應用人工智慧技術發展坡地崩塌風險評估模式

(1)

應用人工智慧技術發展坡地崩塌風險評估模式

Developing Landslide Risk Evaluation Model using Artificial Intelligence (AI) Techniques

執行單位:逢甲大學

執行期間:108 年 1 月 1 日至 108 年 12 月 31 日計畫主持人 :逢甲大學土木工程學系李秉乾教授

共同主持人 :逢甲大學都市計畫與空間資訊學系雷祖強教授協同主持人 :逢甲大學營建及防災中心謝孟勳研究助理教授

逢甲大學土木工程學系黃亦敏助理教授逢甲大學 GIS 研究中心方耀民研究副教授逢甲大學土地管理學系周天穎教授

行政院農業委員會水土保持局編印中華民國 108 年 12 月

(本報告書內容及建議純屬執行單位意見，僅供本局施政參考)

(2)

(3)

摘要

本團隊過去在農委會水土保持局(以下簡稱水保局)相關計畫中，已透過建立易損性模式，針對坡地崩塌發生之可能性進行研究，針對陳有蘭溪、旗山溪、荖濃溪集水區等示範區進行相關資料蒐集彙整，完成雙變量坡地易損性分析，針對不同類型之坡面導出不同雨量觸發因子(最大小時降雨和總有效累積雨量)及崩塌地文因子(地質、坡度、坡向、

河道遠近、植生、歷史崩塌)之易損性曲線，並與降雨危害曲線整合為一套崩塌風險警戒機制模式。

過去本計畫所發展之雙變量坡地易損性曲面是建立在有限的颱風事件中，不能將其視為適用於所有豪大雨及颱風事件，因為不同的災害事件代表不同災害規模(Scale disaster)，這對重點聚落而言將會造成不同程度的災害問題，因此本計畫期於今年度計畫中將盤點2008-2018全台重大颱風豪雨事件，經資料探索，初探各事件於陳有蘭溪、旗山溪、荖濃溪集水區的雨量範圍，並針對雨量範圍決定事件規模，以挑選具有各規模代表性之事件的衛星影像進行環境資料(地文資料)的萃取，以擴增崩塌事件資料庫。另一方面，隨著機器學習及人工智慧(AI)技術的興起，如何將本計畫過去所累積大量之崩塌資料庫(事件、雨量、地文資訊、崩塌地判釋等)與人工智慧技術有效的融合亦將是本計畫今年目的之一：精進求取崩塌比率之研究，由於人工智慧演算法建立通常需要一個包含大量資料的資料庫做為支撐，因此對於擴大資料數據集及資料數據之品質控管則就相對重要，本計畫將利用人工智慧類神經網路建立崩塌比率評估模型，基本上，其具有包含許多外部神經元的主要架構，該概念可以使用類似的神經網絡結構來構建更複雜的深度網絡，其優勢為大量資料能夠即時回應、處理及快速運算，減少人工求取參數之成本，

且其能夠在獲取到新的資料後再次調整自身參數，以保持良好的推估模式及精準度。經過上述的人工智慧技術於崩塌比率評估模式精進後，後續亦可整合於本計畫過去所發展之崩塌風險警戒機制模式，以達到協助防災應變決策之目的。

(4)

(5)

Artificial Intelligence (AI) Techniques Abstract

The research group of this project has been worked with Soil and Water Conservation Bureau (SWCB) for years in developing fragility curve model for landslide potential evaluation.

The study areas in the previous projects are at Chenyoulan, Laonong, and Qishan catchments.

The research group had completed the bi-variable landslide model, including the triggering factors (max. hourly rainfall and accumulated rainfall), and environmental factors (geology, slope, aspects, distance to rivers, vegetation coverage, and landslide history). In association with the rainfall hazards, the landslide potential evaluation model was established.

In the previous studies, the data used to develop the landslide potential evaluation model was from limited events of typhoons and heavy rainfalls. To extend the database and the capability of the model, more typhoon or heavy rainfall events will be included in the model in order to consider the impacts of scale and intensity of an event. The events occurred during 2008 to 2018 will be selected to estimate the event scale and impact range, and be used to reasonably represent the influence in terms of rainfall indices. The satellite images of selected events will be also used for identifying landslide locations and areas. Besides, the application of artificial intelligence (AI) is increasing in many fields. Lots of data obtained from the previous researches will be used for AI application, in order to enhance the data processing and parameter determination of landslide ratio curves. Because a database of lots of data is usually necessary for AI adoption, extending current database and increasing quality of data is very important. The Artificial Neural Network (ANN) algorithm will be applied in estimating landslide ratio and its curve parameters. Basically, ANN contains a lot of neurons, and can be used to construct complicated networks. The advantages of using ANN are fast data processing,

(6)

a better results and accuracy. Through the ANN process, the landslide potential evaluation will be enhanced in data processing and better capacity of representing the landslide risk. The combination of AI application and the models from previous researches will result in a considerably reasonable model for landslide risk evaluation.

Keywords: Risk management, Landslide fragility curves, Warning criteria, Slop unit,

Landslides

(7)

Abstract……….………..…...III

目次.………V 表次………...………VII 圖次………....………IX

第一章前言 ... 1-1

第一節計畫緣起與目的 ... 1-1 第二節工作項目與內容 ... 1-4

第二章崩塌事件資料庫擴增 ... 2-1

第一節研究地區崩塌資料庫 ... 2-1 第二節坡面單元繪製與坡面分類定義 ... 2-23 第三節崩塌事件資料庫擴增 ... 2-48

第三章坡地崩塌風險評估模型建立 ... 3-1

第一節崩塌降雨危害評估模型建立 ... 3-1 第二節坡地崩塌潛勢評估模型建立 ... 3-14 第三節重點聚落崩塌風險警戒機制模式 ... 3-22

第四章複合型坡地災害行政區警戒機制研析 ... 4-1

第一節行政區警戒發布機制研析 ... 4-1 第二節系統化崩塌警戒機制評估 ... 4-6 第三節崩塌風險警戒機制模式實測 ... 4-13

第五章結論與建議 ... 5-1

第一節結論 ... 5-1

(8)

