第一節 高屏溪流域描述
高屏溪流域位於臺灣西南部，發源於中央山脈玉山附近，流經高雄市及 屏東縣，為臺灣南部主要河川之一，全長約為171 公里，集水面積約為 3,257 平方公里，主要支流涵蓋荖濃溪、旗山溪、濁口溪及隘寮溪等。高屏溪流域 乾濕季分明，平均年降雨量達到 2,454 毫米，雨季為每年 5 月至 10 月，梅 雨及夏季颱風的豪大雨為主要的水源。由於降雨之時空分布及不平均，使高 屏溪流域內流量差異顯著，年平均日流量約為每秒 234 立方公尺，而年逕 流量約為 74.08 億立方公尺。流域地勢由東北向西南傾斜遞減，最大高程及 平均高程分別為 3,845 及 1,044 公尺，流域內平均坡度約為 20 度，流域內 主要地層為潮州層、畢祿山層、長枝坑層及現代沖積層等，岩性則多為破碎 的板岩及砂頁岩互層。
第二節 地動訊號來源與地震測站分布
為了利用現有地震站規劃高屏溪流域之崩塌地動訊號觀測網絡，本計 畫依地理位置選擇位於流域內及鄰近之地震站。現有可使用之地震站數量 為 27 站，其所屬地震網分別為臺灣寬頻地震網(BATS)、中央氣象局井下地 震網(CWB_BH)及 Smart24 地震網(CWB_SMT)。測站基本資訊整理於表 2.1，
地震站分布狀況如圖 2.1 所示。
表2.1 本計畫使用 27 座地震站資訊
測站名稱 地震網 管理單位 經度 緯度 TWG CWB_SMT CWB 121.0799 22.8177 TWL CWB_SMT CWB 120.4999 23.2648 TWM1 CWB_SMT CWB 120.4306 22.8214 WTP CWB_SMT CWB 120.6223 23.2438 YUS CWB_SMT CWB 120.9500 23.4833 註：IES 表示為中央研究院地球科學所，CWB 表示為中央氣象局。
圖2.1 高屏溪流域內及鄰近地震站分布
第三節 地動事件偵測
本計畫在地動事件偵測方面採用被廣泛使用的短窗格平均與長窗格平 均之比值(Short Time Average over Long Time Average, STA/LTA)做基準。由 於台灣地區背景噪訊較為複雜，因此本計畫使用之STA/LTA 事件訊號偵測 包含時間域及頻率域 2 階段偵測。第一階段為時間域地動訊號偵測，短窗 格與長窗格分別為 3 秒及 10 秒，事件開始之定義為連續 5 秒 STA/LTA 值 大於 1.25，而事件結束定義為連續 3 秒之 STA/LTA 值小於 1，地動事件的 持續時間限制於 10 至 240 秒。第二階段針對頻率域地動訊號偵測，能量計 算頻率段為 1-5 赫茲，短窗格與長窗格同為 3 秒及 10 秒，事件開始之定義 為連續 1 秒 STA/LTA 值大於 1.75，而事件結束定義為連續 3 秒 STA/LTA 值小於 1，地動事件的持續時間限制同為 10 至 240 秒。本計畫使用時間域 及頻率域二階段之偵測方法能夠有效辨識出於時間域及頻率域皆有訊號特 徵之地動事件訊號，能夠減少後續大量計算訊號特徵值所花費的時間。圖 2.2 及圖 2.3 為本計畫於 MASB 測站及 SGSB 測站成功偵測小林村崩塌事件 地動訊號之範例。
圖 2.2 MASB 測站 STA/LTA 小林村崩塌事件偵測
圖2.3 SGSB 測站 STA/LTA 小林村崩塌事件偵測
第四節 分類器訓練樣本及訊號特徵值
一、分類器訓練樣本
建構自動分類器需要有足夠數量且具代表性的地動事件來做為訓練樣 本，因此本計畫先蒐集整理具有代表性的地動事件樣本。近年對臺灣南部山 區坡地產生較大影響的颱風事件主要為 2009 年莫拉克颱風，以及 2015 年 蘇迪勒颱風。因此，本研究針對這兩次颱風期間的連續地動記錄先進行地動 事件的 STA/LTA 偵測，再透過人工判釋尋找訓練樣本。最終挑選出 251 筆
具有崩塌地動訊號特徵之 5 分鐘地動紀錄作為崩塌事件的訓練樣本，其中 (Scintillation Index, SI)兩種時間域特徵值來量化地動訊號波形隨時間的變化，
並成功對週期性微震及滑坡事件(Episodic Tremor and Slip, ETS)進行自動監
1.移動平均(MA)
