本計畫使用了 24 種特徵值建構自動分類器，並非每個特徵值都能明顯 的區隔 3 種事件。因此本計畫進行了兩項測試，討論每個特徵值個別的分 類效能優劣。
圖 3.8 中編號第 1~9 是時間域特徵值，編號第 10~24 項是頻率域特徵 值，而黑線代表使用所有 24 種特徵值建構分類器得到的 91.3%分類正確度；
藍線是將特徵值逐一刪去，只使用剩下的 23 種特徵值建構分類器，用於討 論缺少某一項特徵值時的分類正確度的變化；紅線是只使用單一種特徵值 建構分類器，用於討論單一特徵值的分類效果。
從紅線的變化可以發現，各個特徵值之間的分類正確度落差相當大，
其中能產生最佳分類效果的特徵值為 MAR (正確度 85.5%)，而分類效果最 差的則是 0.02-0.05 Hz 功率譜密度，其正確度為 56.0%。另外，時間域特徵 值整體的分類正確度(80.97%)高於頻率域特徵值(64.64%)。從藍線的變化可 以發現，雖然並非每個特徵值都能有效區分三種事件，但將任何一種特徵 值刪去後，分類正確度都下降了約 2~3%，代表每種特徵值在分類器中還是 有一定程度的分類效果，只要分類正確度在 50%以上，該特徵值對分類器 就有正面的影響。
圖 3.8 24 項特徵值分類效能比較
為了更深入討論每個特徵值在分類器中扮演的角色，以下從時間域及 頻率域中各挑選了一個特徵值進行討論：
一、2 號特徵值：𝜎𝑀𝐴
僅使用𝜎𝑀𝐴單一特徵值的分類正確度只有 67.3%，但從混淆矩陣可以 發現，背景噪訊不管是在敏感度或是 PPV 都高達 90%以上(表 3.10)，即表 示雖然𝜎𝑀𝐴在區隔崩塌及地震上不太有效，卻適用於將噪訊從三者中辨識 出來。標準差反應了數列的離散程度，實際比對 3 種訓練樣本的移動平均 波形後發現(圖 3.9)，地震及崩塌兩者的移動平均波形非常接近，代表兩者 有相近的離散程度，故會有相近的標準差數值(表 3.11)。相較之下，噪訊因 沒有太顯著的振動變化，因此不管是原始訊號或是移動平均波形幾乎都維 持穩定的振動範圍，即代表離散程度較低，故標準差數值也相對較低。
表 3.10 𝝈𝑴𝑨分類器的混淆矩陣
Predicted
LS EQ Noise Sensitivity
Actual
LS
111 89 14 51.9%EQ
86 122 6 57.0%Noise
10 5 19992.3%
PPV
53.6% 56.5% 90.1%67.3%
表 3.11 三種類別訊號𝝈𝑴𝑨平均數值 地動事件 特徵值數值
LS 0.382 EQ 0.436 Noise 0.100
圖 3.9 三種類別訊號的移動平均波形
二、19 號特徵值：0.02-0.1 Hz / 1-8 Hz 功率譜密度比值
僅使用 0.02-0.1 Hz / 1-8 Hz 功率譜密度比值作為特徵值時的分類正確 度只有 66.0% (表 3.12)，但可發現其對於地震的敏感度及 PPV 都相對偏高 (>75%)。從圖 3.10 可觀察到，地震事件相較於其他 2 者，在 1-8 Hz 頻段有 相對更高的能量，因此在與低頻段(<0.1 Hz)的功率譜密度數值做比較後，
會更加凸顯出地震事件在此特徵值上的差異(表 3.13)。
表 3.12 0.02-0.1 Hz / 1-8 Hz 功率譜密度比值分類器的混淆矩陣
Predicted
LS EQ Noise Sensitivity
Actual
LS
116 41 62 53.0%EQ
38 170 679.4%
Noise
66 7 141 65.9%PPV
52.7% 78.0% 67.5%66.0%
圖 3.10 三種類別訊號的平均頻譜圖
表 3.13 三種類別訊號 0.02-0.1 Hz / 1-8 Hz 功率譜密度比值數值 地動事件 特徵值數值
LS 828.870 EQ 73.910