應用人工智慧技術發展坡地崩塌風險評估模式

參考文獻 ... 參-1 附錄一各類資料庫資訊明細表 ... 附錄-1 附錄二期初計畫審查委員意見與回復 ... 附錄-3 附錄三期中計畫審查委員意見與回復 ... 附錄-5 附錄四期末計畫審查委員意見與回復 ... 附錄-9 附錄五公文往返 ... 附錄-13

(9)

表次

表 2- 1 環境資料庫之類型和檔案格式 ... 2-6 表 2- 2 環境資料庫之類型和檔案格式 ... 2-8 表 2- 3 陳有蘭溪集水區各時期衛星影像資料 ... 2-14 表 2- 4 荖濃溪集水區各時期衛星影像資料 ... 2-15 表 2- 5 旗山溪集水區各時期衛星影像資料 ... 2-16 表 2- 6 I1－Rte 3之降雨因子定義 ... 2-19 表 2- 7 本計畫選擇之地質分類 ... 2-29 表 2- 8 本計畫之坡度分級 ... 2-31 表 2- 9 本計畫之距河道遠近分級 ... 2-33 表 2- 10 本計畫之坡向敏感因子 ... 2-35 表 2- 11 本計畫之崩塌植生指標分級 ... 2-37 表 2- 12 颱風豪雨崩塌事件新增崩塌地詳表 ... 2-59 表 3- 1 18 處重點聚落對應之鄰近雨量站表 ... 3-2 表 3- 2 I1－Rte之降雨因子定義 ... 3-4 表 3- 3 本計畫模型訓練資料集欄位說明 ... 3-16 表 3- 4 模式驗證精度表 ... 3-21 表 3- 5 簡化的風險矩陣 ... 3-23 表 3- 6 17 處南部集水區重點聚落村里崩塌與降雨警戒機率表(108 年度) 3- 26

表 4- 1 18 處重點聚落崩塌雨量警戒值 ... 4-13 表 4- 2 鄉（鎮、區）行政區崩塌雨量警戒值 ... 4-14 表 4- 3 六龜區中興里尾庄聚落 0815 豪雨崩塌警戒發布試做 ... 4-21 表 4- 4 雲林縣古坑鄉草嶺村摸石乳聚落利奇馬颱風崩塌警戒發布試做 .. 4- 26

(10)

表 4- 5 雲林縣古坑鄉草嶺村摸石乳聚落 0815 豪雨崩塌警戒發布試做 4-31 表 4- 6 那瑪夏區南沙魯里(南沙魯聚落)利奇馬颱風崩塌警戒發布試做 4-35 表 4- 7 那瑪夏區南沙魯里(南沙魯聚落)0815 豪雨崩塌警戒發布試做 .. 4-40 表 4- 8 六龜區寶來里(竹林(16、17 鄰)聚落)0815 豪雨崩塌警戒發布試做 ... 4-44

(11)

圖次

圖 2- 1 陳有蘭溪集水區地質圖 ... 2-1 圖 2- 2 荖濃溪集水區地質圖 ... 2-1 圖 2- 3 旗山溪集水區地質圖 ... 2-2 圖 2- 4 陳有蘭溪地理位置圖 ... 2-3 圖 2- 5 荖濃溪地理位置圖 ... 2-4 圖 2- 6 旗山溪地理位置圖 ... 2-5 圖 2- 7 陳有蘭溪集水區數值高程模型 ... 2-9 圖 2- 8 荖濃溪集水區數值高程模型 ... 2-9 圖 2- 9 旗山溪集水區數值高程模型 ... 2-9 圖 2- 10 陳有蘭溪集水區坡度影像 ... 2-10 圖 2- 11 荖濃溪集水區坡度影像 ... 2-10 圖 2- 12 旗山溪集水區坡度影像 ... 2-10 圖 2- 13 陳有蘭溪集水區坡向圖 ... 2-11 圖 2- 14 荖濃溪集水區坡向圖... 2-11 圖 2- 15 旗山溪集水區坡向圖... 2-11 圖 2- 16 崩塌地分類示意圖 ... 2-13 圖 2- 17 陳有蘭溪集水區各時期衛星影像及新增崩塌地分布 ... 2-14 圖 2- 18 荖濃溪集水區各時期衛星影像 ... 2-15 圖 2- 19 旗山溪集水區各時期衛星影像 ... 2-16 圖 2- 20 本計畫蒐集之雨量測站分布 ... 2-18 圖 2- 21 本計畫之雨場分割定義 ... 2-18 圖 2- 22 陳有蘭溪各事件雨量推估(I1－Rte) ... 2-20 圖 2- 23 荖濃溪各事件雨量推估(I1－Rte) ... 2-21 圖 2- 24 旗山溪各事件雨量推估(I －R ) ... 2-22

(12)

