土地利用變遷模式建立與災害評估應用測試

(1)

NCDR 108-T20

土地利用變遷模式建立與災害評估應用測試 Stochastic Frequency Analysis of Daily and Hourly

Precipitation in Future Projection

(2)

(3)

NCDR 108-T20

土地利用變遷模式建立與災害評估應用測試 Stochastic Frequency Analysis of Daily and

Hourly Precipitation in Future Projection

趙益群、李欣輯、陳永明、陳俊哲、許至璁

(4)

(5)

中文摘要

環境的變化及擾動通常為自然生態演化過程或受人類活動影響所導致；故長期氣候變化及土地利用變遷均屬於環境變遷範疇之內。

盤點中心過往研究，多進行未來土地利用不變及人口不變等假設，主要著墨於氣候變遷所造成的災害衝擊研究。故今年度先針對桃園市示範區進行土地利用變遷初步示範研究。

透過文獻回顧選取 9 個主要影響桃園市土地利用變化的環境因子，運用二元羅吉斯迴歸建立土地利用變遷機率模式，進行土地利用變遷空間分佈推估。接續運用馬可夫鏈及人口發展情境，推估 2036 年桃園市土地利用需求量，並將其空間分佈結果進行水資源及淹水衝擊評估。

綜合上述，本年度成功建立土地利用變遷及空間分析模式，並將結果與災害衝擊評估進行鏈結。故未來可透過相關土地管理政策，進行氣候變遷調適行為，減低未來氣候變遷所帶來的衝擊影響。

(6)

ABSTRACT

Environmental changes and disturbances are usually caused by natural ecological evolution processes or human activities. Climate change and land use change are within the scope of environmental change. According to the previous study in NCDR, most research focused on the disaster impact under climate change and was assumed that the land use and population are unchanged in the future. Therefore, we try to build a land use change model to discuss the land use spatial distribution in the future in Taoyuan City in this year.

This study applied that Markov chain and population development scenario to project the land use demand in 2036 in Taoyuan City. Then, the nine mainly environmental factors, which affect the land use change, were selected and used the binary logits regression to establish the land use change probability model to allocate the land use spatial distribution in the future in Taoyuan City. The land use spatial distribution in 2036 are integrated to evaluate for water resources and flooding impact.

This year successful established land use spatial allocation model, and linked the allocated results to disaster impact assessment. Climate change adaptation activities could connect the land use management policies to reduce the climate change disaster impact in the future.

(7)

圖目錄

圖 1 環境變遷與淹水災害衝擊研究現況 ... 2

圖 2 桃園市邊界範圍與鄉鎮區位置 ... 8

圖 3 桃園市高程及水系分布圖 ... 9

圖 4 桃園市地層單位 ... 10

圖 5 桃園市 1986 至 2015 年間平均累積雨量分布圖 ... 11

圖 6 桃園市 1985 至 2014 年間平均溫度分布圖 ... 12

圖 7 雙北及桃園市近十年人口發展趨勢 ... 13

圖 8 桃園市 2018 年各區人口分佈圖 ... 13

圖 9 Dyan-CLUE 模式架構圖 ... 15

圖 10 土地利用轉換矩陣式意圖 ... 17

圖 11 Dyna-CLUE 模式土地利用變遷分派流程圖 ... 19

圖 12 桃園市水源特定區–空間限制發展區 ... 22

圖 13 ROC 曲線式意圖 ... 28

圖 14 各土地利用分類 ROC 曲線 ... 30

圖 15 桃園市 2008 年土地利用調查成果 ... 36

(10)

圖 19 桃園市各區未來 2036 年低度人口推估分布結果 ... 45

圖 20 桃園市各區未來 2036 年中度人口推估分布結果 ... 45

圖 21 桃園市各區未來 2036 年高度人口推估分布結果 ... 46

圖 22 桃園市 2036 年各土地利用類別需求量推估結果 ... 48

圖 23 桃園市 2036 年與 2017 年土地利用增減百分比 ... 49

圖 24 桃園市 2036 年馬可夫鏈土地利用空間分配結果 ... 50

圖 25 桃園市 2036 年低度人口發展情境土地利用空間分配結果 ... 51

圖 26 桃園市 2036 年中度人口發展情境土地利用空間分配結果 ... 51

圖 27 桃園市 2036 年高度人口發展情境土地利用空間分配結果 ... 52

圖 28 土地利用變化對石門水庫入庫流量關係圖 ... 54

圖 29 土地利用改變後淹水面積增加差異圖 ... 56

圖 30 土地利用改變後淹水較為嚴重之區域 ... 57

(11)

表目錄

表 1 土地利用類別九大分類彙整表 ... 23

表 2 土地利用轉換許可彙整表 ... 23

表 3 土地利用變遷驅動因子彙整表 ... 25

表 4 二元羅吉斯迴歸模型參數及 Hosmer & Lemeshow 檢定表 ... 28

表 5 各土地利用二元羅吉斯迴歸模型正確率分類表 ... 29

表 6 各土地利用類別 AUC 面積 ... 29

表 7 2008 年至 2017 年各土地利用類別需求面積 ... 37

表 8 土地利用空間分配 Kappa 值驗證結果彙整表 ... 38

表 9 桃園市 2008 至 2017 年間各土地利用類別演變彙整表 ... 40

表 10 桃園市 2008 至 2017 年間各土地利用類別演變或然率矩陣 ... 41

表 11 2017 至 2036 年間馬可夫鏈推估之各土地利用類別需求面積 . 41 表 12 低中高人口發展情境下桃園市人口推估成果 ... 44

表 13 低度人口發展情境下桃園市土地利用需求面積 ... 47

表 14 中度人口發展情境下桃園市土地利用需求面積 ... 48

表 15 高度人口發展情境下桃園市土地利用需求面積 ... 49

(12)

(13)

