坡地崩塌潛勢評估模型建立

在進行坡地易損性分析中，必須要考量的另一特性即是坡地崩塌的幾 何特性。對於網格崩塌資訊，目前已可藉由高精度衛星影像判釋得到，但此 資訊未必完全符合地形特性，同時具有一定的不確定性。因此，本研究考量 地形特徵單元與未來評估合理性期望引入坡面單元（slope unit）分析，坡面 單元因具有符合地形特徵之特點，此特點利於進一步之分析及坡面評估，相 較網格單元更可靠及合理可行。然而，網格法具有相同之幾何條件，利於資 料分析並可消除空間幾何權重之影響。因此，本研究直接以坡面單元作為分 析評估單元，並以網格式分析來消除樣本差異的影響，將可更有助於坡地崩 塌警戒管理分析之應用。

在過去的計畫中，本團隊透過歷史資料依據機率密度函數做為函數進 行擬合，以此經驗法來得到一條可描述之坡地崩塌可能性曲線，而其假定崩 塌發生之現象會符合對數常態分佈(Lognormal Distribution)之假說，透過最 大似然性函數的計算(危害事件機率的平均值與標準差兩個參數)，進而套配 出所謂的崩塌易損性曲線(Hsieh et al. 2013; Lei et al., 2014)，在歷史資料量 不足或雨量資料涵蓋量不足的形況下，可能產生局部最佳解而非全域最佳 解，另外一方面，這樣模式的樣本採樣，又受限於事件規模的稀少性與昂貴 性，導致無法針對研究區進行二十至三十年所有崩塌災害事件的事件目錄 建置，這又會導致分析出來的模式有其限用性。

然而，類神經網路是近年來最受矚目的人工智慧模型之一，只要給予類 神經網路系統輸入及輸出，他們即能調整自身的參數，模擬出該系統的狀況，

並以最有效率的方式解決。這是因為類神經網路具有下述的優點：(1)使用 者不需要對於系統有通盤的瞭解，僅需要將設定好的輸入及輸出交給目標 的類神經網路，該網路就能夠成功的去模擬這個系統。(2)類神經網路本身

的模擬模型而言是非常有利的，因為低參數量代表我們不用耗費太多的資 學習(unsupervised learning)、聯想式學習(associate learning)與最佳化應用 (optimization application)等四種。監督式學習就是事先定義已知的樣本及類

而類神經是由多個人工神經元與其連結而成，並且可組成各種網路模 式，神經網路中基本單位為「神經元」，神經元組合而成「層」，層組合成「網 路」，其中層的原件有輸入層、隱藏層、輸出層，輸入層接受輸入訊息，其 處理單元依照問題而定，隱藏層在於輸入與輸出層間傳遞訊息，可以有一層 或多層，隨著問題而有著不同的層數，其中隱藏層之節點數目不定，輸出層 在神經元傳遞訊息、分析、權衡後，形成輸出結果，其最後輸出節點依問題 決定。

在本次模式建立中，除了基礎的環境潛勢因子資料庫做為模式之變數 外，本研究將探索各坡面單元中歷年的最大事件降雨擾動，以及其崩塌頻率 與崩塌變異與當年度之降雨誘發造成之崩塌間之關聯性分析，因此在模式 建立之資料庫上，將串聯環境潛勢因子資料庫以及歷五年間之降雨以及崩 塌特徵時序資料，作為模式建立之輸入變數，而我們所使用的資料集欄位如 下表 3- 3 所示，其中可以看出，在本資料集中，我們可將分為因素分為兩 大種類，分別為環境因子及事件因子，環境因子代表的是該坡面之環境相關 因素，包含其地質分類、坡度、距離河道遠近及植生，但由表中我們可以看 出，前 19 項變數者皆為靜態環境因子，而植生則是動態環境因子，其本身 會受到當年之氣候、環境等影響，而會有不同的數值，屬於變動性較大之時 間序列資訊，因此其屬於動態環境因子。而前期降雨擾動因子以及當年度降 雨誘發因子，則是代表該欄位是由過去五年所造成之相關降雨以及崩塌變 異數值，如 93 年度與 94 年度間至 97 年度與 98 年度間之各年度颱風豪雨 之最大降雨數值以及崩塌變異特徵等，其數值表示代表的是各年度中颱風 豪雨事件間之最大時雨量及其對應之累積雨量以及各類崩塌變異類型之面 積以及比例，最後以當年度之最大事件時雨量以及對應之累積雨量進行崩 塌之潛勢預測，根據上述之崩塌時序特徵資料庫之串連與建立，本研究共建

表 3- 3 本計畫模型訓練資料集欄位說明

Imax 當年度事件最大時雨量 動態事件因子(Y6) Rte 當年度事件最大時雨量對應累積雨量 動態事件因子(Y6)

鑒於本次研究計畫所使用之資料因素分類，在本次研究計畫中，我們針 對淺層崩塌之關聯資料設計適應其之模型，其模型簡易結構圖如下圖 3- 15，

從圖中可以看出，本計畫將兩個模型進行串接，分別為環境分類器以及預測 崩塌模型，首先第一個模型，也就是環境分類器，我們的設計主要目的在於，

想要針對靜態因子先進行一次簡易的分類，其最後一層輸出為 12 即為分類 成為 12 群的意思。而第二個模型，則是再輔以動態時序因子，最終以其分 類結果及動態因子進行崩塌預測模型的建置及訓練，而在崩塌潛勢評估模 型之建置中，我們將下圖之資料庫 1 以及資料庫 7 進行合併，並根據各資 料庫之目標年度之崩塌以及非崩塌數量比例進行樣本平衡抽樣以進行後續 之模型訓練驗證，並以資料庫 8 最為模式建立後之整體評估驗證。

二、 數據前處理

總資料樣本數為 101,711 筆，訓練資料樣本數為 71,363 筆，測試資料樣本

Imax(i)及其對應之 Rte(i)，而在僅投入地文潛勢因子以及當年度降雨驅動因