邊坡關鍵致災因子特性分析回顧

Chowdhury, 1999;Guzzetti et al., 1999)。前者藉由影像和輔助資料由人工辨識，實 務上能快速獲得成果，但缺點是無法客觀量化。因此，許多學術研究著重後者。

決定論法(deterministic method)、探索法(heuristic method)和統計法(statistical method)是崩塌量化分析的常見方法(Clerici et al., 2006; Dai et al., 2002)。決定論法 是基於物理定律計算坡地的穩定程度(例如 Dietrich et al., 1995; Dunne, 1991;

Montgomery &Dietrich, 1994; Okimura & Kawatani, 1987)，然此法僅適於小範圍且 均質之處(吳宗樺，2004; Ercanoglu& Gokceoglu, 2004)。探索法是依照專家經驗 對崩塌潛在因子的重要性進行排序及給予權重，但有過於主觀之嫌(吳宗樺，

2004)。後者運用統計方法假設未來崩塌與過去情形類似並進行預測(Clerici et al., 2006)，較為客觀且適合中等尺度分析(Gemitzi et al., 2011)。另外，為了特定目的，

某些文獻合併上述方法成為複合法(composite method)。Gemitziet al. (2011)利用模 糊隸屬函數(fuzzy membership function)排序崩塌因子並訂定權重，降低人為干涉，

即是統計法和指標法的複合案例。不過，統計法必須先決定變數，並假設各變數

災害防救應用和相關研究都是重要的資源。然而，這些資料來自不同的單位，不 識(Tan et al., 2006)，是面臨眾多資料有效的分析方法(Miller & Han, 2001)，但現 有文獻較少探討此技術對崩塌預測的成效(Wang & Niu, 2010)。而資料探勘演算 法中，決策樹(Decision Tree)是古典、簡單和直觀的方法，其歸納的因果規則容 易理解及解釋(Openshaw & Openshaw, 1997)。貝氏網路(Bayesian Network)則基於 貝氏定理，考慮變數間的因果關係(Tan et al., 2006)，是另一個強而有力的演算 (logistic regression)、判別分析(discriminant analysis)及條件機率分析(conditional probability)等。各種統計方法都是用來分析各因子間的權重值，再利用線性疊加 法計算各網格之山崩潛勢值及完成山崩潛勢圖製作(Jones et al., 1961; Brabb et al., 1972; Neuland, 1976; Kobashi and Suzuki, 1988; Yin and Yan, 1988; Carrara, 1983, 1988; Carrara et al. 1990, 1991, 1992, 1999; Gao and Lo, 1991; Koukis, 1991; Hearn, l995; Lee and Min, 2001)。統計分析方法之計算模式較為複雜，資料的需求量較 大，但其優點是較為客觀。其中，判別分析及羅吉斯迴歸分析更可以有效處理因 子相依性的問題及獲得較為合理的因子間之權重值。在國內相關研究方面，鄭元 振(1992)運用地理資訊系統(Geographic Information System, GIS)萃取最小邊坡單 元，並以條件機率法將山崩潛勢因子之評分及權重定量後進行疊加。簡李濱(1992)

則將研究區域劃分為格網，並以不安定指數法進行區域性山坡穩定評估。陳永寬、 上，其中最具代表性之方法為類神經網路(neural network)及模糊集(fuzzy set)之應 用。許琦(1989)考慮地形、地質、環境、水文四大類共十七個因子，以模糊集進

橫公路東段變質岩邊坡地區，以類神經網路進行道路邊坡破壞潛勢分析。吳振威 (2003)利用多變量區別分析及類神經網路分析南部國道 3 號之公路邊坡，了解各 因子對於公路邊坡淺層穩定之影響。林彥享(2003)則以類神經網路探討山崩發生 與山崩潛勢因子間之關係，並首度引用模糊隸屬函數的觀念於山崩潛勢分析，建 立一套人工智慧方法的山崩潛勢分析模式。