第一章前言

環境的變化及擾動通常為自然生態演化過程或受人類活動影響所導致；故長期氣候變化及土地利用變遷均屬於環境變遷範疇之內。

盤點中心過往在未來情境推估式的災害衝擊研究，多半著墨於氣候變遷的研究，例如氣候變遷下五大流域極端災害的衝擊模擬，尚缺搭配環境變遷的研究，卻已呈現未來極端災害衝擊模擬的全貌。以淹水衝擊評估研究為例，目前中心相關研究假設未來人口及土地利用不變，

僅改變未來降雨進行氣候變遷下的淹水衝擊評估；因此在未來受氣候變遷影響的人口數，由於災害規模變大，所以影響人口數有增加之趨勢。但如果有可慮未來人口增加之情況，未來淹水災害影響規模變大，影響的人口數相對亦會增加；如圖 1 所示。而土地利用的改變，

除了會增加洪峰流量外，亦會增加洪水發生之頻率，增加淹水災害影響之規模（Akter et al., 2018; Apollonio et al., 2016; Brath et al., 2006;

Rogger et al., 2017; Szwagrzyk et al., 2018）。

因此，本年度預計進行示範區土地利用變遷空間分析模式建立，

並推估未來 2036 年示範區的土地利用空間分配，進而與水資源及淹

(14)

圖 1 環境變遷與淹水災害衝擊研究現況

(15)

第二章研究方法

本章節指在進行簡短的土地利用變遷相關研究，並介紹今年主要測試區域桃園市及土地利用變遷推估模式，相關介紹如下。

2.1 文獻回顧

2.1.1 土地利用變遷

土地利用（Land use）與土地覆蓋（Land cover）在描述土地時均有其特定含義；土地利用通常被定義為人類在土地上進行的一系列操作，目的是通過利用土地資源獲得產品或收益；土地覆蓋通常被定義為出現在地球表面的植被（自然或種植）、人造結構（如建物等）、水、

冰及裸露的岩石等，均可稱為土地覆蓋(Coffey, 2013)。

簡言之，土地利用為受人類活動與土地交互作用後的展現結果

（吳幸娟，2008；吳振發，2006；張曜麟，2005）。土地利用分佈狀態可反應人類活動類型與決策行為，如氣候、社會、經濟、文化、政治、政策、土地所有權等，均為影響土地利用變化的驅動性因子。

瞭解未來土地受到人類活動影響後所造成的變化，包含社會經濟

(16)

2.1.2 土地利用變遷及模擬研究

土地利用變遷為時間、空間及人類活動等交互作用所形成，故包含複雜及大量的不確性存在。所以在討論土地利用變遷及模擬之議題上大致可分為定性或屬性資料說明、數學模式或統計計量方法及整合模式等三大類。

(1) 定性或屬性資料說明

此部分主要透過時序列資料或影像等方式進行評估。如景觀指數、碎形理論及遙測等（李元喻，2013；李盈潔，2013；蔡杰廷，2011；

陳冠升，2014；黃炫國，2011）。透過此方式所獲得之資料，僅可瞭解某類特定土地利用在不同年代間之關聯性，但在空間特性上，無法直接提供相關研究結果。故無法直接提供土地利用變遷過程的解釋及預測。

(2) 數學模型或統計計量方法或

在土地利用變遷分析方法中，最直接的方式就是統計出各土地利用面積的各種指標或統計量，在時間序列上的變化情形。或透過數學模型去推估未來各土地利用面積，及在時間及空間上的變化。如馬可

(17)

2017；陳柏霖，2018）、羅吉斯迴歸（Verburg et al., 2010；林峰田等，

2009；鄒克萬等，2004）及細胞自動化理論（Ku, 2016；Soares-Filho et al., 2006；鄒克萬等，2014）等。

(3) 整合型模式

整合型模式主要如整合生態與人類活動的 DELTA 模式

（Southworth et al., 1991）、整合統計與土地變遷系統的 CLUE 模型

（Verburg et al., 1999；Verburg et al., 2002；Verburg et al., 2009）、交通經濟與人口發展的 TELUM 模型等（Wang et al., 2017）。此外尚有許多整合全模發展與土地利用變遷之整合模式，不在此討論範圍。

綜觀上述模式，主要是分析土地利用空間變遷，或同時處理時間與空間變遷議題，但仍缺乏可同時處理時間、空間與人類決策等三方面議題之分析模式。因此，可透過情境式模擬方式，評估政策可行性、

適用性及影響範圍等，進一步模擬出土地利用受人類決策影響後在空間及時間的變化關係。

2.2 研究試區介紹

(18)

德區、大溪區、蘆竹區、大園區，以上稱為北桃園；中壢區、龍潭區、

平鎮區、楊梅區、新屋區及觀音區，稱為南桃園，復興區為原住民區等 13 個鄉鎮區，如圖 2 所示。

桃園市西面臺灣海峽、東臨宜蘭縣、北接新北市、南與新竹縣為界，面積約 1,180 km²。地形高程位於桃園市及新竹縣兩行政區交界的雪白山為桃園市最高峰，海拔 2,444 m。地形大部分為丘陵台地，

地形呈西北向東南之狹長形，臨山面海，自石門水庫起經大溪區東北出市境之大漢溪，將本市劃分為東南和西北兩大部分。東南部分為標高 300 m 以上之丘陵地、階地及山岳，地勢向東南漸次升高，山勢峻峭，河谷窄狹。西北部地勢則較為平緩，台地、階地甚為發達，河流短而呈放射狀入海，如圖 3 所示。

桃園市有河流 20 餘條，除大漢溪外，其餘均河流流路短且水量少，主要為切割各臺地之河流。石門水庫則位於龍潭、大溪及復興區交界，為臺灣第一座多功能水庫，配合桃園大圳及石門大圳提供大桃園地區農業灌溉之用；此外，亦提供給水、發電及防洪等多樣功能。

相關河流及石門水庫位置，如圖 3 所示。

桃園市西北部主要由沖積層及紅土臺地堆積組成。東南部主要由

(19)

大桶山層、乾溝層及四稜砂岩等地層所組成，如圖 4 所示。

桃園市全區平均年雨量介於 1,500 至 2,000 mm 間，以夏季較多，

冬季較少；降雨多集中於山區，降雨分布由東南往西北遞減，如圖 5（翁叔平等，2018）。全年平均溫度約為攝氏 22.6 度；夏季平均 29 度，冬季平均約 16 度；溫度亦由東南山區往西北平地遞減，山區平均溫度較平地平均溫度差異約 10 ^oC 左右，如圖 6（翁叔平等，2018）。

