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、祥本选择方法、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最佳样本比例确定方法，建立了基于多重缓冲区采样的滑坡易发性评价置信图。
刘磊磊，男，博士，湖北监利人，现任中南大学地质工程系特聘副教授，硕士研究生导师，2022年湖南省自然科学基金优秀青年项目获得者。2011年本科毕业于中南大学地质工程专业，同年保送本校硕士研究生，并于2014年获得硕士学位；2018年获得香港理工大学岩土工程专业哲学博士学位（Ph.D.）。曾先后在香港理工大学和香港城市大学担任研究助理，主要从事地质灾害防治与风险控制、岩土工程不确定性量化、可靠度分析等方面的研究工作。目前，共发表论文50多篇，其中SCI/EI检索40篇，以第一作者/通讯作者身份在Geoscience Frontiers、Landslides、Engineering Geology、Computers and Geotechnics、Reliability Engineering and System Safety等地质/岩土工程领域国际权威和重要期刊上发表论文32篇；获计算机软件著作登记权7项，申请/授权国家专利25项；合作出版英文专著1部；主持国家重点研发计划项目子课题、国家自然科学基金青年基金项目、湖南省自然科学基金优秀青年项目、贵州省科技支撑计划项目、湖南省自然科学基金青年基金项目等纵、横向科研项目20余项；主持本科生/研究生教改项目、课程思政项目4项；受邀担任SCI期刊Frontiers in Earth Science的评审编辑和专刊编辑，同时任《中南大学学报（自然科学版）》《煤田地质与勘探》《地质科技通报》《钻探工程》等期刊青年编委、湖南省地质灾害防治学会理事、中国土木工程学会工程风险与保险研究分会青年论坛委员会委员及多个国内外权威SCI/EI期刊特邀审稿人。
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
3.8 滑坡易发性区划图制作与评价
3.8.1 自然断点法
3.8.2 等间距法
3.8.3 分位数法
3.8.4 频率比法
3.9 小结
第4章 基于ArcGIS的易发性评价因子图层制作——以安化县为例
4.1 ArcGIS简介
4.2 安化县概况
4.2.1 地理位置
4.2.2 气象与水文
4.2.3 社会经济发展概况
4.2.4 地质环境概况
4.2.5 人类工程活动
4.2.6 滑坡灾害概况
4.3 数据来源与处理
4.4 评价因子的选取原则
4.5 常见因子图层制作
4.5.1 基础地质
4.5.2 地形地貌
4.5.3 水文环境
4.5.4 人类工程活动
4.6 小结
第5章 因子选择对滑坡易发性评价的影响
5.1 因子选择的目的与策略
5.1.1 因子选择的目的
5.1.2 因子选择策略
5.2 因子选择方法
5.2.1 皮尔逊相关系数
5.2.2 多重共线性分析
5.2.3 最大互信息系数
5.2.4 基于随机森林的平均不纯度
5.2.5 递归特征消除
5.3 滑坡易发性评价模型
5.3.1 机器学习模型
5.3.2 模型超参数
5.4 因子选择结果
5.5 滑坡易发性评价结果
5.5.1 建模精度比较
5.5.2 区划结果比较
5.6 小结
第6章 考虑因子组合特征的滑坡易发性评价模型
6.1 AFM模型
6.2 基于AFM的滑坡易发性评价模型
6.2.1 基准机器学习模型
6.2.2 模型超参数
6.3 滑坡易发性评价结果
6.3.1 AFM模型的因子分析
6.3.2 建模精度比较
6.3.3 区划结果的比较
6.3.4 结果讨论
6.4 小结
第7章 基于频率比采样策略的滑坡易发性评价
7.1 基于频率比的采样策略
7.1.1 基于频率比的采样原理
7.1.2 采用的模型和超参数
7.2 样本选择结果
7.2.1 因子频率比分析结果
7.2.2 因子相关性分析结果
7.2.3 补充样本的有效性
7.3 滑坡易发性评价结果
7.3.1 建模精度
7.3.2 区划结果
7.4 讨论
7.4.1 评价因子的不同数据来源
7.4.2 不同历史滑坡点与补充正样本数量比例的影响
7.4.3 滑坡评价因子相关系数闲值对滑坡易发性评价的影响
7.4.4 基于频率比采样方法的特点
7.5 小结
第8章 基于易发性指数采样策略的滑坡易发性评价
8.1 基于滑坡易发性指数的采样策略
8.1.1 基本采样原理
8.1.2 机器学习模型和超参数
8.2 样本选择结果
8.2.1 贝叶斯优化算法确定补充样本的最佳数量
8.2.2 样本的精度检验
8.3 滑坡易发性评价结果
8.3.1 建模精度的比较
8.3.2 ROC曲线
8.3.3 区划结果的比较
8.3.4 滑坡易发性指数分布规律
8.4 讨论
8.4.1 不同机器学习模型的最佳样本比例
8.4.2 随机森林模型和支持向量机模型原理
8.5 小结
第9章 样本比例对滑坡易发性评价的影响与优化
9.1 易发性评价模型
9.1.1 梯度提升树模型
9.1.2 模型超参数
9.2 贝叶斯优化样本比例的原理及参数
9.2.1 贝叶斯优化算法原理
9.2.2 贝叶斯优化算法参数
9.3 优化样本比例
9.4 滑坡易发性评价结果
9.4.1 建模精度比较
9.4.2 滑坡易发性区划结果的比较
9.5 机器学习模型计算效率
9.6 小结
第10章 单次采样易发性制图的不确定性分析
10.1 易发性评价模型
10.1.1 极端
书单推荐
