第三章 土地利用空間分配模組設定與驗證
3.1 土地利用空間分配模組設定
3.1.2 土地利用變遷驅動力分析
表 3 土地利用變遷驅動因子彙整表
的自變數與應變數關係之強度，無法說明應變數的變異量可被自變數
另外本研究亦使用 ROC 方法來進行評估（Pontius et al., 2001）。
此評估方法乃係以對角線為參考基準線，如曲線剛好落在參考線上，
即代表該分類不具鑑別性；如曲線越往左上方，則代表分類的敏感度 越高，亦代表預測值之分類越接近實際值，如圖 13 所示。本研究各 土地利用類別 ROC 曲線，如圖 14 所示。
此外，Fawcett（2006）指出可透過 ROC 曲線下的面積（AUC, Area under cover）來進行判斷預測模型的優劣標準。當 AUC 值等於 1 時，
表示預測與實際值完全相符；當值介於 0.5 至 1 之間時，代表此結果
AUC 越接近 1 代表模式預測能力越佳。本研究中各土地利用類別的 AUC 值除礦業等於 0.5 外，其餘 AUC 值均大於 0.5，且以森林 0.938 為最高。
表 4 二元羅吉斯迴歸模型參數及 Hosmer & Lemeshow 檢定表
表 5 各土地利用二元羅吉斯迴歸模型正確率分類表
農業 森林 交通
水利 建築 公共
遊憩 礦業 其他
圖 14 各土地利用分類 ROC 曲線
3.1.4 土地利用驅動利因子分析結果
透過二元羅吉斯迴歸所建立的各土地利用類別變遷機率模式如 下。
(1) 農業
在農業的二元羅吉斯迴歸機率模型中，以雨量影響最大，土壤沖 蝕影響最小。結果呈現，農業用地在平均雨量及溫度適中、坡度緩、
里人口密度少及離道路距離近的地方，且土壤沖蝕作用相對強烈的地 方即土壤化育較佳較易進行農業耕作之處，分佈機率較高，如（(3）。
(3)
(2) 森林
在森林的二元羅吉斯迴歸機率模型中，以坡度影響最大，高程影 響最小。結果呈現森林用地在坡度較陡、海拔較高、氣候適中、離道
(3) 交通
在交通的二元羅吉斯迴歸機率模型中顯示，人口集中區、道路鄰 近處與溫度較溫暖之處，出現交通的機率較高。
(5)
(4) 水利
在水利的二元羅吉斯迴歸機率模型中顯示，僅與河流距離及高程 有關。當與河流距離越接近，高程越平緩之地方，呈現水利的機率越 高。
(6)
(5) 建築
在建築的二元羅吉斯迴歸機率模型中，呈現人口密度越高、離車 站及道路越近之地區，出現建築的機率越大。
(6) 公共
在公共的二元羅吉斯迴歸機率模型中顯示，越靠近車站、坡度越 緩、人口度越高且雨量較多的地方，出現公共用地的機率則越高。
(8)
(7) 遊憩
在遊憩的二元羅吉斯迴歸機率模型中顯示，土壤化育較佳之區 域、溫度適中且較為山上之區域，呈現遊憩的機率較高。
(9)
(8) 礦業
而礦業在二元羅吉斯迴歸機率模型中，在所挑選的因子中適配度 最低，無任何統計關係存在。
(10)
之處，出現其他的機率越高。
(11)
3.2 土地利用空間分配模組驗證
本研究利用 2008 年作為土地利用變遷預測基準年，透過土地轉 換許可、土地利用變遷趨動力及各土地利用類別需求面積（表 7）等 資料，進行土地利用變遷空間分配模擬，並以 2017 年土地利用調查 資料作為模式驗證。為求預測可信度，本研究利用 Pontius（2000）
提出之 Kappa 值最為模式可信度標準。
圖 15 為 2008 年桃園市土地利用調查分布情形，即基準年；圖
16 為 2017 年桃園市土地利用調查分布情形，即模擬結果驗證年；表 7 則為模式輸入中 2008 年至 2017 年間各土地利用類別需求面積。
根據 Pontius（2000）提出，可透過 Kappa 值評估預測結果與實 際結果之誤差，測量預測值之可信度。Kappa 值主要介於 0 至 1 之間，
其公式如下，
(12) 式中，P0代表觀測值正確率、Pc代表期望值的一致性，即結果相 同的機率。Pontius（2000）更指出依據模擬工具對數量和位置的分配
可信度極低；當值介於 0.2 至 0.4 時，表示可信度一般；當值介於 0.4 至 0.6 時，表示中度可信度；當值介於 0.6 至 0.8 時，表示高度可信 度；當值介於 0.8 至 1 時，代表可信度極高。故可知，當 Kappa 值越 接近 1，代表預測結果與觀測值越相近，表示預測結果越好。
圖 15 桃園市 2008 年土地利用調查成果
圖 16 桃園市 2017 年土地利用調查成果
表 7 2008 年至 2017 年各土地利用類別需求面積
年 農業 森林 交通 水利 建築 公共 遊憩 礦業 其他
2008 34,328 44,769 8,216 4,906 16,091 2,023 1,853 136 8,282 2009 34,235 44,768 8,241 4,886 16,174 2,232 1,858 131 8,080 2010 34,142 44,766 8,266 4,866 16,256 2,441 1,863 127 7,877 2011 34,049 44,765 8,291 4,846 16,339 2,650 1,868 122 7,675 2012 33,956 44,764 8,316 4,826 16,421 2,859 1,873 118 7,472 2013 33,862 44,762 8,340 4,806 16,504 3,067 1,879 113 7,270 2014 33,769 44,761 8,365 4,786 16,586 3,276 1,884 109 7,067 2015 33,676 44,760 8,390 4,766 16,669 3,485 1,889 104 6,865 2016 33,583 44,758 8,415 4,746 16,751 3,694 1,894 100 6,662 2017 33,490 44,757 8,440 4,726 16,834 3,903 1,899 95 6,460 單位：公頃