根據內政部戶政司統計資料顯示，桃園市於 2018 年底人口總數為 2,220,872 人，近 10 年人口增加 262,186 人，均呈現正成長趨勢，

與 2008 年底相比，約增加 13 %。反觀雙北人口於 2015 年後有減少之趨勢，且與 2008 年相比，雙北人口增加率約 3 %，如圖 7 所示。

由此可知，桃園人口快速增長，其成長率亦高於雙北區域。目前桃園市人口集中於桃園及中壢兩區，其次為平鎮及八德區，如圖 8 所示。

未來隨著國土計畫的推動，人口的遷移將會有所改變，此變化將於 4.1.2 節討論。

(20)

圖 2 桃園市邊界範圍與鄉鎮區位置

(21)

圖 3 桃園市高程及水系分布圖

(22)

圖 4 桃園市地層單位

(23)

圖 5 桃園市 1986 至 2015 年間平均累積雨量分布圖（翁叔平等，2018）

(24)

圖 6 桃園市 1985 至 2014 年間平均溫度分布圖（翁叔平等，2018）

(25)

圖 7 雙北及桃園市近十年人口發展趨勢

(26)

2.3 土地利用空間變遷模式及檢定方法介紹

2.3.1 土地利用空間變遷模式

土地利用空間變遷推估是討論未來短期、中期土地利用變遷對自然災害發生關聯性地重要工具。可進行土地利用變遷推估的模式多元，依各種不同目的與議題，發展出許多不同演算方法。

本研究在土地利用變遷模式的選擇上，主要考量以下幾點原則：

 模式須能整合防災與土地利用管理機制或政策需求

 空間尺度適合國家、縣市、鄉鎮尺度或集水區單元等

 時間尺度可進行逐年模擬

 為配合未來災害模擬使用，資料解析度需為百公尺內之精度

因此，根據上述原則，本研究選取 Dyna-CLUE 模式進行土地利用變遷模擬。Dyna-CLUE 模式主要由土地利用需求量及土地利用分配模組所組成，如圖 9。土地利用需求量為各土地利用類別需求量，

如土地使用面積等；此需求量可透過未來發展趨勢、情境需求或相關經濟模型獲得。在瞭解未來土地利用需求量後，再透過土地利用推估

(27)

策與限制、土地利用類型特殊轉換限制等。透過此一系列的條件、機率及相關下對上需求（Bottom-up processes）之循環迭代過程進行未來土地利用空間型態的分配。

圖 9 Dyan-CLUE 模式架構圖（改繪自 Verburg et al., 2009）

2.3.2 土地利用空間分配模組介紹

(1) 特殊區域限制

(28)

制。如桃園市轄內石門水庫周圍的水庫水質保護區，此保護區會限制該處土地利用發展，無法轉換為其他土地使用類型。故模式中可透過空間限制或相關土地利用政策，限制開區域的土地利用變化。

(2) 土地利用型態轉換設定

土地利用型態轉換設定在模式中主要以土地利用轉換序列（land use transition sequences）與轉換彈性（conversion elasticities）呈現個別土地利用特性。

土地利用轉換主要系指「土地利用是否允許轉移、哪些區域允許或禁止特定土地利用類型轉換、區域現況土地使用型態可維持多久或可維持相同土地利用型態的最大年限」。Dyna-CLUE 模式中主要以土地利用轉換矩陣表示，如圖 10 所示。

轉換彈性則與土地利用被轉換可行性有關。通常花費高額資本投資的土地利用類型，需花費更高的金額進行土地利用類型換轉；故此土地利用類型不容易被轉換為其他土利用類型，如交通等重大公共工程建設。而轉換農地為其他土地利用類型，相對性所需付出較少的金額，故農地為容易被轉換成其他土地利用類型。Dyna-CLUE 模式中

(29)

圖 10 土地利用轉換矩陣式意圖（改繪自 Verburg et al., 2009）

(3) 土地利用需求

土地利用需求是提供土地利用總體需求量。需求量計算可透過過去發展趨勢推估未來發展趨勢，如馬可夫鏈模式（Ku，2016、張政亮，2006）；情境分析，如人口發展及鄉村農業發展等情境進行需求量推估；或利用其他分析預測模型，如進行土地利用變遷相關政策分析十，其土地需求量可透過總體經濟模型來預測未來土利地用需求量變化（Verburg et al., 2010、吳振發，2006）。

(4) 區位特性

土地利用類型在受到不同影響因子等驅動力交互影響下，可能轉變為其他土地利用類型；此驅動力泛指與該區域空間及區位相關的環

(30)

土地利用變遷驅動力分析方法主要在討論自然與人為等因素對土地利用轉變的影響。概念與迴歸分析之基本概念，即土地利用發展類別為因變數，各種驅動力為自變數，可由此建立土地利用變遷驅動力分析模式。

二元羅吉斯迴歸在使用上不受多元常態分配的假設限制，在解釋變數時可同時存在連續或離散資料，係分析土地利用變遷機率及驅動因子影響程度的重要方法。故 Dyna-CLUE 模式中以二元羅吉斯迴歸分析結果，預測未來各種土地利用變遷之機率（Verburg et al., 2009）。

二元羅吉斯迴歸關係式如下，

(1)

式中，Pi代表位置 i 的出現該土地利用類別的機率、為影響土地利

用變化的驅動因子、為常數項、為驅動因子之迴歸係數。

(5) 分派過程

Dyna-CLUE 模式主要利用土地利用需求量並透過分派過程進行

(31)

土地利用類別變化的區域上進行最高土地利用機率計算（Ptoti,t,lu）。

其關係式如下，

(2) 式中，Ploci,t,lu代表位置適宜性（location suitability）、Pnbhi,t,lu代表鄰近區域適宜性（neighborhood suitability）、elaslu代表轉換彈性與 compt,lu