圖 2- 25 陳有蘭溪集水區之坡面單元 ... 2-24 圖 2- 26 荖濃溪集水區之坡面單元 ... 2-25 圖 2- 27 旗山溪集水區之坡面單元 ... 2-26 圖 2- 28 陳有蘭溪坡面單元地質分類 ... 2-29 圖 2- 29 荖濃溪坡面單元地質分類 ... 2-29 圖 2- 30 旗山溪坡面單元地質分類 ... 2-30 圖 2- 31 陳有蘭溪坡面單元坡度分類 ... 2-32 圖 2- 32 荖濃溪坡面單元坡度分類 ... 2-32 圖 2- 33 旗山溪坡面單元坡度分類 ... 2-32 圖 2- 34 陳有蘭溪坡面單元距河道遠近分級 ... 2-33 圖 2- 35 荖濃溪坡面單元距河道遠近分級 ... 2-33 圖 2- 36 旗山溪坡面單元距河道遠近分級 ... 2-34 圖 2- 37 方位角角度示意圖 ... 2-35 圖 2- 38 陳有蘭溪坡面單元坡向分級 ... 2-36 圖 2- 39 荖濃溪坡面單元坡向分級 ... 2-36 圖 2- 40 旗山溪坡面單元坡向分級 ... 2-36 圖 2- 41 陳有蘭溪坡面單元崩塌植生分級 ... 2-38 圖 2- 42 荖濃溪坡面單元崩塌植生分級 ... 2-38 圖 2- 43 旗山溪坡面單元崩塌植生分級 ... 2-38 圖 2- 44 陳有蘭溪坡面單元辛樂克颱風雨量分布(I1－Rte) ... 2-40 圖 2- 45 荖濃溪坡面單元辛樂克颱風雨量分布(I1－Rte) ... 2-40 圖 2- 46 旗山溪坡面單元辛樂克颱風雨量分布(I1－Rte) ... 2-41 圖 2- 47 陳有蘭溪坡面單元莫拉克颱風雨量分布(I1－Rte) ... 2-41 圖 2- 48 荖濃溪坡面單元莫拉克颱風雨量分布(I1－Rte) ... 2-42 圖 2- 49 旗山溪坡面單元莫拉克颱風雨量分布(I1－Rte) ... 2-42

(13)

圖 4- 18 六龜區中興里尾庄聚落 0815 豪雨降雨組體圖(御油山雨量站) 4-25 圖 4- 19 雲林縣古坑鄉草嶺村摸石乳聚落利奇馬颱風崩塌警戒機制圖 4-29 圖 4- 20 雲林縣古坑鄉草嶺村摸石乳聚落利奇馬颱風降雨組體圖(草嶺雨量站) ... 4-29 圖 4- 21 108 年利奇馬颱風重大土砂災例最速報-雲林縣古坑鄉草嶺村 4-30 圖 4- 22 108 年利奇馬颱風雲林縣古坑鄉草嶺村坡面單元崩塌潛勢機率分布 ... 4-30 圖 4- 23 雲林縣古坑鄉草嶺村摸石乳聚落 0815 豪雨崩塌警戒機制圖 .. 4-34 圖 4- 24 雲林縣古坑鄉草嶺村摸石乳聚落 0815 豪雨降雨組體圖(草嶺雨量站) ... 4-34 圖 4- 25 那瑪夏區南沙魯里(南沙魯聚落)利奇馬颱風崩塌警戒機制圖 . 4-38 圖 4- 26 那瑪夏區南沙魯里(南沙魯聚落)利奇馬颱風降雨組體圖(那瑪夏國中雨量站) ... 4-38 圖 4- 27 108 年利奇馬颱風重大土砂災例最速報-高雄市那瑪夏區南沙魯里 ... 4-39 圖 4- 28 108 年利奇馬颱風高雄市那瑪夏區南沙魯里坡面單元崩塌潛勢機率分布 ... 4-39 圖 4- 29 那瑪夏區南沙魯里(南沙魯聚落)0815 豪雨崩塌警戒機制圖 .... 4-43 圖 4- 30 那瑪夏區南沙魯里(南沙魯聚落)0815 豪雨降雨組體圖(那瑪夏國中雨量站) ... 4-43 圖 4- 31 六龜區寶來里(竹林(16、17 鄰)聚落)0815 豪雨崩塌警戒機制圖 . 4- 47

圖 4- 32 六龜區寶來里(竹林(16、17 鄰)聚落)0815 豪雨降雨組體圖(高中雨量站) ... 4-47 圖 4- 33 108 年 0815 豪雨重大土砂災例最速報-高雄市六龜區寶來里 .. 4-48

(16)

布 ... 4-48

(17)

第一章前言

第一節計畫緣起與目的

921 大地震後讓臺灣原已脆弱之地質更不穩定，加上全球氣候變遷，颱風豪雨之強度日益驚人，從桃芝、納莉、海棠、敏督利、辛樂克颱風，到重創大半個台灣的莫拉克颱風，暴雨導致之崩塌及土石流造成慘重之生命財產損失。加上近年來極端降雨事件發生頻繁，山坡地易因降雨引發不同規模崩塌，故對於山坡地的易崩特性、崩塌風險及警戒機制實有必要加以研究。

國內外學者對於崩塌機制及發生的原因，均指出其原因極為複雜，且很少由單一因子構成。導致崩塌發生的影響因子一般被分成潛在因子(簡稱潛因)與誘發因子(簡稱誘因)(李三畏，1984，1986；張石角，1987)。本研究認為潛因是指坡地本身具備的基本環境條件造成破壞之因素，包括地質、地形、

岩石強度、節理方向、植生等。另一類係非自然因素，例如人為開墾、開闢道路、社區、開墾土石礦等活動，屬人為因素造成，一般可稱之為人工邊坡。

誘因則指可直接誘發坡地崩壞之變動因素，如降雨、地震、河道沖刷、地下水等。

潛因與誘因造成坡地崩塌的力學機制，可從塊體受力之分析探討坡地是否穩定或可能發生滑動問題。目前國內外學者普遍認為影響塊體可能滑動之力有滑動力與抵抗力(吳俊鋐，2005)，若兩力達到平衡時，則塊體穩定不動。以坡地而言，若有其他因素促使滑動面下滑力大於抗剪強度時，則塊體開始發生滑動或崩塌等現象。由上可知，對於影響邊坡穩定的因素，即是足以影響剪應力及抗剪強度之因素。Fookes et al.(1985)認為大地構造環境、

地質、地形及氣候等因素足以影響坡地穩定。張石角(1987)則認為坡地崩塌的主要致災因子為雨水和地震，且涉及之相關因子可能有八項：坡度、岩質、

高差、地質構造與坡向之關係、土壤、不連續面之傾角、動態地形作用及水。

張石角(1988)也提出由於坡地的地質與地形條件組合有利於邊坡運動，才使

(18)

