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。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。

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