代表土地利用類別的競爭優勢（competitive advantage）。其中，t 表 示某時間、i 代表某區位及 lu 表示土地利用類別（Verburg et al., 2009）。

結束土地利用變遷計算後，下一步則判斷計算後的各土地利用類別總量是否符合設定之土地利用需求量，如果符合則完成土地利用變遷分配；如不符合，則自動調整各土地利用類別間之競爭優勢，在進行最高土地利用類別機率計算，透過重複迭代的過程，找出最佳的土地利用分配結果。

(32)

第三章土地利用空間分配模組設定與驗證

本章節主要介紹 Dyna-CLUE 中土地利用分配模組參數選擇、設定及模組透過 2008 年及 2017 年土地利用調查資料所進行的驗證結果。

3.1 土地利用空間分配模組設定

3.1.1 土地轉換許可

土地轉換許可在本研究中主要可分為限制發展區域及土地利用轉換許可（轉換矩陣）等兩部分。石門水庫位處於桃園市境內，主要供應新北市、桃園市及新竹縣部分區域公共用水及農業用水，為臺灣北部主要水源供應區。根據自來水法第十一條，「自來水事業對其水源之保護，除依水利法之規定向水利主管機關申請辦理外，得視事實需要，申請主管機關會商有關機關，劃定公布水質水量保護區，依本法或相關法律規定，禁止或限制左列貽害水質與水量之行為」；故屬水源特定區屬限制開發區域。相關位置如圖 12 所示。

本研究主要探討未來土地利用變遷與災害發生規模大小之相互影響關係。為了後續將土地利用變遷推估成果，提供給淹水領域進行

(33)

等九大分類，相關分類如表 1 所示。

土地利用轉換許可，除考量土地轉換成本外，亦考慮現行法規，

如農業發展條例、森林法、水利法與礦業法等進行相關設定。農業、

森林等由於土地轉換成本相對較低，除可相互轉換外，亦可轉換為水利、建築、公共遊憩等土地利用類別。水利類別則受限於法規命令，

不能轉為其他土地利用類別使用。建築由於轉換成本高，除國家徵收作為交通與公共類別外，無法轉換為其他土地利用。公共與遊憩因轉換成本高，故除其他類外，均設定為無法轉換為其他土地利用。桃園市礦業已逐漸轉衰，故礦業在設定上僅能轉為其他土地利用類別，其他土地利用類別無法轉變為礦業。其他類因轉換成本較低，故能轉換為其他土地使用類別。

(34)

圖 12 桃園市水源特定區–空間限制發展區

(35)

表 1 土地利用類別九大分類彙整表

農業農作、水產養殖、畜牧、附屬設施

森林天然林、人工林、其他

交通機場、鐵路、道路、港口

水利河道、溝渠、蓄水池、沙洲、構造物等

建築商業、住宅、工業、其他

公共政府、學校、醫療、社福、公用、環保

遊憩文化、休閒

礦業礦業、土石、鹽業

其他軍事、濕地、草生地、空地、崩塌等

表 2 土地利用轉換許可彙整表後一期土地利用

農業森林交通水利建築公共遊憩礦業其他前

一期土地利用

農業 1 1 1 1 1 1 0 0 1

森林 1 1 1 0 1 1 1 0 1

交通 0 0 1 0 0 0 0 0 0

水利 1 0 0 1 0 0 0 0 0

建築 0 0 1 0 1 1 0 0 0

公共 0 0 1 1 1 1 1 0 1

遊憩 0 0 0 0 0 1 1 0 1

礦業 0 1 0 0 1 1 1 1 1

其他 1 1 1 1 1 1 1 0 1

1：允許土地利用轉換、0：不允許土地利用轉換

(36)

3.1.2 土地利用變遷驅動力分析

土地利用變遷驅動力分析，可瞭解驅動該地土地利用變遷主要組成因子與建立土地利用變遷機率模式等；前者可作為後續土地利用管制策略研擬參考，後者可作為土地利用變遷模擬應用。

Dyna-CLUE 模式以二元羅吉斯迴歸分析來建立及預測未來各種土地利用變遷之機率。本研究主要以草地、森林、交通、水利、建築、

公共、遊憩；礦業及其他等 9 大土地利用類別為應變數，建立相關迴歸方程式。

土地利用變遷趨動力主要可分為自然及社會經濟等兩大因素。根據文獻回顧（吳幸娟，2008、陳珮琪，2017、陳婕雯，2018、經濟部水利署，2019）及分析結果，高程、坡度、與河流距離、土壤沖蝕 K 值、年平均累積雨量及年平均溫度為改變桃園市土地利用的自然驅動因子。另選取里人口密度及與道路距離，作為改變桃園市土地利用的社會經濟驅動因子；其中透過里人口密度來代表當地的經濟發展情形，與鄉道、縣道、省道、快速道及國道等道路距離及高鐵、臺鐵車站距離，代表未來該處的發展潛能。相關土地利用變遷驅動因子彙

(37)

表 3 土地利用變遷驅動因子彙整表吳幸娟

(2008)

陳珮琦 (2017)

陳婕雯 (2018)

水利署

(2019) 本研究

地點鳳山溪

流域

大屯溪

流域蘭陽平原桃園市桃園市

自然因素

地文特性

高程高程高程高程

坡度坡度坡度坡度

水文特性

與主河道距離

與河流距離

與河流距離土壤

特性

土壤沖蝕 K 值

土壤深度土壤深度

氣候降雨降雨

溫度溫度

社會經濟

人口里人口

密度人口里人口

密度

里人口密度

交通

與道路距離

與省道距離

主要道路距離

與道路距離

與道路距離與交流道

距離

與縣道距離

與公車站距離

與國道距離

與車站距離與鄉鎮道

距離

規劃區

都市計畫距離

與工廠距離

與都市距離土地

所有權

與商業距離與住宅

距離與學校

距離 3.1.3 羅吉斯迴歸模式檢定

(38)