圖 17 桃園市 2017 年模式驗證成果 Kappa Coefficient = 0.764
第四章 未來土地利用變遷模擬及分析結果
4.1 2036 年土地利用需求量推估
土地利用變遷主要是透過不同時期地土地利用變化情形進行討 論。因此，可透過案例分析、情境模擬或其他分析預測模型，進行未 來土地利用需求量變化預測。本研究未來土地利用需求量推估方法如 下。
4.1.1 馬可夫鏈預測
然而，在地理學界常使用馬可夫鏈（Markov Chain）模式應用在 預測未來土地可能的發展。張政亮（2006）指出，「馬可夫鏈模式是 一種預測的方法，模式先假設某一事件各種狀態的轉變機率，是根基 於此時狀態的改變而不考慮其他因素，然後利用此一轉換率來推測未 來事物地分布狀態」。因此，本研究將運用馬可夫鏈轉換矩陣預測未 來 2036 年桃園市土地利用可能之發展。
表 9 為桃園市 2008 年至 2017 年間各土地利用類別演變彙整表，
表中粗體字為 2008 年至 2017 年間維持原土地利類別的面積。如以此
農地轉為森林、473 公頃農地轉為交通用地等依此類推。在 2017 年
表 10 桃園市 2008 年至 2017 年間各土地利用類別演變或然率矩陣
4.1.2 人口發展趨勢預測
圖 18 人口（橫坐標）與各土地利用（縱座標）線性迴歸關係圖
圖 19 至圖 21 為桃園市 2036 年各區人口推估分布成果。在 2036 年時，新屋區及復興區在低度人口推估時，人口數均少於 50,000 人；
中度人口推估時，新屋區人口數將增加一個級數至 50,001 至 100,000
表 12 低中高人口發展情境下桃園市 2016 年至 2036 年人口推估成果
年 低度人口 中度人口 高度人口
2016 2,061,312 2,061,312 2,061,312 2017 2,084,412 2,084,789 2,085,228 2018 2,107,511 2,108,266 2,109,144 2019 2,130,611 2,131,743 2,133,059 2020 2,153,710 2,155,220 2,156,975 2021 2,176,810 2,178,697 2,180,891 2022 2,197,492 2,201,280 2,205,893 2023 2,218,174 2,223,863 2,230,895 2024 2,238,857 2,246,447 2,255,896 2025 2,259,539 2,269,030 2,280,898 2026 2,280,221 2,291,613 2,305,900 2027 2,297,933 2,312,451 2,329,727 2028 2,315,646 2,333,289 2,353,553 2029 2,333,358 2,354,126 2,377,380 2030 2,351,071 2,374,964 2,401,206 2031 2,368,783 2,395,802 2,425,033 2032 2,382,152 2,412,906 2,445,672 2033 2,395,521 2,430,010 2,466,311 2034 2,408,889 2,447,114 2,486,949 2035 2,422,258 2,464,218 2,507,588 2036 2,435,627 2,481,322 2,528,227 註：臺北大學提供成果。
圖 19 桃園市各區未來 2036 年低度人口推估分布結果（臺北大學提供）
圖 21 桃園市各區未來 2036 年高度人口推估分布結果（臺北大學提供）
表 13 至表 15 為透過低、中及高度人口發展情境所推估的 2036 年各土地利用類別需求面積結果。其中，農業、森林、交通、水利、
建築、公共、遊憩及礦業均透過人口與土地利用關係式推求而得；另 為求每年整體土地利用需求固定，故透過其他類土地利用面積作為調 整。礦業則限制於 2021 年後不轉作其他土地利用類別，故於 2021 年 後均為定值。
圖 22 為馬可夫鏈模型及低中高度人口發展情境推估之 2036 年各
模型與中度人口發展推估成果比較，兩者推估成果相似；除利用馬可
表 14 中度人口發展情境下桃園市 2017 至 2036 年土地利用需求面積（公頃）
表 15 高度人口發展情境下桃園市 2017 至 2036 年土地利用需求面積（公頃）
4.2 2036 年土地利用空間分派結果
本小節將透過 3.2 節土地利用空間分派建模成果與 4.1 未來土地 利用推估成果進行 2036 年土地利用空間分配推估。相關 2036 年土地 利用空間分配結果如圖 24 至圖 27 所示。
圖 24 桃園市 2036 年馬可夫鏈土地利用空間分配結果
