Recently, one of the most frequent natural hazards around several regions in the world is the landslide events. The area of Jabal Farasan in the northwest Jeddah of Saudi Arabia suffers from landslide events. The main cause of these events was identified due to the anthropogenic activities represented by mining activities. In this work, different machine learning algorithms (MLA), Random Forest (RF), K-Nearest Neighbor (KNN), and Naïve Bayes (NB) were implemented to predict the landslides events integrated with remote sensing data. The objective is to generate landslides susceptibility prediction map using different MLA. The landslides inventory map was prepared in the present study based on the historical landslide’s events. Landslides at 1354 locations were used to train the models and validate the prediction. Landslides controlling factors include: elevation, slope, curvature, aspect, distance from roads, lineaments density, and topographic wetness index (TWI). Our findings indicate that landslides more likely occurs in the areas of mining activities, close to the roads and the Wadi tributaries due to the high slope angle in some cases. Subsequently, the prediction maps were classified into landslide occurrence location and non-landslides occurrence’s model's validation using the receiver operating characteristic (ROC) curve showed that the model accuracy varied between 86 and 89% for RF, KNN, and NB. The produced landslide susceptibility map in this study would provide useful information for hazard management and control in such natural hazards.

最近，世界上几个地区最常见的自然灾害之一是滑坡事件。沙特阿拉伯吉达西北部的 Jabal Farasan 地区遭受山体滑坡事件的影响。这些事件的主要原因是由于以采矿活动为代表的人为活动。在这项工作中，实施了不同的机器学习算法 (MLA)、随机森林 (RF)、K-最近邻 (KNN) 和朴素贝叶斯 (NB) 来预测与遥感数据相结合的滑坡事件。目标是使用不同的 MLA 生成滑坡敏感性预测图。本研究根据历史滑坡事件编制了滑坡清单图。使用 1354 个地点的滑坡来训练模型并验证预测。滑坡控制因素包括：海拔、坡度、曲率、坡向、与道路的距离、线路密度和地形湿度指数 (TWI)。我们的研究结果表明，在某些情况下，由于高坡角，滑坡更可能发生在采矿活动区域，靠近道路和 Wadi 支流。随后，预测图被分类为滑坡发生位置和非滑坡发生模型的验证，使用接收器操作特征 (ROC) 曲线表明，RF、KNN 和 NB 的模型精度在 86% 和 89% 之间变化。本研究制作的滑坡敏感性图将为此类自然灾害中的灾害管理和控制提供有用的信息。和地形湿度指数（TWI）。我们的研究结果表明，在某些情况下，由于高坡角，滑坡更可能发生在采矿活动区域，靠近道路和 Wadi 支流。随后，预测图被分类为滑坡发生位置和非滑坡发生模型的验证，使用接收器操作特征 (ROC) 曲线表明，RF、KNN 和 NB 的模型精度在 86% 和 89% 之间变化。本研究制作的滑坡敏感性图将为此类自然灾害中的灾害管理和控制提供有用的信息。和地形湿度指数（TWI）。我们的研究结果表明，在某些情况下，由于高坡角，滑坡更可能发生在采矿活动区域，靠近道路和 Wadi 支流。随后，预测图被分类为滑坡发生位置和非滑坡发生模型的验证，使用接收器操作特征 (ROC) 曲线表明，RF、KNN 和 NB 的模型精度在 86% 和 89% 之间变化。本研究制作的滑坡敏感性图将为此类自然灾害中的灾害管理和控制提供有用的信息。预测图被分类为滑坡发生位置和非滑坡发生模型的验证使用接收器操作特征 (ROC) 曲线表明模型精度在 RF、KNN 和 NB 的 86% 和 89% 之间变化。本研究制作的滑坡敏感性图将为此类自然灾害中的灾害管理和控制提供有用的信息。预测图被分类为滑坡发生位置和非滑坡发生模型的验证使用接收器操作特征 (ROC) 曲线表明模型精度在 RF、KNN 和 NB 的 86% 和 89% 之间变化。本研究制作的滑坡敏感性图将为此类自然灾害中的灾害管理和控制提供有用的信息。