的自變數與應變數關係之強度，無法說明應變數的變異量可被自變數解釋百分比（吳明隆，2010）。其中農業及交通與自變數有中度及中強度之關聯。

在羅吉斯迴歸模式的假設驗證方面，Hosmer & Lemeshow 檢定之卡方統計量越小越好，因卡方值越小越不易達到顯著，表示迴歸模式適配度越佳（吳明隆，2010）。表 4 中農業、公共及遊憩等檢定值均未達顯著水準（p > 0.05），代表整體迴歸模式適配度良好。而各土地利用二元羅吉斯迴歸模型正確率分類，總百分比越高越好，代表該模式在進行各土地利用分類時之適配度佳，如表 5 所示。

另外本研究亦使用 ROC 方法來進行評估（Pontius et al., 2001）。

此評估方法乃係以對角線為參考基準線，如曲線剛好落在參考線上，

即代表該分類不具鑑別性；如曲線越往左上方，則代表分類的敏感度越高，亦代表預測值之分類越接近實際值，如圖 13 所示。本研究各土地利用類別 ROC 曲線，如圖 14 所示。

此外，Fawcett（2006）指出可透過 ROC 曲線下的面積（AUC, Area under cover）來進行判斷預測模型的優劣標準。當 AUC 值等於 1 時，

表示預測與實際值完全相符；當值介於 0.5 至 1 之間時，代表此結果

(39)

AUC 越接近 1 代表模式預測能力越佳。本研究中各土地利用類別的 AUC 值除礦業等於 0.5 外，其餘 AUC 值均大於 0.5，且以森林 0.938 為最高。

(40)

表 4 二元羅吉斯迴歸模型參數及 Hosmer & Lemeshow 檢定表

模型摘要 Hosmer & Lemeshow 檢定

土地利用

類別項目 -2 對數概似 Cox & Snell R 平方

Nagelkerke

R 平方卡方顯著性

農業 11919.228 0.320 0.427 6.279 0.616 森林 5996.878 0.471 0.692 106.034 0.000 交通 4252.841 0.024 0.077 29.027 0.000 水利 2860.369 0.014 0.061 33.464 0.000 建築 6553.561 0.074 0.159 80.615 0.000 公共 1298.748 0.006 0.055 13.220 0.105 遊憩 1384.424 0.005 0.043 5.889 0.660

礦業 - - - - -

其他 4485.546 0.009 0.029 30.306 0.000

圖 13 ROC 曲線式意圖

(41)

表 5 各土地利用二元羅吉斯迴歸模型正確率分類表土地利用

類型項目觀測值預測值

正確率(%)

0 1

農業觀測值 0 3676 2249 62.1

1 769 5209 86.9

總百分比 74.6

森林觀測值 0 8523 334 96.2

1 808 2252 73.6

總百分比 90.4

交通觀測值 0 11346 6 99.9

1 559 6 1.1

總百分比 95.3

水利觀測值 0 11586 0 100

1 331 0 0

總百分比 97.2

建築觀測值 0 10745 43 99.6

1 1088 41 3.6

總百分比 90.5

公共觀測值 0 11794 0 100

1 123 0 0

總百分比 99.0

遊憩觀測值 0 11786 0 100

1 131 0 0

總百分比 98.9

礦業觀測值 0 11904 0 100

1 13 0 0

總百分比 99.9

其他觀測值 0 11344 0 100

1 573 0 0

總百分比 95.2

表 6 各土地利用類別 AUC 面積

項目農業森林交通水利建築公共遊憩礦業其他

AUC 0.811 0.938 0.686 0.776 0.599 0.724 0.727 0.500 0.615

(42)

農業森林交通

水利建築公共

遊憩礦業其他

圖 14 各土地利用分類 ROC 曲線

(43)

3.1.4 土地利用驅動利因子分析結果

透過二元羅吉斯迴歸所建立的各土地利用類別變遷機率模式如下。

(1) 農業

在農業的二元羅吉斯迴歸機率模型中，以雨量影響最大，土壤沖蝕影響最小。結果呈現，農業用地在平均雨量及溫度適中、坡度緩、

里人口密度少及離道路距離近的地方，且土壤沖蝕作用相對強烈的地方即土壤化育較佳較易進行農業耕作之處，分佈機率較高，如（(3）。

(3)

(2) 森林

在森林的二元羅吉斯迴歸機率模型中，以坡度影響最大，高程影響最小。結果呈現森林用地在坡度較陡、海拔較高、氣候適中、離道

(44)

(3) 交通

在交通的二元羅吉斯迴歸機率模型中顯示，人口集中區、道路鄰近處與溫度較溫暖之處，出現交通的機率較高。

(5)

(4) 水利

在水利的二元羅吉斯迴歸機率模型中顯示，僅與河流距離及高程有關。當與河流距離越接近，高程越平緩之地方，呈現水利的機率越高。

(6)

(5) 建築

在建築的二元羅吉斯迴歸機率模型中，呈現人口密度越高、離車站及道路越近之地區，出現建築的機率越大。

(45)

(6) 公共

在公共的二元羅吉斯迴歸機率模型中顯示，越靠近車站、坡度越緩、人口度越高且雨量較多的地方，出現公共用地的機率則越高。

(8)

(7) 遊憩

在遊憩的二元羅吉斯迴歸機率模型中顯示，土壤化育較佳之區域、溫度適中且較為山上之區域，呈現遊憩的機率較高。

(9)

(8) 礦業

而礦業在二元羅吉斯迴歸機率模型中，在所挑選的因子中適配度最低，無任何統計關係存在。

(10)

(46)

之處，出現其他的機率越高。

(11)

(47)

3.2 土地利用空間分配模組驗證

本研究利用 2008 年作為土地利用變遷預測基準年，透過土地轉換許可、土地利用變遷趨動力及各土地利用類別需求面積（表 7）等資料，進行土地利用變遷空間分配模擬，並以 2017 年土地利用調查資料作為模式驗證。為求預測可信度，本研究利用 Pontius（2000）

