Commonly used data-driven models for landslide susceptibility prediction (LSP) can be mainly classified as heuristic, general statistical or machine learning models. This study plans to compare the prediction performance of these data-driven models on the landslide susceptibility mapping, thus further to explore the inherently features of these data-driven models. As a result, a more accurate and reliable LSP can be realized through choosing an optimal data-based model. A heuristic model represented by the analytic hierarchy process (AHP), a general statistical model represented by the general linear model (GLM) and information value (IV) model, and machine learning models represented by binary logistic regression (BLR), Multilayer Perceptron (MLP), back-propagation neural network (BPNN), support vector machine (SVM) and C5.0 decision tree (C5.0 DT) are adopted in this study. Shicheng County in China is used as the study area. In total, 369 landslides identified through field investigation are classified as training (70%) and testing datasets (30%). Next, 13 landslide conditioning factors (elevation, slope, aspect, plan curvature, profile curvature, relief amplitude, total surface radiation, population density, Normalized difference vegetation index, distance to river, topographic wetness index and rock types) are acquired from data sources of the free remote sensing images, Digital Elevation Model, field investigation and government reports. The correlations between these conditioning factors and the landslide locations are determined by frequency ratio analysis. Then, the landslide susceptibility indexes (LSIs) calculated by the eight trained models are imported into GIS software to produce landslide susceptibility maps of Shicheng County. Finally, the area under receiver operating characteristic curve (AUC), the calculated LSIs are applied to assess the LSP performance of the present eight models. The testing results show that these eight models generate reasonable LSP results as a whole, further showing that the C5.0 DT is of the highest prediction accuracy with an AUC value of 0.868, followed by the SVM (0.813), BPNN (0.803), MLP (0.792), BLR (0.784), GLM (0.779), IV (0.774) and AHP (0.773). It can be inferred that the machine learning models have higher LSP performance than general statistical and heuristic models due to its high AUC accuracy and reasonable LSIs distribution features, while general statistical model is limited by its linear analysis and heuristic model is limited by subjective weighting process.

Landslide susceptibility prediction (LSP) has been widely and effectively implemented by machine learning (ML) models based on remote sensing (RS) images and Geographic Information System (GIS). However, comparisons of the applications of ML models for LSP from the perspectives of supervised machine learning (SML) and unsupervised machine learning (USML) have not been explored. Hence, this study aims to compare the LSP performance of these SML and USML models, thus further to explore the advantages and disadvantages of these ML models and to realize a more accurate and reliable LSP result. Two representative SML models (support vector machine (SVM) and CHi-squared Automatic Interaction Detection (CHAID)) and two representative USML models (K-means and Kohonen models) are respectively used to scientifically predict the landslide susceptibility indexes, and then these prediction results are discussed. Ningdu County with 446 recorded landslides obtained through field investigations is introduced as case study. A total of 12 conditioning factors are obtained through procession of Landsat TM 8 images and high-resolution aerial images, topographical and hydrological spatial analysis of Digital Elevation Modeling in GIS software, and government reports. The area value under the curve of receiver operating features (AUC) is applied for evaluating the prediction accuracy of SML models, and the frequency ratio (FR) accuracy is then introduced to compare the remarkable prediction performance differences between SML and USML models. Overall, the receiver operation curve (ROC) results show that the AUC of the SVM is 0.892 and is slightly greater than the AUC of the CHAID model (0.872). The FR accuracy results show that the SVM model has the highest accuracy for LSP (77.80%), followed by the CHAID model (74.50%), the Kohonen model (72.8%) and the K-means model (69.7%), which indicates that the SML models can reach considerably better prediction capability than the USML models. It can be concluded that selecting recorded landslides as prior knowledge to train and test the LSP models is the key reason for the higher prediction accuracy of the SML models, while the lack of a priori knowledge and target guidance is an important reason for the low LSP accuracy of the USML models. Nevertheless, the USML models can also be used to implement LSP due to their advantages of efficient modeling processes, dimensionality reduction and strong scalability.

Quantitative calculation of single landslide risk has great significance for the prevention and treatment of landslides, through analysing the slope stability under different rainfall recurrence periods. In this study, the rainfall of the past 40 years in Xun'wu County of China is counted and the rainfall during the return periods of 10, 20 and 50 years are calculated to form three different rainfall conditions. Then, the stability of Cheng'nan landslide in Xun'wu County is calculated by the Geo‐Studio 2007 software, and the probability of landslide occurrence is obtained by Monte Carlo theory under these three conditions. Next, the field investigation is employed to obtain the statistical results of the buildings and personnel in the affected area of Cheng'nan landslide. Finally, the risk of economic loss and casualty under the three conditions are calculated. It was demonstrated that: (1) Under the three conditions, the safety factor decreased gradually, the rate of decrease was slower in the first 3 days and faster in the middle period and there was still a downward trend after the end of the rain. (2) The probability of landslide occurrence during the rainfall return periods of 10, 20 and 50 years were 1.77%, 2.97% and 1.61%, respectively. Besides, the risk index of landslide was the highest under the condition of 20‐years rainfall return period. (3) The economic loss risk and casualty risk in the rainfall return periods of 10, 20 and 50 years were 122,700‐yuan and 4.11 people, 205,900‐yuan and 6.89 people, as well as 11,600‐yuan and 3.74 people, respectively.