Landslides are widely distributed worldwide and often result in tremendous casualties and economic losses, especially in the Loess Plateau of China. Taking Wuqi County in the hinterland of the Loess Plateau as the research area, using Bayesian hyperparameters to optimize random forest and extreme gradient boosting decision trees model for landslide susceptibility mapping, and the two optimized models are compared. In addition, 14 landslide influencing factors are selected, and 734 landslides are obtained according to field investigation and reports from literals. The landslides were randomly divided into training data (70%) and validation data (30%). The hyperparameters of the random forest and extreme gradient boosting decision tree models were optimized using a Bayesian algorithm, and then the optimal hyperparameters are selected for landslide susceptibility mapping. Both models were evaluated and compared using the receiver operating characteristic curve and confusion matrix. The results show that the AUC validation data of the Bayesian optimized random forest and extreme gradient boosting decision tree model are 0.88 and 0.86, respectively, which showed an improvement of 4% and 3%, indicating that the prediction performance of the two models has been improved. However, the random forest model has a higher predictive ability than the extreme gradient boosting decision tree model. Thus, hyperparameter optimization is of great significance in the improvement of the prediction accuracy of the model. Therefore, the optimized model can generate a high-quality landslide susceptibility map.

中文翻译：

---

贝叶斯超参数优化随机森林和XGBoost模型在滑坡敏感性绘图中的应用

滑坡在世界范围内分布广泛，往往造成巨大的人员伤亡和经济损失，特别是在我国黄土高原地区。以黄土高原腹地吴起县为研究区，利用贝叶斯超参数优化随机森林和极端梯度提升决策树模型进行滑坡敏感性制图，并对两种优化模型进行比较。此外，还选取了14个滑坡影响因素，根据实地调查和文字报道，得到734个滑坡。滑坡随机分为训练数据（70%）和验证数据（30%）。使用贝叶斯算法优化随机森林和极端梯度提升决策树模型的超参数，然后选择最优的超参数进行滑坡敏感性映射。使用受试者工作特征曲线和混淆矩阵对两种模型进行评估和比较。结果表明，贝叶斯优化随机森林和极端梯度提升决策树模型的AUC验证数据分别为0.88和0.86，分别显示了4%和3%的提升，表明两种模型的预测性能得到了提升。改进。然而，随机森林模型比极端梯度提升决策树模型具有更高的预测能力。因此，超参数优化对于提高模型的预测精度具有重要意义。因此，优化后的模型可以生成高质量的滑坡敏感性图。使用受试者工作特征曲线和混淆矩阵对两种模型进行评估和比较。结果表明，贝叶斯优化随机森林和极端梯度提升决策树模型的AUC验证数据分别为0.88和0.86，分别显示了4%和3%的提升，表明两种模型的预测性能得到了提升。改进。然而，随机森林模型比极端梯度提升决策树模型具有更高的预测能力。因此，超参数优化对于提高模型的预测精度具有重要意义。因此，优化后的模型可以生成高质量的滑坡敏感性图。使用受试者工作特征曲线和混淆矩阵对两种模型进行评估和比较。结果表明，贝叶斯优化随机森林和极端梯度提升决策树模型的AUC验证数据分别为0.88和0.86，分别显示了4%和3%的提升，表明两种模型的预测性能得到了提升。改进。然而，随机森林模型比极端梯度提升决策树模型具有更高的预测能力。因此，超参数优化对于提高模型的预测精度具有重要意义。因此，优化后的模型可以生成高质量的滑坡敏感性图。结果表明，贝叶斯优化随机森林和极端梯度提升决策树模型的AUC验证数据分别为0.88和0.86，分别显示了4%和3%的提升，表明两种模型的预测性能得到了提升。改进。然而，随机森林模型比极端梯度提升决策树模型具有更高的预测能力。因此，超参数优化对于提高模型的预测精度具有重要意义。因此，优化后的模型可以生成高质量的滑坡敏感性图。结果表明，贝叶斯优化随机森林和极端梯度提升决策树模型的AUC验证数据分别为0.88和0.86，分别显示了4%和3%的提升，表明两种模型的预测性能得到了提升。改进。然而，随机森林模型比极端梯度提升决策树模型具有更高的预测能力。因此，超参数优化对于提高模型的预测精度具有重要意义。因此，优化后的模型可以生成高质量的滑坡敏感性图。表明两种模型的预测性能都有所提升。然而，随机森林模型比极端梯度提升决策树模型具有更高的预测能力。因此，超参数优化对于提高模型的预测精度具有重要意义。因此，优化后的模型可以生成高质量的滑坡敏感性图。表明两种模型的预测性能都有所提升。然而，随机森林模型比极端梯度提升决策树模型具有更高的预测能力。因此，超参数优化对于提高模型的预测精度具有重要意义。因此，优化后的模型可以生成高质量的滑坡敏感性图。