提出之 Kappa 值最為模式可信度標準。

圖 15 為 2008 年桃園市土地利用調查分布情形，即基準年；圖

16 為 2017 年桃園市土地利用調查分布情形，即模擬結果驗證年；表 7 則為模式輸入中 2008 年至 2017 年間各土地利用類別需求面積。

根據 Pontius（2000）提出，可透過 Kappa 值評估預測結果與實際結果之誤差，測量預測值之可信度。Kappa 值主要介於 0 至 1 之間，

其公式如下，

(12) 式中，P0代表觀測值正確率、Pc代表期望值的一致性，即結果相同的機率。Pontius（2000）更指出依據模擬工具對數量和位置的分配

(48)

可信度極低；當值介於 0.2 至 0.4 時，表示可信度一般；當值介於 0.4 至 0.6 時，表示中度可信度；當值介於 0.6 至 0.8 時，表示高度可信度；當值介於 0.8 至 1 時，代表可信度極高。故可知，當 Kappa 值越接近 1，代表預測結果與觀測值越相近，表示預測結果越好。

圖 15 桃園市 2008 年土地利用調查成果

(49)

圖 16 桃園市 2017 年土地利用調查成果

表 7 2008 年至 2017 年各土地利用類別需求面積

年農業森林交通水利建築公共遊憩礦業其他

2008 34,328 44,769 8,216 4,906 16,091 2,023 1,853 136 8,282 2009 34,235 44,768 8,241 4,886 16,174 2,232 1,858 131 8,080 2010 34,142 44,766 8,266 4,866 16,256 2,441 1,863 127 7,877 2011 34,049 44,765 8,291 4,846 16,339 2,650 1,868 122 7,675 2012 33,956 44,764 8,316 4,826 16,421 2,859 1,873 118 7,472 2013 33,862 44,762 8,340 4,806 16,504 3,067 1,879 113 7,270 2014 33,769 44,761 8,365 4,786 16,586 3,276 1,884 109 7,067 2015 33,676 44,760 8,390 4,766 16,669 3,485 1,889 104 6,865 2016 33,583 44,758 8,415 4,746 16,751 3,694 1,894 100 6,662 2017 33,490 44,757 8,440 4,726 16,834 3,903 1,899 95 6,460 單位：公頃

(50)

圖 17 桃園市 2017 年模式驗證成果

表 8 土地利用空間分配 Kappa 值驗證結果彙整表 2017 年模式預測

農業森林交通水利建築公共遊憩礦業其他總計

2017 年實際調查

農業 29,160 1560 384 529 648 236 54 6 913 33,490 森林 385 43,572 75 33 82 270 63 0 277 44,757 交通 456 180 6,941 62 467 76 31 3 224 8,440 水利 419 190 60 3,794 57 25 27 1 153 4,726 建築 1,136 195 389 39 14,207 198 58 4 608 16,834 公共 105 66 69 5 212 2,083 24 0 1,339 3,903 遊憩 62 61 49 27 80 47 1,470 0 103 1,899

礦業 10 3 1 3 8 12 0 47 11 95

其他 1,254 751 300 216 932 546 77 34 2,350 6,460 總計 32,987 46,578 8,268 4,708 16,693 3,493 1,804 95 5,978 120,604 Kappa Coefficient = 0.764

(51)

第四章未來土地利用變遷模擬及分析結果

4.1 2036 年土地利用需求量推估

土地利用變遷主要是透過不同時期地土地利用變化情形進行討論。因此，可透過案例分析、情境模擬或其他分析預測模型，進行未來土地利用需求量變化預測。本研究未來土地利用需求量推估方法如下。

4.1.1 馬可夫鏈預測

然而，在地理學界常使用馬可夫鏈（Markov Chain）模式應用在預測未來土地可能的發展。張政亮（2006）指出，「馬可夫鏈模式是一種預測的方法，模式先假設某一事件各種狀態的轉變機率，是根基於此時狀態的改變而不考慮其他因素，然後利用此一轉換率來推測未來事物地分布狀態」。因此，本研究將運用馬可夫鏈轉換矩陣預測未來 2036 年桃園市土地利用可能之發展。

表 9 為桃園市 2008 年至 2017 年間各土地利用類別演變彙整表，

表中粗體字為 2008 年至 2017 年間維持原土地利類別的面積。如以此

(52)

農地轉為森林、473 公頃農地轉為交通用地等依此類推。在 2017 年時，農業用地減少為 33,490 公頃；其中 29,974 為維持農業用地之面積，有 1,137 公頃的森林開發為農業用地、254 公頃的交通用地轉為農地使用等依此類推。故根據表 9 中各土地利用類別間的轉換或然率，轉換為表 10 的各土地類別的演變或然率矩陣。之後再藉由此一時期內各項的演變或然率，依據其相乘定律及相加定律，推測未來更長時期之演變或然率（梁靳善，2000）。表 11 為利用馬可夫鍊模型所推求之 2017 年至 2036 年間各土地利用類別需求面積。

表 9 桃園市 2008 年至 2017 年間各土地利用類別演變彙整表 2017 土地利用類別

2008 土地利用類別

農業 29,974 898 473 315 1,180 106 71 10 1,301 34,328 森林 1,137 2,349 197 194 229 71 67 3 522 44,769 交通 254 201 6,941 59 379 59 46 1 276 8,216 水利 555 86 65 3,907 40 6 27 3 217 4,906 建築 386 168 424 43 14,074 134 55 8 799 16,091 公共 14 12 40 3 70 1,833 28 1 22 3,023 遊憩 52 142 31 27 58 21 1,470 - 52 1,853

礦業 7 - 3 2 11 - - 58 55 136

其他 1,111 901 266 176 793 1,673 135 11 3,216 8,282 總計 33,490 44,757 8,440 4,762 16,864 3.903 1,899 95 6,460 120,604 註：單位為公頃。粗體字為 2008 年至 2017 年間沒有轉換的面積。

(53)