得在降雨或地震事件發生時，常造成崩塌現象發生。Koukis & Ziourkas(1991) 提出可能影響邊坡崩塌的因子有 64 個之多，包括動態的致災因子及潛在的環境因子。溫振宇(2005)整理 1996 年~2005 年 43 篇與崩塌製圖相關文獻，

指出在前人研究中，崩塌因子選取次數的多寡依次為為坡度、岩性、坡向、

高程、土地利用、與水系相關(包括距離、密度等)、植生相關(包括種類、密度、年齡等)、與地文相關(包括距離、種類、構造單元等)、土壤相關(包括種類、厚度、組織等)、坡形、曲率相關(包括水平、垂直等)、降雨相關(包括累積雨量、降雨強度等)等。

計畫中利用歷史強降雨資料、崩塌相關因子及崩塌事件建立坡地易損性模式，並應用於坡地崩塌風險評估及坡地崩塌警戒模式。在農委會水土保持局(以下簡稱水保局)103 年度「易損性曲線於坡地崩塌警戒模式應用與坡地巨災保險研析」、104 年度「104 年應用坡地易損性模式於崩塌風險評估與警戒模式研析」以及 105 年度「105 年應用坡地易損性模式於崩塌風險與警戒機制研析」等計畫中，已透過易損性模式發展，針對坡地崩塌發生之可能性進行研究，針對陳有蘭溪、旗山溪以及荖濃溪集水區等示範區進行相關資料蒐集彙整，完成雙變量坡地易損性分析，針對不同類型之坡面導出不同雨量觸發因子(最大小時降雨和總有效累積雨量)及崩塌地文因子(地質、坡度、坡向、河道遠近、植生、歷史崩塌)之易損性曲線。本計畫易損性模式之成果已應用於崩塌風險、警戒模式和巨災保險研究，尤其對於坡地易損性曲線應用於重點聚落警戒機制之課題，已完成崩塌警戒發佈機制建立並訂定警戒雨量值，可作為汛期發佈崩塌警戒之重要參考。

然而，過去本計畫所發展之雙變量坡地易損性曲面是建立在有限的颱風事件中，不能將其視為適用於所有豪大雨及颱風事件，因為不同的災害事件代表不同災害規模(Scale disaster)，這對重點聚落而言將會造成不同程度的災害問題，因此本計畫期於今年度計畫中將盤點2008-2018 全台重大颱風

(19)

豪雨事件，經資料探索，初探各事件於陳有蘭溪、荖濃溪以及旗山溪的雨量範圍，並針對雨量範圍決定事件規模，以挑選具有各規模代表性之事件的衛星影像進行環境資料(地文資料)的萃取，以擴增崩塌事件資料庫。另一方面，

隨著機器學習及人工智慧(AI)技術的興起，如何將本計畫過去所累積大量之崩塌資料庫(事件、雨量、地文資訊、崩塌地判釋等)與人工智慧技術有效的融合亦將是本計畫今年目的之一：精進求取崩塌比率之研究，由於人工智慧演算法建立通常需要一個包含大量資料的資料庫做為支撐，因此對於擴大資料數據集及資料數據之品質控管則就相對重要，本計畫嘗試利用類神經網路(Recurrent Neural Networks, RNN)建立崩塌比率評估模型，基本上，RNN 將具有包含許多外部神經元的主要架構，該概念可以使用類似的神經網絡結構來構建更複雜的深度網絡，其優勢為大量資料能夠即時回應、處理及快速運算，減少人工求取參數之成本，且其能夠在獲取到新的資料後再次調整自身參數，以保持良好的推估模式及精準度。經過上述的人工智慧技術於坡地崩塌風險評估模式精進後，後續亦可整合於本計畫過去所發展之崩塌風險警戒機制模式，以達到協助防災應變決策之目的。

(20)

第二節工作項目與內容

一、 崩塌資料庫擴增

本計畫期於今年度計畫中將盤點 2008-2018 全台重大颱風豪雨事件，經資料探索，初探各事件於陳有蘭溪、荖濃溪以及旗山溪集水區過去不同型態之降雨事件的雨量範圍，並針對雨量範圍決定事件規模，以挑選具有各規模代表性之事件的衛星影像進行環境資料(地文資料)的萃取，以擴增崩塌事件資料庫，進 而取得更多事件樣本於後續進行人工智慧演算法之模式訓練。

二、坡地崩塌風險評估模型建立 (一) 崩塌降雨危害評估模型建立

為分析單一聚落發生崩塌可能性的臨界降雨基準值，以近 10 年間降雨資料作為建立雨量等比率曲線模式之基礎，並分析十年間各雨場之最大小時降雨強度(Imax：mm/hr)，以及總有效累積降雨(Rte：mm)，

綜合評估建立降雨危害臨界曲線。

(二) 資料庫因子環境資訊更新

本計畫研究範圍包括已建置完成崩塌資料庫之陳有蘭溪、旗山溪以及荖濃溪集水區，並透過108 年度汛期影像之現況植生分析，以更新研究區坡面單元之坡面類別屬性，以利後續模型適用於現況環境資料。

(三) 自適性類神經坡地崩塌潛勢評估模型建立

本計畫於主要先針對目前之崩塌資料庫進行基礎模型之建置，建立神經網路模型，採監督式學習，給予目標與各特徵值，進行訓練，並透過 python 環境撰寫程式碼建立模型，以評估準確度。

三、複合型坡地災害行政區警戒機制研析

本項工作主要目的為研析崩塌及土石流之複合型土砂災害警戒之行政區發布機制，並自本研究計畫範圍內選擇一行政區模擬崩塌及土石流之複合型土砂災害警戒發布歷程，並大規模崩塌納入考量。

(21)

