第三章 數位化原住民農耕知識之策略
第二節 研究方法
本研究於兩次田野調查中採用滾雪球取樣（snowball sampling），
共訪談 9 位宇老部落在地農民。宇老部落是以家戶為農業經營單位，
‧
‧
二、 土地適宜性分析（Landuse Suitability Analysis）
本研究利用土地適宜性分析，量化、歸納原住民農耕區位選取的知識。
‧
‧
三、 羅吉斯迴歸（Logistic Regression）
異於土地適宜性分析以整個部落為分析範圍，羅吉斯迴歸則以個別耕 為二分變數（dichotomous variable）的多元迴歸模型(Hosmer, Lemeshow and Sturdivant, 2013)。羅吉斯迴歸主要在探究依變數與一個或一組解釋 變數之間的關係，其模型統計並可進而預測事件發生的機率。
其數學原理簡述如下(Gujarati, 2011；王濟川、郭志剛，2004)：
設𝑌𝑖為依變數，𝑌𝑖∈{0, 1}；𝑃𝑖為事件發生的機率、1 − 𝑃𝑖為事件不發
‧
將式 3.4 取自然對數（logit transformation），即可得羅吉斯迴歸之 公式，式 3.5。Logit（p）=ln（ 𝑃𝑖
1 − 𝑃𝑖）=Z=𝛼 + 𝛽1𝑋1+ +𝐵2𝑋2+ ⋯ +𝐵𝑛𝑋𝑛 (式 3.6) 羅吉斯迴歸之係數估計是採用最大概似法（Maximum likelihood method）。當係數估計值為正，表示事件比較有可能發生；當係數估計 值為負，表示事件比較可能不發生；係數估計值為 0，則表示該解釋變 數不影響事件的發生與否(Ayalew and Yamagishi, 2005)。
2.羅吉斯迴歸之應用
羅吉斯迴歸模型相對於其他模型、較不受嚴格假設的限制，又其 適合用於二元統計分析，而模型解釋上也相當簡單，因此廣泛應用於 崩塌潛勢的評估(Dai and Lee, 2002; Ayalew and Yamagishi, 2005)。其大 致的作法為：以崩塌發生與不發生為依變數，並結合數個可能造成崩 塌發生的因子為解釋變數，建立崩塌潛勢模型，以係數估計值解釋影 響因子與崩塌之關係，進而以模型預測崩塌潛勢之區位。
例如 Ayalew and Yamagishi(2005)以日本中部 Kakuda-Yahiko 山為 研究區域，運用羅吉斯迴歸建立崩塌潛勢模型。該研究以崩塌目錄中
‧
是不相同的。前兩者是以網格單元（grid cells）為基礎建立模型；後者 則採用邊坡單元（slope units）作為分析單元。這兩種分析單元之差異 為：網格單元係將研究範圍劃分成面積固定的規則方形單元，各影響 因子配予每個網格一個數值，其優點為較易使用；而邊坡單元則是以 水文區域劃分研究範圍。因以地形細分，所以較具有地形的意義，每一 筆崩塌都可以對應於個別的邊坡、或由兩個邊坡單元組成的小流域。從而，相較於網格單元，邊坡單元特別適合用於崩塌潛勢的調查(Van, Reichenbach, Guzzetti, Rossi and Poesen, 2009: 510)。
綜上所述，羅吉斯迴歸可用於建立崩塌潛勢模型，以解釋影響因
邊坡單元之劃分方式可參考 Xie, Esaki and Zhou(2004)的作法。其 定義邊坡單元為一個邊坡部分（one slope part）或集水區的左／右半邊，
因此可透過位向學上的集水區和水流線（drainage line）予以劃分，而 ArcGIS10.1 中的水文分析（Hydrology）模組可用以協助邊坡單元自動 化地產出。劃分方式如圖 3-2 所示，首先將數值高程模型（digital elevation models, DEM）劃分集水區（圖 3-2b），集水區的輪廓線為山 稜線。再將原始的地形反轉（DEM 最大值-所有網格值）以得到反的 DEM，並以相同方式劃分集水區（圖 3-2b）。如此，新集水區的輪廓線 事實上為水流線。接著，結合正反 DEM 所得之集水區（圖 3-2a），即 可得到左右兩側邊坡單元。邊坡單元之最小面積應大於崩塌地之平均 面積，以減少同一筆崩塌地被劃分至不同邊坡單元之情形(陳樹群，
2012；Van et al., 2009)。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三章 數位化原住民農耕知識之策略
28
圖 3-2 邊坡單元劃分示意圖 (圖片來源：Xie et al., 2004) 2.解釋變數
至於解釋變數的選擇可分為主要與次要，以個別農耕地之條件為 主、其他崩塌影響因子為次。因個別農耕地之情況，如：農耕地之基本 特徵、耕作方式，為本研究主要欲探究的對象，所以期由模型中變數的 係數估計值正負號發掘農耕行為對於邊坡穩定之影響。然而，根據前 人研究可知，造成邊坡不穩定尚可能受到其他因素之影響，因此另外 挑選數個其他可能之崩塌影響因子作為補充。
3.模型檢驗
由於模型之優劣與分析結果具有密切的關係，因而，需採用下列 方法，進行模型適合度（goodness of fit）以及分析結果正確性之確認及 驗證。
(1)概似比檢定（likelihood ratio test）
概似比檢定經常用以決定模型中的解釋變數對於依變數是否有解 釋能力，公式如式 3.6：
G=(−2𝑙𝑛𝐿) − (−2𝑙𝑛𝐿0) (式 3.7)
其中，−2𝑙𝑛𝐿為最適擬合模型之−2對數概似值；−2𝑙𝑛𝐿0為僅含截 距項模型之−2對數概似值。
兩模型之−2對數概似值間的差值（G）即為模型卡方值（model chi-square）。當模型卡方值為顯著時，表示模型中的解釋變數對依變數具 有解釋力；當模型卡方值不顯著時，則表示模型的解釋變數不太具有
‧
型中時，其模型卡方值的顯著性(王濟川、郭志剛，2004；Gujarati, 2011;Hosmer et al., 2013)。 以 0.5 作為分割值(李嶸泰等人，2012；Gujarati, 2011: 149)。
表 3-2 分類誤差矩陣 Operating Characteristic Curve），可以更佳、更完整的描述分類的準確 度。其值域為 0.5 到 1.0，判別原則如下(Hosmer et al., 2013: 177)：