Debido a la complejidad de obtener los datos del inventario de deslizamientos de tierra, es un desafío establecer un modelo de predicción espacial de deslizamientos con muestras etiquetadas limitadas. Este artículo propuso una estrategia novedosa, denominada aprendizaje por transferencia con atributos (TLAs), para hacer un buen uso de los datos existentes del inventario de deslizamientos, una estrategia que se basa en un autoencoder variacional de una red generativa adversarial (VAEGAN) para mejorar el rendimiento de la predicción espacial de deslizamientos en áreas con escasez de muestras. A diferencia del aprendizaje por transferencia (TL), las TLAs preentrenan el modelo con los datos reconstruidos por VAEGAN, de modo que los modelos aprenden de antemano los atributos de deslizamientos de áreas con escasez de muestras. En consecuencia, se estableció una base de datos que contiene un total de 986 deslizamientos en tres áreas de estudio con 14 factores que influyen en los deslizamientos, y cada uno de los tres modelos, es decir, redes neuronales convolucionales (CNN), memoria a largo y corto plazo bidireccional (BiLSTM) y unidades recurrentes con compuertas (GRU), fue seleccionado respectivamente como extractor de características del VAEGAN para reconstruir los datos con atributos y el modelo de predicción para generar los mapas de susceptibilidad a deslizamientos para investigar y validar la estrategia TLA propuesta. Los resultados experimentales mostraron que la estrategia TLA aumentó el valor medio de los evaluadores, como el área bajo la curva de características operativas del receptor (AUROC), la puntuación F1, la precisión, el recall y la exactitud en aproximadamente un 2-7% en comparación con TL, resultados que indicaron que los datos generados tienen el atributo de áreas de estudio específicas y la efectividad de la estrategia TLA en áreas con escasez de muestras.