滑坡定义为斜坡上的岩体或土体,受到地下水活动、雨水浸泡、河流冲刷、地震或工程切坡等影响,在坡体自身重力作用下,沿着一定的软弱面或软弱带,整体或分散地向下滑动的现象。滑坡灾害一旦发生,不仅会直接威胁人们的生命财产安全,还会间接的导致土地规划、生产生活和环境资源利用等影响深远的问题。近年来,滑坡易发性评价的机器学习模型进步显著,但依然有必要采用更先进的机器学习模型,以便提高易发性评价精度;同时,现有预测降雨型滑坡时间概率的临界降雨阈值法以累积降雨量—历时或降雨强度—历时为主,往往未考虑前期有效降雨量对边坡稳定性的影响,导致临界降雨阈值的计算准确性有待提高;另外,不同的临界降雨阈值法计算得到的滑坡发生时间概率有所差异,这种差异给临界降雨阈值计算带来了较大的不确定性。针对上述滑坡危险性预警中存在的问题,本文以我国典型山地丘陵地区——江西省寻乌县为研究区域,开展基于易发性和临界降雨阈值的滑坡危险性预警研究,本文具体的研究内容和研究成果如下:(1)获取了研究区近40年的325个降雨型滑坡灾害数据,调查分析了研究区的地形地貌、地质条件、水文环境、土壤植被和人类工程活动的分布情况,结合研究区历史滑坡编录信息分析了研究区滑坡发育的环境影响因素。(2)基于研究区滑坡发育的环境影响因素,选取地形地貌因子、基础地质因子、水文环境因子、地表覆盖因子这4类基础环境因子的10个滑坡易发性评价因子,包括高程、坡度、坡向、平面曲率、剖面曲率、地形起伏度、距离水系的距离、地层岩性、NDVI(归一化植被指数)、NDBI(归一化建筑物指数),通过对各环境因子进行分类或分级,统计各分类或分级的滑坡频率比值来分析滑坡发育与所选评价因子之间的关系。(3)对研究区数据进行归一化处理,对训练测试数据以7:3的比例进行划分,选择支持向量机、多层感知器和随机森林三种监督机器学习模型对研究区进行滑坡易发性评价并得出相应模型的滑坡易发性评价分级图。运用ROC曲线、统计学精度和对分级结果的比较,对比分析三种模型的建模效果,结果显示随机森林模型能更准确的对研究区滑坡易发性做出评价。(4)根据寻乌县气象局历年日降雨量数据与滑坡编录日期,统计得到滑坡发生当日及前15日降雨量数据;通过分析降雨量,降雨历时和滑坡事件的相关关系,得到符合研究区实际情况的用于计算前期有效降雨强度的前期有效降雨系数,并计算出前期有效降雨强度。在前期有效降雨强度的基础上,结合滑坡事件的降雨历时分别计算出累积有效降雨量—历时、有效降雨强度—历时和累积有效降雨量—有效降雨强度模型,对比分析三种阈值模型的建模效果。结果显示有效降雨强度—历时模型能更好的反映研究区降雨型滑坡发生得时间概率。(5)将寻乌县滑坡易发性(反映滑坡发生的空间概率)及降雨诱发滑坡的时间概率相耦合,实现区域滑坡的时空联合预警。利用研究区10个典型滑坡案例进行了验证分析,得出研究区滑坡危险性预警分级图和相应预警措施,结果表明预警分级结果与实际情况相吻合。