过定量评估特征重要性，对模型输入进行筛选和优化，提升模型的预测精度。选取2017年九寨沟Ms 7.0地震、2022年芦山Ms 6.1地震及2022年泸定Ms 6.8地震组成研究区，涵盖5 990个滑坡实例，覆盖总面积为72.147 km

，选取16个滑坡影响因子构建并优化CFNN模型，完成了研究区地震诱发滑坡易发性评价。结果表明，距河流的距离、地震峰值加速度、高程、土壤覆盖类型以及距断层的距离是影响滑坡发育的关键因素。在模型性能对比中，相比于传统CNN模型，CFNN模型展现出更优的预测精度和显著的防过拟合能力。通过引入SHAP特征优化策略进一步优化后，CFNN模型在受试者工作特征曲线下的面积值可达0.942 0，表现出极高的预测性能。研究结果验证了CFNN模型在地震滑坡易发性评价中的可靠性，为地震滑坡灾害的预防和监测提供了新的理论依据和技术支持，同时也为深度学习模型在地质灾害领域的应用拓展提供了重要参考。

Abstract

Objectives

Earthquake-induced landslides is a highly destructive and dangerous geologic hazard

and the accurate assessment of their susceptibility is crucial for post-earthquake relief

mitigation

and reconstruction.

Methods

To address the limitations of convolutional neural network (CNN)

such as susceptibility to overfitting and uncertainty in multi-source data

a novel approach based on a convolutional fuzzy neural network (CFNN) is proposed. The proposed method combines the efficient feature extraction capability of CNN with the strong uncertainty handling capability of fuzzy logic to achieve accurate modeling and feature optimization of landslide influencing factors. Additionally

the Shapley additive explanations (SHAP) feature optimization strategy is introduced to quantitatively evaluate feature importance

enabling the selection and optimization of model inputs. The 2017 Jiuzhaigou Ms 7.0

the 2022 Lushan Ms 6.1

and the 2022 Luding Ms 6.8 earthquakes are selected as the study area

which includes a total of 5 990 landslide instances covering an area of 72.147 km

. A total of 16 landslide impact factors are selected for comprehensive analysis. The CFNN model is constructed and optimized to evaluate earthquake-induced landslide susceptibility in the study area.

Results

The results indicate that the distance to rivers

peak ground acceleration

elevation

soil cover type

and distance to faults are the key factors influencing landslide development. Compared with the traditional CNN models

the CFNN model demonstrates superior performance and exhibits significant overfitting resistance. Furthermore

after incorporating the SHAP-based feature optimization strategy

the performance of the CFNN model is further enhanced

achieving an area under the receiver operating characteristic curve of 0.942 0

indicating excellent predictive accuracy.

Conclusions

The results verify the reliability of the CFNN model in earthquake-induced landslide susceptibility evaluation

providing a new theoretical basis and technical support for the prevention and monitoring of such disasters. Moreover

these results provide a valuable reference for advancing the application of deep learning models in geohazard studies.

关键词

Keywords

references

王莞瞳，马思远，严武建，等 . 2014年Mw 6.2鲁甸地震滑坡易发性评估：基于卷积神经网络与随机森林算法的对比［J］. 地震地质， 2026 ， 48 （ 2 ）： 497 - 519 .

WANG Wantong ， MA Siyuan ， YAN Wujian ， et al . Landslide Susceptibility Assessment of the 2014 Ludian Earthquake： Comparative Study Based on Convolutional Neural Network and Random Forest ［J］. Seismology and Geology ， 2026 ， 48 （ 2 ）： 497 - 519 .

LIU J ， ZHANG Y B ， WEI J T ， et al . Hazard Assessment of Earthquake-Induced Landslides by Using Permanent Displacement Model Considering Near-Fault Pulse-Like Ground Motions ［J］. Bulletin of Engineering Geology and the Environment ， 2021 ， 80 （ 11 ）： 8503 - 8518 .

MARANO K D ， WALD D J ， ALLEN T I . Global Earthquake Casualties Due to Secondary Effects： A Quantitative Analysis for Improving Rapid Loss Analyses ［J］. Natural Hazards ， 2010 ， 52 （ 2 ）： 319 - 328 .

SUN J B ， YUE H ， SHEN Z K ， et al . The 2017 Jiuzhaigou Earthquake： A Complicated Event Occurred in a Young Fault System ［J］. Geophysical Research Letters ， 2018 ， 45 （ 5 ）： 2230 - 2240 .