第二章崩塌事件資料庫擴增

第一節研究地區崩塌資料庫

一、地質資料

地質資料方面，本計畫採用中央地質調查所產製之二十五萬分之一地質圖，詳細繪出地質之年代、地層及岩性分類，三集水區之地質分布如圖 2- 1 至圖 2- 3。

(a)年代圖 (b)地層圖 (c)岩性圖

圖 2- 1 陳有蘭溪集水區地質圖

(a)年代圖 (b)地層圖 (c)岩性圖

圖 2- 2 荖濃溪集水區地質圖

(22)

應用坡地易損性模式於坡地災害損失評估及警戒模式研究

(a)年代圖 (b)地層圖 (c)岩性圖

圖 2- 3 旗山溪集水區地質圖 二、研究地區說明

本計畫研究地區包含陳有蘭溪集水區、荖濃溪集水區、旗山溪集水區等 3 集水區，以下分述研究地區基本環境。

陳有蘭溪集水區位於南投縣信義鄉山區境內，其地理位置圖如圖 2- 4 所示。主流陳有蘭溪係濁水溪重要支流之一，全長約 42.4 公里，發源於玉山北峰之八通關(標高 3,910 公尺)，自南向北流經山區，於東埔附近匯入沙里仙溪，並於和社附近匯入和社溪後，蜿蜒流經信義、鹿谷鄉境，於下游水里鄉新山、永興村匯入濁水溪。集水區東與花蓮溪及秀姑巒溪接壤，西側為清水溪，南臨旗山溪、荖濃溪。陳有蘭溪地形之特色為高差大、坡降陡為典型急流河川，集水區面積約 448.13km2，平均坡度超過 55%。

(23)

圖 2- 4 陳有蘭溪地理位置圖

荖濃溪集水區大部分位於高雄市桃源區、茂林區、六龜區，其地理位置圖如圖 2- 5 所示。主流荖濃溪為高屏溪的流域的第一大支流，全長約 137 公里，發源於中央山脈玉山主峰東北坡，先向東北流，至八通關轉向東南，

匯集分別源自秀姑巒溪南坡及大水窟山西坡的支流後，轉向南南西進入高雄縣境內，流經梅山、桃源、寶來、六龜，轉向南流至大津，期間並有南部橫貫公路(台 20)沿溪谷而行，納東側流入之濁口溪後，轉向西南流至里港，

納東南方流入之隘寮溪，續流至嶺口與來自北方之旗山溪合流後，最終流入高屏溪。集水區東側為新武呂溪、卑南溪，北與陳有蘭溪、郡大溪、秀姑巒溪接壤，西臨旗山溪、南接隘寮溪。荖濃溪地形之特色為河谷地形，並在下游突然寬闊為土砂堆積區，且集水區範圍大，面積約 1,408.71km²，平均坡度則超過 65%。

(24)

圖 2- 5 荖濃溪地理位置圖

旗山溪集水區位於高雄市甲仙區、那瑪夏區、桃源區及嘉義縣阿里山鄉，

其地理位置圖如圖 2- 6 所示。主流旗山溪為高屏溪之支流，全長約 117 公里，原名楠梓仙溪，發源於中央山脈玉山之西南麓，集水區內高山聳立，懸崖峭壁，溪流坡陡湍急。旗山溪由發源地向西南流至小林，再向南流至甲仙後河道漸寬，復向西南流至旗山後進入平原區，本溪再向南流至嶺口附近與荖濃溪匯合後進入高屏溪。集水區東鄰荖濃溪，北鄰陳有蘭溪，西邊與曾文溪相接，南邊則接阿公店溪及東港溪。旗山溪地形之特色為屬於河階地縱谷地形，河道蜿蜒遷徙不定，並在下游突然寬闊為土砂堆積區，且集水區範圍大，面積約 750.79km²，平均坡度則超過55%。

(25)

圖 2- 6 旗山溪地理位置圖

三、坡地崩塌因子之探討

回顧學者之研究，各學者對於崩塌的定義有著不同的解釋，Varnes（1958）

認為崩塌是指山坡上的物質，受到重力作用影響後，產生向下、向外的運動如表 2 1；坡地中部分坡面，因土塊受重力作用，向下或向側面移動的現象，

皆以崩塌稱之；李三畏（1986）則表示崩塌是指山坡面上之土壤，受到外力影響而失去平衡，所產生向外、向下的移動現象。由此可以發現，崩塌的發生是因受到外力之引響下，導致坡地之組成結構性不穩不足以支撐本身之重量，而引致坡地上岩土層脫落本體之現象。

(26)

表2- 1 環境資料庫之類型和檔案格式 物質運動之型態

Type of Movement

塊體移動物質種類Type of Material 基岩

Bedrock

工程土壤Engineering Soils

粗粒為主細粒為主

墬落 Falls

岩石墜落 Rock Fall

岩屑墜落 Debris Fall

土墬落 Earth Fall 傾覆

Topples

岩石傾覆 Rock Topple

岩屑傾覆 Debris Topple

土墬落 Earth Fall

滑動 Slides

轉動 Rotation

al

岩石崩移 Rock Slump

岩屑崩移 Debris Slump

土崩移 Earth Slump

移動

Transla tional

岩塊滑動 Rock Block slide(Glide)

岩石滑動 Rock Slide

岩屑塊滑動 Debris Block

Slide 岩屑滑動 Debris Slide

土塊滑動 Earth Block Slide(Glide)

土滑動 Earth Slide 側落

Lateral Spreads

岩石側落 Rock Spread

岩屑側落 Debris Spread

土側落 Earth Spread 流動

Flows

岩石流動 Rock Flow(深層潛

移Deep Creep)

岩屑流動 Debris Flow 土流動 Earth Flow 土壤潛移 Earth Creep

複合運動 Complex 複合兩種或兩種以上之運動方式

其他學者的研究也顯示出相似的論點。藉著整理這些不同研究的觀點，

廣義之坡地崩塌泛指經過風化作用後地表上破碎支岩屑與土壤，受到重力作用的影響之下，順著坡面向下或向外側之運動現象，在此尚不考慮風化物質受到風、流水以冰等介質之搬運作用。這些介質於下坡運動所產生的現象，