圖 25 桃園市 2036 年低度人口發展情境土地利用空間分配結果
圖 27 桃園市 2036 年高度人口發展情境土地利用空間分配結果
第五章 土地利用變遷對災害衝擊應用測試結果
為瞭解土地利用變化對災害衝擊所造成之影響，本研究選擇水資 源及淹水進行相關災害衝擊測試。未來土地利用空間分佈結果採用馬 可夫鏈模型推估結果進行相關測試，結果分述如下。
5.1 水資源衝擊測試結果
石門水庫集水區位於桃園市上游，為北臺灣重要水資源地區，為 瞭解未來土地利用變化是否造成北臺灣用水危機，故於此節討論。經 換算後，各土地利用類別分別佔石門水庫集水區比例如表 16 所示。
其中，2017 年時主要以森林為最多，佔將近 91%，其次為河道及水 庫所組成的水利類 3.7%。在 2036 年土地利用分佈上，仍以森林最多，
且增加至 93%，農業減少 1%為最多。
最後透過水資源系統模擬 1986 年至 2005 年月平均流量，如圖 28 所示。其結果發現，土地利用變化對石門水庫水資源平均月入流 量影響變化不大。主要原因為未來土地利用在石門水庫內變化不大，
故對於月平均流量影響不大。
表 16 土地利用變化對石門水庫 CN 值之影響
各土地利用所佔比例(%) 各土地利用 CN 值 2017 年 2036 年 2017 年 2036 年
農業 2.7 1.0 2 1
森林 91.3 92.9 64 65
交通 0.9 0.9 1 1
水利 3.7 3.6 4 4
建築 0.5 0.7 1 1
公共 0.6 0.6 1 1
遊憩 0.1 0.1 0 0
礦業 0.0 0.0 - -
其他 0.2 0.1 0 0
5.2 淹水衝擊測試結果
土地利用的改變除了會增加洪水發生的頻率外，亦會增加洪峰流 量，造成 該地水 患事件 及規模 均增加 之趨勢 （ Brath et al. 2006;
Szwagrzyk et al. 2018; Apollonio et al. 2016; Rogger et al. 2017; Akter et al. 2018）。故本研究亦將 2036 年土地利用空間分佈推估資料，透過 SOBEK 模式進行歷史事件模擬，並與 2017 年土地利用之模擬結果相 比較。表 17 為淹水模擬歷史事件，事件一為一般淹水事件，事件二 為嚴重淹水事件；兩場事件之相關降雨特性如表中所示。
圖 29 為土地利用改變後總積淹水面積增加差異表。圖中明顯可 知，土地利用改變確實會增加積淹水面積；然而事件一增加面積較事 件二多，此表示當雨量強度增加時，土地利用改變所造成的影響則相 對減少。圖 30 為土地利用改變後淹水災害變嚴重之區域。上述結果 僅為兩場降雨事件測試結果，其結果可信度需待未來增加相關模擬提 昇。
表 17 淹水測試案例
模擬事件 事件一
(2019-0517)
事件二 (2012-0610)
事件延時(hr) 37 31
最大 1 小時 85.5 128.1
最大 24 小時 472.8 560.6
圖 29 土地利用改變後淹水面積增加差異圖
第六章 結論與建議
根據今年度測試成果，本研究確實可掌握土地利用變遷模擬能力 並成功與災害衝擊鏈結。未來可透過土地管理政策，進行空間與災害 衝擊模擬分析，進行氣候變遷下相關調適選項。
參考文獻
Akter, T., Quevauviller, P., Eisenreich, S. J., &Vaes, G. (2018). Impacts of climate and land use changes on flood risk management for the Schijn River, Belgium.
Environmental Science and Policy, 89, 163–175.
Apollonio, C., Balacco, G., Novelli, A., Tarantino, E., &Piccinni, A. F. (2016). Land use change impact on flooding areas: The case study of Cervaro Basin (Italy).
Sustainability, 8(10).
Brath, A., Montanari, A., &Moretti, G. (2006). Assessing the effect on flood frequency of land use change via hydrological simulation (with uncertainty). Journal of Hydrology, 324(1–4), 141–153.
Coffey, R. (2013). The difference between “land use” and “land cover.” Retrieved simulating land use change. Applied Geography, 69, 1–9.
Li, F., Zhang, S., Bu, K., Yang, J., Wang, Q., &Chang, L. (2015). The relationships
Li, F., Zhang, S., Bu, K., Yang, J., Wang, Q., &Chang, L. (2015). The relationships