第三章 研究方法
3.6 模式結果分析
建構預測模式，除能比較模式預測結果之準確性與解釋性，以瞭解模式間之優劣 程度，亦可由分析模式得知各自變數對於模式之影響程度，即用來評估不同之模式輸 入變數對於模式輸出所造成影響程度，其中以敏感度分析（Sensitivity Analysis）最為 常用。另可利用技術得分（Skill Score, SS）來探討各預測模式或方法於原始問題內之 改善率，並比較出各預測模式或方法之優劣程度，以利瞭解各預測模式或方法之適用 於哪種類型問題上。
3.6.1 敏感度分析
敏感度分析是使模式內之變數在某特定範圍內變動，以觀察模式之變化情形的 一種分析方式，一般被用於解釋模式之行為，其方式為改變不同模式之輸入變數，
並且模擬輸出變數之變化，若輸出變數之變化較大，意味著此項輸入變數對於模式 行為是很重要的。因此以模式來推估總是存在著風險，而敏感度分析之目的即在助 於降低此風險，若變數異動時，模式之變化不大，代表模式是可靠的；反之則代表 模式可能存在著風險。在前人研究中多以圖或表進行敏感度分析，在表方面，多元 線性迴歸分析可用T 統計或以某一變數之平均值± 0.5 標準差來呈現，而倒傳遞類 神經網路與遺傳運算樹則僅以某一變數之平均值± 0.5 標準差來呈現；在圖方面，
上述方法皆可使用圖形來顯示各變數於預測模式內之變化情形，其方式是模式內僅 變動某一變數，其他變數均代其平均值，故可呈現此變動變數於模式內之變化情 形。其中 T 統計在使用 XL Miner 套裝軟體之多元線性迴歸分析時，會呈現於 ANOVA 結果中，而以某一變數之平均值± 0.5 標準差方式則需以下列步驟進行：1）
先計算所有模式內各變數之其平均值與標準差，並計算其平均值± 0.5 標準差之
值；2）計算在模式內其他變數固定為其平均值下，某一變動變數改為其平均值+ 0.5 標準差下之預測值，以及某一變動變數改為其平均值- 0.5 標準差下之預測值，其之 間所得之差額即為各變數於模式內之重要性。
3.6.2 技術得分
技術得分（SS）常應在天氣預報學中，為衡量一組預報技術程度之指數，以基 於機會、持續性、或氣候學所作之預報為參考標準而算出。然而Remirez et al.（2005）
研究上採用此方法進行計算不同預測模式成果間效能之優劣，通常選取一對照組與 其他成果比較，其公式如式3-26 所示，其中 E 為預測模式之比較型式，其可採用 均差（Mean Error）、均方根誤差（RMSE）與平均絕對誤差（Mean Absolute Error, MAE）等，以及相關係數（Correlation Coefficient, CC / R）來評估。
1 2
1
E E
SS=( )*100%
E
− ...（3-26）
其中E1與E2分別為不同之預測模式之比較型式。
本論文研究將進行多元線性迴歸、類神經網路與遺傳運算樹等方法之間之比較 其改善率變化，其中比較型式採用誤差均方根方式，以技術得分來計算兩兩預測模 式於相同條件下之改善率，可提供不同預測模式成果間效能之優劣評比。
在水質遙測技術上，一般利用衛星感測器記錄之輻射值或光譜反射率預測水質通 常有三種方法，即經驗方法、半經驗方法與分析方法（李素菊等，2002）。經驗方法 是利用所建立衛星遙測之數據與地面監測之水質參數值之間的統計關係模式，再外推 水質參數值，由於水質參數與遙測資料之間之相關性不能保證，所以該種方法結果缺 乏物理依據；半經驗方法是將已知之水質參數光譜特性與統計模式相結合，選擇最佳 之波段會組合波段作為相關因子，進行估算水質參數值之方法，這是目前最常用之方 法；分析方法是以輻射傳輸模式為基礎，利用遙測反射率計算水中實際吸收係數與後 向散射係數之相關性反演組分含量，該種方法對於多波段反演特別有用，且具有普遍 適用性，但由於理論基礎尚不成熟，模式的假設預測值不能滿足需要。然而傳統之遙
測反演採用直接反演方法，即直接從量測之反射光譜推斷水體組分濃度，而現在眾多 學者傾向於間接反演方法，即先基於測量反射光譜推斷水體固有光學量，再基於水體 固有光學量推斷水體組分濃度（Zhou et al., 2009），如圖 3-15 所示。
圖3-15 水體物質、表觀與固有光學特性間之關係示意圖（Zhou et al., 2009）
本論文第一部份研究將採用經驗方法，如多元線性迴歸、類神經網路與遺傳運 算樹等方法建立推估模式，並以評估模式指標方法進行比較，以探討各模式間之優 劣程度，其中遺傳運算樹可自行建構模式之方程式，可自行組成類似半經驗方法中 之組合波段之型式，亦可加入組合波段因子進行模式之推估。
本論文第二部分研究將採用半經驗方法，導入遺傳運算樹方法，進行組合波 段，以尋找與各水質參數間相關性高之組合波段型式，可提供反演不同尺度衛星影 像間之數據同化模式，以提高水質遙測水體變化之頻率。