La evaluación de la susceptibilidad a deslizamientos de tierra (LSA) juega un papel crucial en la prevención y mitigación de desastres. La selección aleatoria tradicional de muestras no relacionadas con deslizamientos (etiquetadas como 0) sufre de una pobre representatividad y alta aleatoriedad, lo que puede incluir áreas potenciales de deslizamientos y afectar la precisión de la LSA. Para abordar este problema, este estudio propone una nueva estrategia de muestreo basada en el Índice de Susceptibilidad a Deslizamientos (LSI-SFCM) que combina grados de pertenencia. Utiliza muestras de deslizamientos y muestras no etiquetadas para mapear el grado de pertenencia a deslizamientos a través de C-Means Difusos Semi-supervisados (SFCM). Las muestras no relacionadas con deslizamientos se seleccionan de regiones de baja pertenencia y se les asignan valores de pertenencia como etiquetas. Este estudio desarrolló tres modelos para LSA: Red Neuronal Convolucional (CNN), U-Net y Máquina de Soporte Vectorial (SVM), y comparó tres estrategias de muestreo de muestras negativas: Muestreo Aleatorio (RS), SFCM (muestras etiquetadas como 0) y LSI-SFCM. Los resultados demuestran que el LSI-SFCM mejora efectivamente la representatividad y diversidad de las muestras negativas, mejorando el rendimiento predictivo y la fiabilidad de la clasificación. Los modelos de aprendizaje profundo que utilizan LSI-SFCM mostraron una capacidad predictiva superior. El modelo CNN alcanzó un área bajo la curva de características operativas del receptor (AUC) del 95.52% y un valor de curva de tasa de predicción de 0.859. Además, en comparación con el agrupamiento difuso C-means (FCM) no supervisado tradicional, el SFCM produjo una distribución más razonable de los grados de pertenencia a deslizamientos, reflejando mejor la distinción entre deslizamientos y no deslizamientos. Este enfoque mejora la fiabilidad de la LSA y proporciona una base científica para las autoridades de prevención y mitigación de desastres.