滑坡易发性评价研究进展与优化方法

　　本书以基于机器学习的滑坡易发性评价为主题，重点阐述滑坡易发性评价研究进展，基于机器学习的滑坡易发性评价基本理论、优化方法及其在区域滑坡防灾减灾中的应用。本书针对机器学习易发性评价模型中的评价因子选择、因子组合特征、样本选择方法、样本比例及采样不确定性对滑坡易发性评价的影响等问题，系统对比分析了不同因子选择方法对不同滑坡易发性评价机器学习模型性能的影响，提出了考虑因子组合特征的机器学习易发性评价方法，发展了基于频率比和易发性指数采样的滑坡易发性评价模型，揭示了滑坡正负样本比例和采样方法对机器学习易发性评价模型性能的影响规律．提出了基于贝叶斯优化的滑坡易发性评价 样本比例确定方法。建立了基于多重缓冲区采样的滑坡易发性评价置信图。本书研究成果丰富了基于机器学习的滑坡易发性评价理论和方法．有望为地质灾害防灾减灾工作提供有力支持。本书可供地质工程、岩土工程、土木工程、水利工程、采矿工程、测绘工程和地理信息系统等相关专业的教师、研究人员和工程技术人员参考使用，也可作为高等院校和科研院所相关专业的研究生教材和参考用书。

暂缺《滑坡易发性评价研究进展与优化方法》作者简介

第1章 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 滑坡易发性评价模型
1.2.2 易发性评价因子
1.2.3 因子数据挖掘
1.2.4 制图方法
1.3 存在的问题与不足
1.4 研究内容
第2章 滑坡易发性评价研究进展分析
2.1 文献计量分析原理
2.1.1 文献数据库
2.1.2 LDA方法
2.2 文献分析结果
2.2.1 科研产出变化
2.2.2 作者及地域分布
2.2.3 期刊／会议期刊
2.2.4 基金／资助机构
2.2.5 关键词分析
2.2.6 LDA文献分类及分析
2.3 讨论
2.3.1 滑坡编录方法
2.3.2 易发性评价因子
2.3.3 滑坡易发性评价模型
2.3.4 滑坡类别和研究区域
2.3.5 滑坡易发性相关的其他研究
2.4 小结
第3章 基于机器学习的滑坡易发性评价
3.1 机器学习原理
3.2 基于机器学习的滑坡易发性评价流程
3.3 样本数据
3.3.1 滑坡样本
3.3.2 非滑坡样本
3.3.3 训练集与测试集
3.4 评价单元
3.4.1 斜坡单元
3.4.2 栅格单元
3.5 常用的机器学习模型
3.5.1 逻辑回归模型
3.5.2 人工神经网络模型
3.5.3 支持向量机模型
3.5.4 随机森林模型
3.6 超参数优化
3.6.1 超参数简介
3.6.2 网格搜索
3.6.3 随机搜索
3.7 模型评价指标
3.7.1 混淆矩阵
3.7.2 Kappa系数
3.7.3 ROC曲线与AUC值