考虑到滑坡编录制作的耗时性,建立一种＂可迁移＂的滑坡易发性模型已越发重要.合理利用现有完整滑坡数据地区的样本集对无样本区域进行易发性预测具有重要意义.运用迁移成分分析(transfer　component　analysis,TCA)方法,结合深度学习卷积神经网络(convolutional　neural　network,CNN),尝试引入一种基于迁移学习域自适应方法的TCA-CNN模型,并以福建省两个库岸地区为例,提取　11个库岸相关环境因子建立滑坡空间数据库,将有样本的池潭库区易发性模型迁移至无样本的棉花滩库区进行预测,实现跨区域滑坡易发性评价.通过对棉花滩库区进行易发性预测,结果显示:(1)采用TCA方法处理后的不同研究区数据最大均值差异(maximize　mean　discrepancy,MMD)明显降低(0.022),数据实现近似同分布;(2)TCA-CNN模型的跨区域预测精度为　0.854,高于CNN模型(0.791),且通过历史滑坡验证其落入高、极高易发性区间的滑坡频率比占比最高(89.1%);(3)受试者工作特性(receiver　operating　characteristic,ROC)曲线下面积TCA-CNN模型为　0.93,高于CNN模型的　0.90.可见TCA-CNN模型能够有效运用建模区的样本数据实现对无样本区域的易发性评价,且相比于传统机器模型在进行跨区域预测时具有更高、更稳定的预测准确率,具备更强的泛化能力.