圖2.4 不同類型地動事件之移動平均及閃爍指數波形
將地動訊號轉換為移動平均的時間函數後，Kao et al. (2007)指出有 4 項 統計指標能夠有效反映出訊號整體的變化趨勢，即是表現出在 5 分鐘地動 紀錄中振動能量的分布狀況，分別為平均值(𝜇𝑀𝐴)、標準差(𝜎𝑀𝐴)、移動平 均比(Moving Average Ration, 𝑀𝐴𝑅)及標準差平均值比值(𝜎𝑀𝐴 𝜇𝑀𝐴⁄ )。其計 算方式如下：
𝜇𝑀𝐴 = (∑ 𝜇𝑖 |𝑦|
𝐾 𝑖=1
) 𝐾⁄ 式(2.2)
𝜎𝑀𝐴 = √∑(|𝑦(𝑖)| − 𝜇𝑀𝐴)2
𝐾 𝑖=1
𝐾
⁄ 式(2.3)
𝑀𝐴𝑅 = 𝑀𝐴𝑚𝑎𝑥⁄𝜇𝑀𝐴 式(2.4) 其中|𝑦(𝑖)|代表第𝑖個數據點的振幅絕對值；𝐾代表訊號段內的資料總數。
2.閃爍指數(SI)
Yeh and Liu (1982)提出閃爍指數並將其用來計算電離層無線電波強度 變化之指標，其後 Kao et al. (2007)將閃爍指數應用於地動訊號分析，同樣 能觀察到地動訊號強度的變化。閃爍指數之數值即是訊號強度標準化變異 數的平方根，當時間窗格內偵測到訊號強度改變(地動事件發生)時，閃爍指 數值便會驟然上升，便能反映出突發振動的時間點與相對強度。其計算方式 如下：
𝑆𝐼𝑖 = √[( 𝜇𝑖 |𝑦|2 − 𝜇𝑖 |𝑦|2 ) 𝜇⁄ 𝑖 |𝑦|2 ] 式(2.5) 其中 𝑖 |𝑦|𝜇 2代表以𝑖為中心點的時間窗格內的振幅絕對值平方的移動平均值；
𝑖 |𝑦|𝜇2 代表以𝑖為中心點的時間窗格內的振幅絕對值的移動平均值的平方。
將地動訊號轉換為閃爍指數的時間函數後，沿用描述移動平均的 4 項統 計指標於描述閃爍指數，分別為平均值(𝜇𝑆𝐼)、標準差(𝜎𝑆𝐼)、閃爍指數比 (Scintillation Index Ration, 𝑆𝐼𝑅)及標準差平均值比值(𝜎𝑆𝐼 𝜇𝑆𝐼⁄ )。其計算方式 參考移動平均所延伸的 4 種指標。
圖 2.4 亦呈現三種類型地動事件之閃爍指數，相較於地震及崩塌，背景 噪訊本身訊號沒有明顯的波動，因此計算出來的移動平均及閃爍指數的數 值沒有隨著時間產生顯著的變化，導致統計指標中的標準差及移動平均比 (閃爍指數比)數值偏低。
在移動平均值的部份，因為對 5 分鐘地動紀錄進行標準化，𝜇𝑀𝐴的數值 會呈現𝜇𝑀𝐴噪訊 > 𝜇𝑀𝐴崩塌 > 𝜇𝑀𝐴地震的大小關係，但在𝜇𝑆𝐼的數值上，由於 SI 反應的是訊號強度的變化，因此會呈現𝜇𝑆𝐼地震 > 𝜇𝑆𝐼崩塌 > 𝜇𝑆𝐼噪訊。
3.平均振幅
除了移動平均及閃爍指數，地動訊號本身的平均振幅亦能夠反映不同 事件之間能量大小的差異，因此也納入作為時間域的特徵值。
三、頻率域特徵值
除了時間域上的差異，Lin et al. (2020a)觀察到不同類型地動事件的訊 號能量在不同頻率段上的分布也有差異。圖 2.5 顯示本計畫使用全部訓練樣 本計算得到的 3 種不同類型地動事件的平均頻譜，從中能夠觀察到在高頻 段(>1Hz)及低頻段(<0.1Hz)，地震事件的能量明顯大於崩塌事件，而在頻率 段 0.1-1 Hz 之間，崩塌事件的能量有高於地震事件的現象。因此，可以透過 計算單一事件在不同頻段的能量，來反映該事件之訊號能量在不同頻率段 的分布，作為頻率域上的特徵值。由於本計畫所使用的地震儀取自不同的地 震網，考慮不同地震網的儀器差異，最終針對寬頻地震儀及短週期地震儀計 算頻率域特徵值選用的頻率段為 0.01-8 Hz 及 1-8 Hz。
圖 2.5 不同類型地動事件平均頻譜圖
1.功率譜密度(Power Spectral Density, PSD)
Welch (1967)提出功率譜密度，其使用快速傅立葉轉換於功率譜(Power Spectral)的計算，得到一段時間內地動記錄在頻率域上的能量分布。藉由不 同類型地動事件在不同頻率段上具有能量分布的差異，便可以計算不同頻 率段之功率譜密度，用來區分不同類型之地動事件。本計畫計算功率譜密度 之頻率解析度為 0.01 Hz，時間窗格為 5 秒、窗格間的重疊率為 50%。為了 減少事件規模大小及事件與測站間距離產生功率譜密度計算上絕對數值的 差異，在計算功率譜密度後會除以最大值做標準化，因此最終得到之功率譜 密度之數值為各頻率段能量相較於最大能量的比例。
