第1章 緒論
1.1 研究背景與意義
1.2 研究現(xiàn)狀
1.2.1 滑坡易發(fā)性評價模型
1.2.2 易發(fā)性評價因子
1.2.3 因子數(shù)據(jù)挖掘
1.2.4 制圖方法
1.3 存在的問題與不足
1.4 研究內(nèi)容
第2章 滑坡易發(fā)性評價研究進展分析
2.1 文獻計量分析原理
2.1.1 文獻數(shù)據(jù)庫
2.1.2 LDA方法
2.2 文獻分析結(jié)果
2.2.1 科研產(chǎn)出變化
2.2.2 作者及地域分布
2.2.3 期刊／會議期刊
2.2.4 基金／資助機構(gòu)
2.2.5 關(guān)鍵詞分析
2.2.6 LDA文獻分類及分析
2.3 討論
2.3.1 滑坡編錄方法
2.3.2 易發(fā)性評價因子
2.3.3 滑坡易發(fā)性評價模型
2.3.4 滑坡類別和研究區(qū)域
2.3.5 滑坡易發(fā)性相關(guān)的其他研究
2.4 小結(jié)
第3章 基于機器學習的滑坡易發(fā)性評價
3.1 機器學習原理
3.2 基于機器學習的滑坡易發(fā)性評價流程
3.3 樣本數(shù)據(jù)
3.3.1 滑坡樣本
3.3.2 非滑坡樣本
3.3.3 訓練集與測試集
3.4 評價單元
3.4.1 斜坡單元
3.4.2 柵格單元
3.5 常用的機器學習模型
3.5.1 邏輯回歸模型
3.5.2 人工神經(jīng)網(wǎng)絡模型
3.5.3 支持向量機模型
3.5.4 隨機森林模型
3.6 超參數(shù)優(yōu)化
3.6.1 超參數(shù)簡介
3.6.2 網(wǎng)格搜索
3.6.3 隨機搜索
3.7 模型評價指標
3.7.1 混淆矩陣
3.7.2 Kappa系數(shù)
3.7.3 ROC曲線與AUC值
3.8 滑坡易發(fā)性區(qū)劃圖制作與評價
3.8.1 自然斷點法
3.8.2 等間距法
3.8.3 分位數(shù)法
3.8.4 頻率比法
3.9 小結(jié)
第4章 基于ArcGIS的易發(fā)性評價因子圖層制作——以安化縣為例
4.1 ArcGIS簡介
4.2 安化縣概況
4.2.1 地理位置
4.2.2 氣象與水文
4.2.3 社會經(jīng)濟發(fā)展概況
4.2.4 地質(zhì)環(huán)境概況
4.2.5 人類工程活動
4.2.6 滑坡災害概況
4.3 數(shù)據(jù)來源與處理
4.4 評價因子的選取原則
4.5 常見因子圖層制作
4.5.1 基礎地質(zhì)
4.5.2 地形地貌
4.5.3 水文環(huán)境
4.5.4 人類工程活動
4.6 小結(jié)
第5章 因子選擇對滑坡易發(fā)性評價的影響
5.1 因子選擇的目的與策略
5.1.1 因子選擇的目的
5.1.2 因子選擇策略
5.2 因子選擇方法
5.2.1 皮爾遜相關(guān)系數(shù)
5.2.2 多重共線性分析
5.2.3 最大互信息系數(shù)
5.2.4 基于隨機森林的平均不純度
5.2.5 遞歸特征消除
5.3 滑坡易發(fā)性評價模型
5.3.1 機器學習模型
5.3.2 模型超參數(shù)
5.4 因子選擇結(jié)果
5.5 滑坡易發(fā)性評價結(jié)果
5.5.1 建模精度比較
5.5.2 區(qū)劃結(jié)果比較
5.6 小結(jié)
第6章 考慮因子組合特征的滑坡易發(fā)性評價模型
6.1 AFM模型
6.2 基于AFM的滑坡易發(fā)性評價模型
6.2.1 基準機器學習模型
6.2.2 模型超參數(shù)
6.3 滑坡易發(fā)性評價結(jié)果
6.3.1 AFM模型的因子分析
6.3.2 建模精度比較
6.3.3 區(qū)劃結(jié)果的比較
6.3.4 結(jié)果討論
6.4 小結(jié)
第7章 基于頻率比采樣策略的滑坡易發(fā)性評價
7.1 基于頻率比的采樣策略
7.1.1 基于頻率比的采樣原理
7.1.2 采用的模型和超參數(shù)
7.2 樣本選擇結(jié)果
7.2.1 因子頻率比分析結(jié)果
7.2.2 因子相關(guān)性分析結(jié)果
7.2.3 補充樣本的有效性
7.3 滑坡易發(fā)性評價結(jié)果
7.3.1 建模精度
7.3.2 區(qū)劃結(jié)果
7.4 討論
7.4.1 評價因子的不同數(shù)據(jù)來源
7.4.2 不同歷史滑坡點與補充正樣本數(shù)量比例的影響
7.4.3 滑坡評價因子相關(guān)系數(shù)閑值對滑坡易發(fā)性評價的影響
7.4.4 基于頻率比采樣方法的特點
7.5 小結(jié)
第8章 基于易發(fā)性指數(shù)采樣策略的滑坡易發(fā)性評價
8.1 基于滑坡易發(fā)性指數(shù)的采樣策略
8.1.1 基本采樣原理
8.1.2 機器學習模型和超參數(shù)
8.2 樣本選擇結(jié)果
8.2.1 貝葉斯優(yōu)化算法確定補充樣本的最佳數(shù)量
8.2.2 樣本的精度檢驗
8.3 滑坡易發(fā)性評價結(jié)果
8.3.1 建模精度的比較
8.3.2 ROC曲線
8.3.3 區(qū)劃結(jié)果的比較
8.3.4 滑坡易發(fā)性指數(shù)分布規(guī)律
8.4 討論
8.4.1 不同機器學習模型的最佳樣本比例
8.4.2 隨機森林模型和支持向量機模型原理
8.5 小結(jié)
第9章 樣本比例對滑坡易發(fā)性評價的影響與優(yōu)化
9.1 易發(fā)性評價模型
9.1.1 梯度提升樹模型
9.1.2 模型超參數(shù)
9.2 貝葉斯優(yōu)化樣本比例的原理及參數(shù)
9.2.1 貝葉斯優(yōu)化算法原理
9.2.2 貝葉斯優(yōu)化算法參數(shù)
9.3 優(yōu)化樣本比例
9.4 滑坡易發(fā)性評價結(jié)果
9.4.1 建模精度比較
9.4.2 滑坡易發(fā)性區(qū)劃結(jié)果的比較
9.5 機器學習模型計算效率
9.6 小結(jié)
第10章 單次采樣易發(fā)性制圖的不確定性分析
10.1 易發(fā)性評價模型
10.1.1 極端