在三大地质灾害中滑坡是最常见的,由滑坡灾害造成的损失也是巨大的,虽然近几年来地质灾害发生数量和损失呈下降趋势,但是全年灾害数量仍在1万起以上,因此对于滑坡灾害进行区域预测研究仍是很有现实意义的,可以为政府部门提供基础的预报信息,有效降低滑坡灾害所造成的损失和伤亡,达到防灾减灾的目的。目前对于区域滑坡进行易发性预测研究取得了很多成果,特别是在预测模型的建立上。通过与数学方法的结合提出了很多预测模型,但这些模型均有一定的局限性,在对区域滑坡灾害进行预测时不能有效地得到各影响因素的重要性,因此在预测指标体系的选取上常常考虑各类因素,这样可能存在指标冗余,也会增加预测过程中的计算工作量,不利于进行高效快速的预测。因此本文尝试采用一种预测方法使其在预测指标的选取上能够充分考虑各因素的重要性同时剔除冗余指标信息并据此建立预测指标体系用于区域滑坡灾害易发性预测。在对区域滑坡灾害进行预测时主要考虑各因素组合情况,因此可以将预测过程作为决策系统来研究,同时参与预测的各因素又不全是精确的,因此在进行数据处理时可以运用粗集理论。通过粗集计算各因素的重要性并且对数据进行约简,利用神经网络对约简数据进行模拟建立用于预测的模型,充分利用粗集理论约简数据的能力和神经网络的泛化、容错能力,这样在预测指标体系的选取上就更有依据,并且得到的预测结果解释性更强,能够减少参与预测的因素,有效地提高预测效率。本论文基于“鄂西恩施地区滑坡形成机制与危险性评价”项目,在野外调查和室内地质资料分析的基础上,分析各因素与滑坡灾害发生的关系,经过初步筛选选取地层岩性、坡度、斜坡结构、坡高、土地利用类型、公路开挖、沟谷影响范围和地下水类型等8个因素作为研究区滑坡灾害预测的指标体系,对线状变量采用敏感系数法进行状态划分,连续变量和离散变量采用统计的方法划分状态。选取研究精度较高的区域作为样本区,对样本区中数据采用粗集理论计算各因素重要性,并且按照重要性从小到大逐个删除预测因素判断是否会造成系统数据不协调,据此来剔除冗余属性数据,并用神经网络对样本数据进行模拟学习,将预测区数据导入神经网络模型中就可以得到研究区滑坡灾害易发性分区图。本文利用GIS的数据提取能力和空间分析能力,采用规则网格(200m×200m)将研究区划分为25500个单元,运用粗集——神经网络模型对其进行了预测分区,利用GIS的图形处理功能得到研究区滑坡灾害易发性分区图。通过本文的研究,主要取得了下列成果：(1)基于滑坡灾害易发性预测研究的复杂性,提出粗集——神经网络的理论模型。将粗集理论和神经网络结合起来能够充分利用粗集处理不精确数据的能力和神经网络训练数据时的模拟、容错能力,优化了原有预测模型。(2)将粗集理论应用到滑坡灾害易发预测过程中可以为有效选取预测指标体系提供一种新的方法,有效地解决了不同地区预测指标体系选取的问题,避免了预测指标体系中因素的重复性和冗余性。通过对各预测指标进行重要性计算不仅能够确定各预测因素与滑坡灾害之间的关系,而且可以据此对预测因素进行约简,确定滑坡发生最有利的因素组合,在实际工作中减少数据处理量,利用最简洁的预测指标体系进行滑坡灾害预测。(3)恩施州历史地质灾害中滑坡灾害占78.8%,为有效地实现防灾减灾需要进行滑坡灾害易发性预测研究,利用模型对该区1020km2范围内滑坡灾害进行了预测研究,预测结果与实际情况较为吻合,预测精度较高,表明该模型数据能够对相同比例尺条件下的类似区域进行滑坡灾害易发性预测分区。(4)按照统计数据和敏感性系数对8个因素进行状态划分,使因素状态较为合理。采用粗集理论计算各因素的重要性,按照决策表协调的原则剔除土地利用类型和坡高两个因素,对约简后的数据采用神经网络进行模拟建模,减少了模型数据量,提高了训练效率,用该模型对目标区进行预测,结果较为满意。根据重要性程度得到研究区滑坡灾害主要受地层岩性、坡度和斜坡结构影响,对预测结果进行统计分析也表明这种因素状态组合是最有利滑坡发生的,在进行现场调查时可以据此进行简易预测。