表 10 桃園市 2008 年至 2017 年間各土地利用類別演變或然率矩陣 2017 土地利用類別分配

2008 土地利用類別分配

農業 0.87 0.03 0.01 0.01 0.03 0.00 0.00 0.00 0.04 1 森林 0.03 0.95 0.00 0.00 0.01 0.00 0.00 0.00 0.01 1 交通 0.03 0.02 0.84 0.01 0.05 0.01 0.01 0.00 0.03 1 水利 0.11 0.02 0.01 0.80 0.01 0.00 0.01 0.00 0.04 1 建築 0.02 0.01 0.03 0.00 0.87 0.01 0.00 0.00 0.05 1 公共 0.01 0.01 0.02 0.00 0.03 0.91 0.01 0.00 0.01 1 遊憩 0.03 0.08 0.02 0.01 0.03 0.01 0.79 0.00 0.03 1 礦業 0.05 0.00 0.02 0.01 0.08 0.00 0.00 0.43 0.40 1 其他 0.13 0.01 0.03 0.02 0.10 0.20 0.02 0.00 0.39 1 2008 年(%) 28.5 37.1 6.8 4.1 13.3 1.7 1.5 0.1 6.9 100 2017 年(%) 27.8 37.1 7.0 3.9 14.0 3.2 1.6 0.1 5.4 100 註：粗體字為 2008 年至 2017 年間沒有轉換的比率。

表 11 2017 至 2036 年間馬可夫鏈推估之各土地利用類別需求面積（公頃）

2017 33,490 44,757 8,440 4,726 16,834 3,903 1,899 95 6,460 2018 33,383 44,734 8,459 4,706 16,892 4,052 1,904 92 6,383 2019 33,276 44,711 8,478 4,686 16,949 4,201 1,908 90 6,305 2020 33,168 44,688 8,497 4,666 17,007 4,350 1,913 87 6,228 2021 33,061 44,665 8,515 4,646 17,065 4,499 1,917 84 6,151 2022 32,954 44,642 8,534 4,626 17,123 4,648 1,922 82 6,073 2023 32,847 44,619 8,553 4,606 17,180 4,798 1,927 79 5,996 2024 32,740 44,596 8,572 4,586 17,238 4,947 1,931 76 5,919 2025 32,633 44,573 8,591 4,565 17,296 5,096 1,936 74 5,841 2026 32,525 44,550 8,610 4,545 17,354 5,245 1,940 71 5,764 2027 32,422 44,519 8,627 4,526 17,399 5,365 1,943 71 5,733 2028 32,319 44,487 8,644 4,507 17,444 5,485 1,945 70 5,702 2029 32,215 44,456 8,661 4,488 17,489 5,606 1,947 70 5,670 2030 32,112 44,425 8,678 4,469 17,535 5,726 1,950 70 5,639

(54)

4.1.2 人口發展趨勢預測

人口發展會帶動周邊經濟發展，促進相關土地開發與建設，進而造成土地利用變化（Meyer et al. 1992; Turner 1992; Li et al. 2015;

Wang et al. 2017）。所以本研究透過 2008 年至 2017 年人口發展及各土地利用類別面積變化趨勢建立關係式，來設定未來各年度土地利用面積需求。

圖 18 為 2008 年至 2017 年人口與各土地利用類別線性迴歸關係圖。從此關係圖可知，農業、森林、水利、鹽礦等都與人口呈現負相關，而交通、建築、公共及遊憩面積，將會隨著人口增加。

桃園市未來人口發展趨勢資料來源，主要由臺北大學詹士樑教授提供，主要透過 TELUM 模式 Wang et al（2017）進行人口發展趨勢低、中及高等發展趨勢進行未來人口推估至 2036 年。相關人口推估成果如表 12 所示。由於該人口推估係由 2016 年開始進行未來 20 年人口推估至 2036 年止，故從 2017 年開始發展出低度、中度及高度等不同人口發展情境結果。根據人口高度發展結果，未來桃園市在 2036 年人口將到達 2,528,227 人。

(55)

圖 18 人口（橫坐標）與各土地利用（縱座標）線性迴歸關係圖

圖 19 至圖 21 為桃園市 2036 年各區人口推估分布成果。在 2036 年時，新屋區及復興區在低度人口推估時，人口數均少於 50,000 人；

中度人口推估時，新屋區人口數將增加一個級數至 50,001 至 100,000

(56)

表 12 低中高人口發展情境下桃園市 2016 年至 2036 年人口推估成果

年低度人口中度人口高度人口

2016 2,061,312 2,061,312 2,061,312 2017 2,084,412 2,084,789 2,085,228 2018 2,107,511 2,108,266 2,109,144 2019 2,130,611 2,131,743 2,133,059 2020 2,153,710 2,155,220 2,156,975 2021 2,176,810 2,178,697 2,180,891 2022 2,197,492 2,201,280 2,205,893 2023 2,218,174 2,223,863 2,230,895 2024 2,238,857 2,246,447 2,255,896 2025 2,259,539 2,269,030 2,280,898 2026 2,280,221 2,291,613 2,305,900 2027 2,297,933 2,312,451 2,329,727 2028 2,315,646 2,333,289 2,353,553 2029 2,333,358 2,354,126 2,377,380 2030 2,351,071 2,374,964 2,401,206 2031 2,368,783 2,395,802 2,425,033 2032 2,382,152 2,412,906 2,445,672 2033 2,395,521 2,430,010 2,466,311 2034 2,408,889 2,447,114 2,486,949 2035 2,422,258 2,464,218 2,507,588 2036 2,435,627 2,481,322 2,528,227 註：臺北大學提供成果。

(57)

圖 19 桃園市各區未來 2036 年低度人口推估分布結果（臺北大學提供）

(58)

圖 21 桃園市各區未來 2036 年高度人口推估分布結果（臺北大學提供）

表 13 至表 15 為透過低、中及高度人口發展情境所推估的 2036 年各土地利用類別需求面積結果。其中，農業、森林、交通、水利、

建築、公共、遊憩及礦業均透過人口與土地利用關係式推求而得；另為求每年整體土地利用需求固定，故透過其他類土地利用面積作為調整。礦業則限制於 2021 年後不轉作其他土地利用類別，故於 2021 年後均為定值。

圖 22 為馬可夫鏈模型及低中高度人口發展情境推估之 2036 年各

(59)