只是降低風化物質內部之摩擦力，或是增加風化物質之重量，致使風化物質往下運動更加容易而已（陳信雄，1995）。蘇苗彬（2009）也指出崩塌為土石移動現象，包括崩（collapse）、坍（clump）、塌（slump）、滑（sliding）、

陷（caving）、落（falling）等，常見分為山崩、潛移、地滑、沖蝕及土石流等類型。

雖我國與日、美等國對於崩塌之定義有些微差異，但同樣的是大規模崩塌破壞面深入岩盤、滑動面較為深層、滑動速度快速、地下水之影響大、崩塌量體大、影響之範圍廣、易造成重大災損。對於發生崩塌之因素，國內外

(27)

學者皆認為其造成原因非常複雜，而且很少是由單一因子所引發。致使崩塌災害發生之影響因子一般分為潛在因子(略稱為潛因)與誘發因子(略稱為誘因，本研究稱驅動因子)（李三畏，1984，1986；張石角，1987）。

本研究認為潛因是坡地本身所具備之環境條件所構成之破壞因素，包含地質、地形、岩石特性、地表植生狀況、節理方向等。誘因為直接導致坡地崩塌發生之變動因素，如地震、地下水、降雨、河水滔蝕等，因此進行坡地易損性分析前須建立集水區各類環境因子資料，集水區資料蒐集自林務局農林航測所繪製之陳有蘭溪集水區、荖濃溪集水區以及旗山溪集水區之相關地文、水文地理資訊圖資以及水土保持局全國集水區圖層，採用圖層範圍包括主、次、子集水區範圍圖、河系圖等地理資訊基本圖資。在集水區環境因子方面，本計畫藉由網格資料庫建置各類環境因子屬性、植生變異因子、

驅動因子及崩塌事件等資訊。環境資料庫以 20m×20m 之網格尺度使不同集水區範圍內所有屬性因子鏈結，環境資料庫細分為四個部分：(1)環境因子；

(2)驅動因子；(3)篩選因子及(4)崩塌資訊。資料庫基礎為調查蒐集之基本資料，例如集水區基本圖資(水土保持局提供)、事件衛星影像(購自中央大學太遙中心)、數值高程模型(水土保持局提供)、二十五萬分之一地質圖(水土保持局提供)、土地利用圖(內政部提供)等基本共通資料，並且須進一步處理各類資訊，例如坡度、坡向、距河道遠近、植生、高程、事件陰影、雨量因子、

崩塌地資訊等，如表 2- 2 所示。

(28)

表2- 2 環境資料庫之類型和檔案格式

類型資料名稱檔案形式

環境因子

地質向量檔案(Shapfile，類型：Ploygon)

坡度影像檔案(Raster，解析度：5m)

坡向影像檔案(Raster，解析度：5m)

距河道遠近向量檔案(Shapfile，類型：Ploygon)

差異化植生指標影像檔案(Raster，解析度：20m)

篩選因子

高程影像檔案(Raster，解析度：5m)

河系圖向量檔案(Shapfile，類型：Ploygon)

土地利用向量檔案(Shapfile，類型：Ploygon)

海棠颱風後期陰影向量檔案(Raster，解析度：20m)

辛樂克颱風後期陰影向量檔案(Raster，解析度：20m)

莫拉克颱風後期陰影向量檔案(Raster，解析度：20m)

驅動因子降雨強度

I

max 影像檔案(Raster，解析度：20m)

總有效累積降雨

R

te 影像檔案(Raster，解析度：20m)

崩塌資訊

海棠颱風前期崩塌地影像檔案(Raster，解析度：20m)

海棠颱風後期崩塌地影像檔案(Raster，解析度：20m)

辛樂克颱風前期崩塌地影像檔案(Raster，解析度：20m)

辛樂克颱風後期崩塌地影像檔案(Raster，解析度：20m)

莫拉克颱風前期崩塌地影像檔案(Raster，解析度：20m)

莫拉克颱風後期崩塌地影像檔案(Raster，解析度：20m)

(29)

四、數值高程資料

數值高程模型(digital elevation model; DEM)是指所有關於地形表面的數值表現及描述(Carter, 1988；Miller and Leflamme, 1985)，可視為地表的替代模式。本研究蒐集內政部所製作，解析度為 5m × 5m 網格尺度之數值高程模型，如圖 2- 7 至圖 2- 9 所示。此資料提供計畫區域空間位置之高程資訊，並應用於計算相關地形參數，例如高程、坡度、坡向以及坡面單元劃定等基礎資料。

圖 2- 7 陳有蘭溪集水區數值高程模型 圖 2- 8 荖濃溪集水區數值高程模型

圖 2- 9 旗山溪集水區數值高程模型

(30)

五、坡度資料

水土保持技術規範(2012)第 23 條指出：「山坡地坡度係指一坵塊土地之平均傾斜比」。本計畫坡度亦以此定義，其計算方式係以 DEM 資料利用 ArcGIS 軟體輔助計算集水區 5m 網格之平均傾斜比。ArcGIS 預設坡度計算係採用「坵塊法」，為水土保持技術規範內二種容許方法之一(另一為等高線法)。如圖 2- 10 至圖 2- 12 所示，各集水區以水土保持技術規範之坡級為坡度值級距，所得數值為度數(°)。

圖 2- 10 陳有蘭溪集水區坡度影像 圖 2- 11 荖濃溪集水區坡度影像

圖 2- 12 旗山溪集水區坡度影像

4

0 2.5 5 10 15

Kilometers 單位(度)

0 - 3 3 - 9 9 - 17 17 - 22 22 - 29 29 - 45 45 - 84

4

0 5 10 20 30

0 - 3 3 - 9 9 - 17 17 - 22 22 - 29 29 - 45 45 - 88

4

0 5 10 20 30

0 - 3 3 - 9 9 - 17 17 - 22 22 - 29 29 - 45 45 - 84

(31)