AN Y R ， WANG D ， MA Q ， et al . Preliminary Report of the September 5， 2022 Ms 6.8 Luding Earthquake， Sichuan， China ［J］. Earthquake Research Advances ， 2023 ， 3 （ 1 ）： 100184 .

XIAO Z K ， XU C ， HUANG Y D ， et al . Analysis of Spatial Distribution of Landslides Triggered by the Ms 6.8 Luding Earthquake in China on September 5， 2022 ［J］. Geoenvironmental Disasters ， 2023 ， 10 （ 1 ）： 3 .

HAN G J ， DAI D Q ， LI Y ， et al . Rapid Report of the December 18， 2023 Ms 6.2 Jishishan Earthquake， Gansu， China ［J］. Earthquake Research Advances ， 2024 ， 4 （ 2 ）： 100287 .

陈博，宋闯，陈毅，等 . 2023年甘肃积石山Ms 6.2地震同震滑坡和建筑物损毁情况应急识别与影响因素研究［J］. 武汉大学学报（信息科学版）， 2025 ， 50 （ 2 ）： 322 - 332 .

CHEN Bo ， SONG Chuang ， CHEN Yi ， et al . Emergency Identification and Influencing Factor Analysis of Coseismic Landslides and Building Damages Induced by the 2023 Ms 6.2 Jishishan （Gansu， China） Earthquake ［J］. Geomatics and Information Science of Wuhan University ， 2025 ， 50 （ 2 ）： 322 - 332 .

GUZZETTI F . Landslide Hazard Assessment and Risk Evaluation： Limits and Prospectives ［C］// The 4th EGS Plinius Conference ， Mallorca， Spain ， 2003 .

GLADE T ， CROZIER M J . The Nature of Landslide Hazard Impact ［M］//CROZIER M J， GLADE T. Landslide Hazard and Risk . Chichester ： Wiley ， 2005 ： 15 - 46 .

CHEN W Y ， ZHANG L M . Resilience Assessment of Regional Areas Against Earthquakes Using Multi-source Information Fusion ［J］. Reliability Engineering & System Safety ， 2021 ， 215 ： 107833 .

赵占骜，王继周，毛曦，等 . 多维CNN耦合的滑坡易发性评价方法［J］. 武汉大学学报（信息科学版）， 2024 ， 49 （ 8 ）： 1466 - 1481 .

ZHAO Zhan'ao ， WANG Jizhou ， MAO Xi ， et al . A Multi-dimensional CNN Coupled Landslide Susceptibility Assessment Method ［J］. Geomatics and Information Science of Wuhan University ， 2024 ， 49 （ 8 ）： 1466 - 1481 .

WANG Y ， FANG Z C ， HONG H Y . Comparison of Convolutional Neural Networks for Landslide Susceptibility Mapping in Yanshan County， China ［J］. Science of the Total Environment ， 2019 ， 666 ： 975 - 993 .

GE Y F ， LIU G ， TANG H M ， et al . Comparative Analysis of Five Convolutional Neural Networks for Landslide Susceptibility Assessment ［J］. Bulletin of Engineering Geology and the Environment ， 2023 ， 82 （ 10 ）： 377 .

秦佳松，李为乐，周胜森，等 . 考虑InSAR地表形变的滑坡易发性评价负样本选取与结果优化［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 6 ）： 1228 - 1241 .

QIN Jiasong ， LI Weile ， ZHOU Shengsen ， et al . Negative Sample Selection and Result Optimization for Landslide Susceptibility Assessment Considering InSAR Surface Deformation ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 6 ）： 1228 - 1241 .

PRADHAN B ， DIKSHIT A ， LEE S ， et al . An Explainable AI （XAI） Model for Landslide Susceptibility Modeling ［J］. Applied Soft Computing ， 2023 ， 142 ： 110324 .

YANG Q Y ， WANG X M ， YIN J ， et al . A Novel CGBoost Deep Learning Algorithm for Coseismic Landslide Susceptibility Prediction ［J］. Geoscience Frontiers ， 2024 ， 15 （ 2 ）： 101770 .

SHARMA S ， DUTTA S ， ALBINI E ， et al . REFRESH： Responsible and Efficient Feature Reselection Guided by SHAP Values ［C］// AAAI/ACM Conference on AI ， Ethics， and Society， Montreal， Canada， 2023 .