模型與中度人口發展推估成果比較，兩者推估成果相似；除利用馬可夫鍊模型推求的農業土地利用減少量較中度人口發展多，中度發展人口推求的其他類土地利用減少較多外，其餘土地利用之改變率均類似。

表 13 低度人口發展情境下桃園市 2017 至 2036 年土地利用需求面積（公頃）

2017 33,885 44,769 8,357 4,800 16,524 3,015 1,871 75 7,308 2018 33,800 44,768 8,380 4,782 16,600 3,207 1,875 71 7,122 2019 33,714 44,767 8,403 4,763 16,676 3,398 1,880 66 6,936 2020 33,629 44,765 8,426 4,745 16,752 3,590 1,885 61 6,750 2021 33,543 44,764 8,449 4,726 16,828 3,782 1,889 57 6,564 2022 33,458 44,763 8,472 4,708 16,905 3,974 1,894 57 6,374 2023 33,381 44,762 8,493 4,691 16,973 4,145 1,898 57 6,203 2024 33,305 44,761 8,514 4,675 17,041 4,317 1,902 57 6,033 2025 33,228 44,760 8,534 4,658 17,109 4,489 1,906 57 5,862 2026 33,152 44,759 8,555 4,642 17,178 4,660 1,911 57 5,691 2027 33,075 44,758 8,576 4,625 17,246 4,832 1,915 57 5,521 2028 33,010 44,757 8,594 4,611 17,304 4,979 1,918 57 5,375 2029 32,944 44,756 8,611 4,597 17,363 5,126 1,922 57 5,229 2030 32,879 44,755 8,629 4,583 17,421 5,273 1,925 57 5,082 2031 32,813 44,754 8,647 4,568 17,480 5,420 1,929 57 4,936 2032 32,748 44,754 8,664 4,554 17,538 5,567 1,932 57 4,790 2033 32,698 44,753 8,678 4,543 17,582 5,678 1,935 57 4,680 2034 32,649 44,752 8,691 4,533 17,626 5,789 1,938 57 4,570 2035 32,599 44,752 8,704 4,522 17,671 5,900 1,940 57 4,459 2036 32,550 44,751 8,718 4,511 17,715 6,011 1,943 57 4,349

(60)

表 14 中度人口發展情境下桃園市 2017 至 2036 年土地利用需求面積（公頃）

2017 33,798 44,768 8,380 4,781 16,601 3,210 1,876 71 7,119 2018 33,711 44,767 8,404 4,763 16,678 3,405 1,880 66 6,930 2019 33,625 44,765 8,427 4,744 16,756 3,599 1,885 61 6,741 2020 33,538 44,764 8,451 4,725 16,833 3,794 1,890 56 6,552 2021 33,451 44,763 8,474 4,706 16,911 3,989 1,894 56 6,359 2022 33,367 44,762 8,497 4,688 16,985 4,177 1,899 56 6,172 2023 33,284 44,761 8,519 4,670 17,060 4,364 1,903 56 5,986 2024 33,200 44,760 8,542 4,652 17,134 4,552 1,908 56 5,800 2025 33,117 44,759 8,565 4,634 17,209 4,739 1,912 56 5,613 2026 33,033 44,757 8,587 4,616 17,284 4,926 1,917 56 5,427 2027 32,956 44,756 8,608 4,599 17,352 5,099 1,921 56 5,255 2028 32,879 44,755 8,629 4,583 17,421 5,272 1,925 56 5,083 2029 32,802 44,754 8,650 4,566 17,490 5,445 1,929 56 4,911 2030 32,725 44,753 8,671 4,549 17,559 5,618 1,934 56 4,739 2031 32,648 44,752 8,691 4,533 17,627 5,791 1,938 56 4,568 2032 32,584 44,751 8,709 4,519 17,684 5,933 1,941 56 4,426 2033 32,521 44,750 8,726 4,505 17,740 6,075 1,945 56 4,285 2034 32,458 44,750 8,743 4,492 17,797 6,217 1,948 56 4,144 2035 32,394 44,749 8,760 4,478 17,853 6,359 1,951 56 4,003 2036 32,331 44,748 8,777 4,464 17,910 6,501 1,955 56 3,862

(61)

表 15 高度人口發展情境下桃園市 2017 至 2036 年土地利用需求面積（公頃）

2017 33,800 44,768 8,380 4,782 16,600 3,207 1,875 71 7,122 2018 33,714 44,767 8,403 4,763 16,676 3,398 1,880 66 6,936 2019 33,629 44,765 8,426 4,745 16,752 3,590 1,885 61 6,750 2020 33,543 44,764 8,449 4,726 16,828 3,782 1,889 56 6,538 2021 33,458 44,763 8,472 4,708 16,905 3,974 1,894 56 6,341 2022 33,381 44,762 8,493 4,691 16,973 4,145 1,898 56 6,135 2023 33,305 44,761 8,514 4,675 17,041 4,317 1,902 56 5,928 2024 33,228 44,760 8,534 4,658 17,109 4,489 1,906 56 5,722 2025 33,152 44,759 8,555 4,642 17,178 4,660 1,911 56 5,516 2026 33,075 44,758 8,576 4,625 17,246 4,832 1,915 56 5,310 2027 33,010 44,757 8,594 4,611 17,304 4,979 1,918 56 5,113 2028 32,944 44,756 8,611 4,597 17,363 5,126 1,922 56 4,916 2029 32,879 44,755 8,629 4,583 17,421 5,273 1,925 56 4,720 2030 32,813 44,754 8,647 4,568 17,480 5,420 1,929 56 4,523 2031 32,748 44,754 8,664 4,554 17,538 5,567 1,932 56 4,327 2032 32,698 44,753 8,678 4,543 17,582 5,678 1,935 56 4,157 2033 32,649 44,752 8,691 4,533 17,626 5,789 1,938 56 3,986 2034 32,599 44,752 8,704 4,522 17,671 5,900 1,940 56 3,816 2035 32,550 44,751 8,718 4,511 17,715 6,011 1,943 56 3,646 2036 32,500 44,750 8,731 4,501 17,759 6,122 1,946 56 3,475