六、坡向資料

過去文獻顯示崩塌與坡向有關(Sidle, Percea and O’loughlin, 1985)，由於降雨的雨量多寡與該區域的氣流、地形、迎背風向相關，使得區域某一坡向常具有較易崩塌的潛勢。坡向是指坡面的朝向，它表示表面某處最陡的傾斜方向。在計算坡向的過程中，坡向以度為單位按逆時針方向從 0 度(正北方向)至 360 度來度量，可分為九方向。坡向圖中的每個網格單元的值表示此網格單元所在的坡面方向。水平的坡沒有面向，均被賦予-1 值。三個集水區之坡向如圖 2- 13 至圖 2- 15 所示。

圖 2- 13 陳有蘭溪集水區坡向圖 圖 2- 14 荖濃溪集水區坡向圖

圖 2- 15 旗山溪集水區坡向圖

4

0 2.5 5 10 15

Kilometers 坡向

平坡北東北東東南南西南西西北北

4

0 5 10 20 30

Kilometers 坡向

4

0 5 10 20 30

Kilometers 坡向

(32)

七、植生樣態資料

前述提及之各項因子資料，皆屬短期間不易變動、更新週期較長或者變動幅度不大者，因此可視其為不變之環境因子；另一類環境因子，則為具易變異之環境因子，在較短期間內必須考慮其變異特徵，因此應視其為變動之環境因子，例如坡地之植生、崩塌狀況等。這些因子可藉由定期拍攝之衛星遙測影像加以分析，進而瞭解環境變遷、變異，以及更新、擴充崩塌資料庫。

在環境因子中，植生狀況變異可利用常態化差異植生指標(Normalised Difference Vegetation Index, NDVI)來解釋地表的植生狀況。NDVI 是數值指標，主要用於分析衛星所得訊息，利用衛星影像的近紅外光波段，評估目標地區綠色植被的生長狀況。計算方式是利用紅光與近紅外光的反射，顯示出植物生長、生態系的資訊，其值介於-1~1 之間，數值愈大表示綠色植物生長愈多，公式如下：

NIR RED NDVI NIR RED

 



^(2-1)

上式中，NIR 為近紅外光反射；RED 為紅光反射。當 RED=0 時，有最大值 1；反之，當 NIR=0 時，有最小值-1。由式(3-1)中，利用(NIR–RED)即能偵測植物生長量之特性，使其再除以(NIR+RED)之目的在於使其正規化，正規化的用途是防止除以零的數值誤差，並使比值能限於+1 與-1 之間以方便做比較。此外，小於零的 NDVI 值，通常屬於非植生之雲層、水域、道路和建物、裸露地等，故指數愈大時，代表綠色植物量之增加，NDVI 為綠色植物探勘最常用之指標，綠色植物生長愈旺盛，其吸收之紅光愈多，紅外光之反射愈強，故其間差異愈大之原理，以二者波段相差與和的比例而成。

崩塌資料庫中對於各事件之植生狀況，以事件前期之衛星影像資料利用 ERDAS Imagine 計算不同影像時期的 NDVI 值並使資料網格化。

(33)

八、崩塌資料萃取

本計畫過去計劃中已建置研究區 94 年海棠颱風、97 年辛樂克颱風、98 年莫拉克颱風、104 年蘇迪勒颱風之衛星影像資料，可藉由衛星影像判釋植生狀況、崩塌地狀況。為瞭解計畫區域颱風事件發生前後之坡地變遷資訊，

自中央大學太空及遙測研究中心購買多幅不同時期之法國SPOT4 及 SPOT5 衛星之多波段(XS)影像資料。各計畫區域之影像拍攝時間挑選自各颱風時期之前後期影像為主，並根據影像可用性及雜訊程度有所不同，已建置之各時期影像基本資料如表 2- 3 至表 2- 5 所示。各幅衛星影像皆經過相對輻射校正及影像幾何、正射校正等程序，像元大小為 12.5m × 12.5m，如圖 2- 17 至圖 2- 19 所示。

事件之崩塌地可藉由前後時期之裸露地變異情形獲得。本計畫將崩塌地分類為四類。如圖 2- 16 所示，包括：

(一)崩塌復育：(1)與(5) (二)舊有崩塌地：(2)

(三)舊有崩塌地擴大：(3) (四)新生崩塌地：(4)

而定義「新增崩塌地」則為「舊有崩塌地擴大」加上「新生崩塌地」的部分，即(3)與 (4)。上述之分類方法，對於前後期崩塌地變遷情形具有清楚的定義，可由此判定某區塊是否確實發生崩塌。然而，雖然在大部份的情

形下，舊有崩塌地的擴大確實與事件相關，但無法確切知道舊有崩塌地也在該次事件產生崩塌。尤其擴大有時並非只是往外擴增，也可能有內部加深之情形；然而此狀況並不能以平面空間區位判別而獲得，且其內部是否真的發生加深情形，須進行現地勘查才可能得知。根據上述崩塌地之分類，本研究

圖 2- 16 崩塌地分類示意圖

(34)

對各颱風事件前後時期之崩塌地圖資進行套疊，由此獲得崩塌地變遷資訊。

表2- 3 陳有蘭溪集水區各時期衛星影像資料

集水區名稱事件名稱拍攝時間衛星名稱新增崩塌地

陳有蘭溪 44,813.52ha

海棠前期 94 年 02 月 09 日 SPOT4

2,451.44ha (5.47%) 海棠後期 94 年 09 月 16 日 SPOT4

辛樂克前期 97 年 02 月 21 日 SPOT5

951.97ha (2.12%) 辛樂克後期 97 年 11 月 28 日 SPOT5

莫拉克前期 98 年 11 月 28 日 SPOT5

1,021.46ha (2.28%) 莫拉克後期 98 年 10 月 14 日 SPOT5

圖 2- 21 本計畫之雨場分割定義

崩塌、土石流相關之降雨強度與有效累積雨量因子具有許多不同定義，

不同的降雨因子定義在不同研究背景和應用層次有所不同，但並非其中某一種雨量因子即能概括崩塌、土石流，通常需要綜合多個因子共同考量。本研究探討之雙變量雨量因子，在團隊過去的研究已經建立