CHEN C F ， LIU Y ， LI Y Y ， et al . Explainable Artificial Intelligence Framework for Urban Global Digital Elevation Model Correction Based on the SHapley Additive Explanation-Random Forest Algorithm Considering Spatial Heterogeneity and Factor Optimization ［J］. International Journal of Applied Earth Observation and Geoinformation ， 2024 ， 129 ： 103843 .

XU X Z ， CAO D ， ZHOU Y ， et al . Application of Neural Network Algorithm in Fault Diagnosis of Mechanical Intelligence ［J］. Mechanical Systems and Signal Processing ， 2020 ， 141 ： 106625 .

KORSHUNOVA K P . A Convolutional Fuzzy Neural Network for Image Classification ［C］// The 3rd Russian-Pacific Conference on Computer Technology and Applications ， Vladivostok， Russia ， 2018 .

LIN C J ， YANG T Y . A Fusion-Based Convolutional Fuzzy Neural Network for Lung Cancer Classification ［J］. International Journal of Fuzzy Systems ， 2023 ， 25 （ 2 ）： 451 - 467 .

FAN X M ， SCARINGI G ， XU Q ， et al . Coseismic Landslides Triggered by the 8th August 2017 Ms 7.0 Jiuzhaigou Earthquake （Sichuan， China）： Factors Controlling Their Spatial Distribution and Implications for the Seismogenic Blind Fault Identification ［J］. Landslides ， 2018 ， 15 （ 5 ）： 967 - 983 .

范宣梅，方成勇，戴岚欣，等 . 地震诱发滑坡空间分布概率近实时预测研究：以2022年6月1日四川芦山地震为例［J］. 工程地质学报， 2022 ， 30 （ 3 ）： 729 - 739 .

FAN Xuanmei ， FANG Chengyong ， DAI Lanxin ， et al . Near Real Time Prediction of Spatial Distribution Probability of Earthquake-Induced Landslides： Take the Lushan Earthquake on June 1， 2022 as an Example ［J］. Journal of Engineering Geology ， 2022 ， 30 （ 3 ）： 729 - 739 .

方荣新，陈智潜，李大炜，等 . 基于北斗PPP-B2b改正信号的地震同震形变实时监测方法［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 3 ）： 567 - 575 .

FANG Rongxin ， CHEN Zhiqian ， LI Dawei ， et al . A Method for Real-Time Coseismic Displacement Monitoring Based on BDS PPP-B2b Correction Signals ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 3 ）： 567 - 575 .

陈博，李振洪，黄武彪，等 . 2022年四川泸定Mw 6.6级地震诱发地质灾害空间分布及影响因素［J］. 地球科学与环境学报， 2022 ， 44 （ 6 ）： 971 - 985 .

CHEN Bo ， LI Zhenhong ， HUANG Wubiao ， et al . Spatial Distribution and Influencing Factors of Geohazards Induced by the 2022 Mw 6.6 Luding （Sichuan， China） Earthquake ［J］. Journal of Earth Sciences and Environment ， 2022 ， 44 （ 6 ）： 971 - 985 .

范宣梅，王欣，戴岚欣，等 . 2022年Ms 6.8级泸定地震诱发地质灾害特征与空间分布规律研究［J］. 工程地质学报， 2022 ， 30 （ 5 ）： 1504 - 1516 .

FAN Xuanmei ， WANG Xin ， DAI Lanxin ， et al . Characteristics and Spatial Distribution Pattern of Ms 6.8 Luding Earthquake Occurred on September 5， 2022 ［J］. Journal of Engineering Geology ， 2022 ， 30 （ 5 ）： 1504 - 1516 .

CAO J ， ZHANG Z ， WANG C Z ， et al . Susceptibility Assessment of Landslides Triggered by Earthquakes in the Western Sichuan Plateau ［J］. Catena ， 2019 ， 175 ： 63 - 76 .

LING S X ， SUN C W ， LI X N ， et al . Characterizing the Distribution Pattern and Geologic and Geomorphic Controls on Earthquake-Triggered Landslide Occurrence During the 2017 Ms 7.0 Jiuzhaigou Earthquake， Sichuan， China ［J］. Landslides ， 2021 ， 18 （ 4 ）： 1275 - 1291 .

YANG S ， LI D Y ， SUN Y Q ， et al . Effect of Landslide Spatial Representation and Raster Resolution on the Landslide Susceptibility Assessment ［J］. Environmental Earth Sciences ， 2024 ， 83 （ 4 ）： 132 .