本計畫分別針對寬頻地震儀及短週期地震儀計算了 3 組及 2 組頻段的
2.功率譜密度比值(Ratio of Power Spectral Density, RPSD)
計算完各個頻段之功率譜密度後，接著計算各個頻段間功率譜密度比
(8) 1-5 Hz (對數) / 5-8 Hz (對數) [短週期地震儀]
3.能量集中範圍
Provost et al. (2018)對地動事件類型的研究中，將地動事件能量集中的 頻率範圍作為判斷事件類型的參考，包含最高能頻率(𝐹_𝑚𝑎𝑥)、最高頻率 (𝐹_ℎ𝑖𝑔ℎ)及最低頻率(𝐹_𝑙𝑜𝑤)。將一段事件地動訊號進行傅立葉轉換繪製頻 譜圖如圖 2.6 所示，振幅最大值對應到的頻率位置即為該事件能量最高的頻 率，再由該振幅值取0.2 倍後的數值做為門檻值(紅線)，該門檻值與頻譜圖 相交的 2 個頻率位置即為該事件能量集中的最高頻率及最低頻率。其計算 方式如下：
𝐹_ℎ𝑖𝑔ℎ = max
𝐹 (𝑃𝑆𝐷(𝐹) < 0.2 × max (𝑃𝑆𝐷)) 式(2.6) 𝐹_𝑙𝑜𝑤 = min
𝐹 (𝑃𝑆𝐷(𝐹) < 0.2 × max (𝑃𝑆𝐷)) 式(2.7) 式中 PSD(F)代表對應到頻率 F 的功率譜密度值。
圖 2.6 地動事件能量分布之劃定
最終本計畫針對寬頻地震儀及短週期地震儀在時間域及頻率域分別使 用24 項及 18 項特徵值來描述每一個地動事件的訊號特徵(表 2.2 及表 2.3)，
地動訊號處理流程如圖 2.7 所示。分別將 645 筆及 753 筆訓練樣本的 24 項 及 18 項特徵值計算完後，本計畫統計了 3 種類型地動事件各項特徵值的平 均值(表 2.4 及表 2.5)，並將各個特徵值分別對其最大值做標準化後觀察不 同類型事件各個特徵值的分布情況(圖 2.8 及圖 2.9)，結果顯示沒有任何 1 項 特徵值能夠完美區分不同地動事件，但 3 種事件的特徵值盒狀圖顯示，不 同類型之事件在各個特徵值還是有一定的分布差異，透過結合多個特徵值 來建立自動分類器，能夠達到更佳的分類效果。
表2.2 寬頻地震儀 24 項訊號特徵值
表 2.3 短週期地震儀 18 項訊號特徵值
編號 特徵值 地震訓練樣本
編號 特徵值 地震訓練樣本
編號 特徵值 地震訓練樣本 特徵值平均值
崩塌訓練樣本 特徵值平均值
噪訊訓練樣本 特徵值平均值 5-8 Hz
12 RPSD(線性)
1-5 / 5-8 Hz 7.48 19.32 13.52 13 PSD(對數)
1-5 Hz -2.70 -2.07 -2.44 14 PSD(對數)
5-8 Hz -3.07 -2.98 -3.33 15 RPSD(對數)
1-5 / 5-8 0.91 0.69 0.64
16 F_max 3.01 1.42 2.15
17 F_high 5.80 2.85 3.90
18 F_low 1.38 1.03 1.10
圖 2.8 地動事件特徵值分布
圖 2.9 短週期地震儀訓練樣本特徵值分布
第五節 自動分類器建立
一、隨機森林演算法(Random Forest)
決策樹(Decision Trees)為一種樹狀結構的監督式機器學習演算法，適用 於各種分類問題(Quinlan, 1986)。決策樹會列出一系列的決策問題，將資料 庫內的樣本依次分群，通過將大量資料有目的地分類，從中找到在各類樣本 間最具有鑑別性的資訊。依照給定訓練樣本的各項特徵值，決策樹會遞迴地 對訓練樣本進行劃分，選擇最佳的特徵值及分類門檻，使該節點延伸出的子 節點內資料類別有最高的同質性。通常在決策樹架構內，位在最上層的特徵
決策樹(Decision Trees)為一種樹狀結構的監督式機器學習演算法，適用 於各種分類問題(Quinlan, 1986)。決策樹會列出一系列的決策問題，將資料 庫內的樣本依次分群，通過將大量資料有目的地分類，從中找到在各類樣本 間最具有鑑別性的資訊。依照給定訓練樣本的各項特徵值，決策樹會遞迴地 對訓練樣本進行劃分，選擇最佳的特徵值及分類門檻，使該節點延伸出的子 節點內資料類別有最高的同質性。通常在決策樹架構內，位在最上層的特徵