YU L B ， WANG Y ， PRADHAN B . Enhancing Landslide Susceptibility Mapping Incorporating Landslide Typology via Stacking Ensemble Machine Learning in Three Gorges Reservoir， China ［J］. Geoscience Frontiers ， 2024 ， 15 （ 4 ）： 101802 .

武雪玲，沈少青，牛瑞卿 . GIS支持下应用PSO-SVM模型预测滑坡易发性［J］. 武汉大学学报（信息科学版）， 2016 ， 41 （ 5 ）： 665 - 671 .

WU Xueling ， SHEN Shaoqing ， NIU Ruiqing . Landslide Susceptibility Prediction Using GIS and PSO-SVM ［J］. Geomatics and Information Science of Wuhan University ， 2016 ， 41 （ 5 ）： 665 - 671 .

郭飞，吴迪，葛民荣，等 . 连续变量因子分级和机器学习模型对滑坡易发性评价精度的影响［J］. 武汉大学学报（信息科学版）， 2026 ， 51 （ 2 ）： 236 - 248 .

GUO Fei ， WU Di ， GE Minrong ， et al . Influence of Continuous Variable Factor Classification and Machine Learning Model on the Accuracy of Landslide Susceptibility Evaluation ［J］. Geomatics and Information Science of Wuhan University ， 2026 ， 51 （ 2 ）： 236 - 248 .

HUANG W B ， DING M T ， LI Z H ， et al . Landslide Susceptibility Mapping and Dynamic Response Along the Sichuan-Tibet Transportation Corridor Using Deep Learning Algorithms ［J］. Catena ， 2023 ， 222 ： 106866 .

HSU M J ， CHIEN Y H ， WANG W Y ， et al . A Convolutional Fuzzy Neural Network Architecture for Object Classification with Small Training Database ［J］. International Journal of Fuzzy Systems ， 2020 ， 22 （ 1 ）： 1 - 10 .

SHAPLEY L S . A Value for N-Person Games ［M］//KUHN H W， TUCKER A W. Contributions to the Theory of Games： Vol. 2 . Princeton ： Princeton University Press ， 1953 ： 307 - 317 .

LUNDBERG S M ， LEE S I . A Unified Approach to Interpreting Model Predictions ［C］// The 31st International Conference on Neural Information Processing Systems ， Long Beach， USA ， 2017 .

YANG J ， DING M T ， HUANG W B ， et al . A Generalized Deep Learning-Based Method for Rapid Co-seismic Landslide Mapping ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing ， 2024 ， 17 ： 16970 - 16983 .

黄武彪，丁明涛，王栋，等 . 基于层数自适应加权卷积神经网络的川藏交通廊道沿线滑坡易发性评价［J］. 地球科学， 2022 ， 47 （ 6 ）： 2015 - 2030 .

HUANG Wubiao ， DING Mingtao ， WANG Dong ， et al . Evaluation of Landslide Susceptibility Based on Layer Adaptive Weighted Convolutional Neural Network Model Along Sichuan-Xizang Traffic Corridor ［J］. Earth Science ， 2022 ， 47 （ 6 ）： 2015 - 2030 .

YU L B ， CAO Y ， ZHOU C ， et al . Landslide Susceptibility Mapping Combining Information Gain Ratio and Support Vector Machines： A Case Study from Wushan Segment in the Three Gorges Reservoir Area， China ［J］. Applied Sciences ， 2019 ， 9 （ 22 ）： 4756 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

A Multi-dimensional CNN Coupled Landslide Susceptibility Assessment Method

Geometric and Frequency-Domain Constrained Single-Step Diffusion for Seabed Terrain Super-Resolution Reconstruction

Intelligent Change Detection Method and Application Based on Wuhan-1 Satellite Imagery

Three-State Fusion Support Problem of Marine Geographic Information for Ship Navigation

Spatiotemporal Intelligence： Theory and Applications

Related Author

ZHAO Zhan'ao

WANG Jizhou

MAO Xi

MA Weijun

LU Wenjuan

HE Yi

GAO Xuanyu

Related Institution

Faculty of Geomatics, Lanzhou Jiaotong University

Chinese Academy of Surveying and Mapping

College of Geodesy and Geomatics, Shandong University of Science and Technology

AI问答

⁰