I

1－Rte 模式，即採用 1 小時降雨強度定義為最大小時降雨強度(I1：mm)；而對應的累積雨量定義為總有效累積降雨(Rte：mm)，如表 2- 6 所示。

一場連續降雨

降雨開始降雨結束

未來6小時

累積雨量不超出24mm，且任一小時未超過10mm 雨量大於4mm

(39)

表2- 6 I1－Rte 之降雨因子定義

降雨因子名稱代號定義

最大小時降雨強度

I

max 本次降雨開始時刻後之最大小時降雨強度

對應

I

1之總有效累

積降雨

R

te

本次降雨開始時刻前七天的加權降雨量(註 1)與開始時刻至最大小時降雨強度前一時刻之累積雨量之和

註1：加權雨量係前七天降雨量每日折減 0.7，即每日(每 24 小時之總和)折減；例如前

3 日之降雨應折減權重為 0.7³，前2 日之降雨應折減權重為 0.7²。

本研究根據定義之雨場事件，計算各場颱風事件雨量站之降雨因子，包括

I

max及

R

te。計算之結果利用地理資訊系統軟體內的空間分析工具，該工具之克利金空間內插模組來進行降雨空間分布推估。對於

I

max－Rte，各集水區內颱風事件之最大小時降雨強度及總有效累積雨量之空間分布如圖 2- 22 至圖 2- 24。

辛樂克颱風在陳有蘭溪集水區中，雨量因子分別為

I

1 介於 35mm－

44mm，Rte介於 170mm－763mm；在荖濃溪集水區中，雨量因子分別為 I1

介於 27mm－83mm，Rte介於153mm－518mm；在旗山溪集水區中，雨量因子分別為

I

1介於 46mm－109mm，Rte介於 304mm－1,180mm。莫拉克颱風在陳有蘭溪集水區中，雨量因子分別為

I

1 介於 43mm－91mm，Rte 介於 309mm－1,234mm；在荖濃溪集水區中，雨量因子分別為 I1 介於 31mm－

83mm，Rte介於 109mm－687mm；在旗山溪集水區中，雨量因子分別為 I1

介於 48mm－100mm，Rte介於 153mm－518mm。

(43)

第二節坡面單元繪製與坡面分類定義

本計畫使用地理資訊系統軟體ArcGIS 10.0 之水文及地形工具進行坡面單元分析。藉由DEM 分析得到之集水區，多邊形的輪廓線就是山脊線；而山谷線則使用反轉之 DEM 資料，藉由 DEM 網格分析互換其高低值，原山谷線即能反轉為山脊線，同樣地亦可得到反轉之山谷線。繪製原則如下：

一、坡面單元須符合地形特徵，其邊界不可跨越地形邊界，例如稜線、

河谷。

二、為避免聚落管理單元面積過小，坡面單元控制在約3至10公頃為原則。

為了使所建立之降雨引致崩塌之坡地易損性曲線更可靠，所繪製之坡面單元必須考量是否會崩塌的可能性及納入分析合理性。因此，除不考慮沖積層、平坦地以及平坡之區域外。亦不考慮(1)河道區域；(2)非自然邊坡；

(3)低坡度之坡面單元。此步驟係使坡面單元匯入 Google Earth，把不納入考慮之研究因子進行切除，包括河系、河道、農業用地、水利用地、聚落、建物等。在實際繪製過程中，雖坡面單元希望控制在 10 公頃以內，但坡面單元分析時若有大於 10 公頃之坡面單元，則會獨立處理使之小於 10 公頃。

此外，部分坡面單元若藉由坡向與山影圖檢視，並無明顯的地形起伏，則無須再編修，因此會有部分坡面單元大於 10 公頃。對於小於 3 公頃之坡面單元，編修時須再與Google Earth 三維立體地圖比對，小於 3 公頃之坡面單元則與鄰近之坡面單元合併處理。

依據前述劃設及篩選程序，陳有蘭溪集水區劃分完成之坡面單元如圖 2- 25 所示，總計有 5,872 個坡面單元。荖濃溪集水區劃分完成之坡面單元如圖 2- 26，總計有 18,779 個坡面單元。旗山溪集水區劃分完成坡面單元如圖 2- 27 所示，總計有 9,504 個坡面單元。

(44)

圖 2- 25 陳有蘭溪集水區之坡面單元

(45)

圖 2- 26 荖濃溪集水區之坡面單元

(46)

圖 2- 27 旗山溪集水區之坡面單元

(47)

一、坡面單元分類

完成坡面單元劃分後，即可瞭解整體集水區之坡面總數量以及納入監控管理之坡面數量。接下來即可藉由環境因子資料庫進行每個坡面之分類，

由於環境因子資料庫皆為 20m×20m 之網格尺度，必須轉化為坡面尺度之定義。本研究藉由坡面之物理特徵與坡面分級尺度進行最佳的分類，分類因子包括：「地質岩性分類」；「坡度分級」；「距河道遠近分級」；「坡向敏感因子」

以及「崩塌植生指標」。以下分述之：

(一) 坡面之地質岩性分類(G)

本計畫在前期成果中，發現不同地質特性對於易損性之影響並不顯著，

這表示易損性分析對於地質岩性的細微差異不敏感，其原因在於崩塌受限由影像判釋得到，對於地質的差異可能不顯著，因此以大尺度分類予以考量，

例如砂岩、頁岩、礫岩等崩塌率較高，因此使地質岩性作為參考因素之一。

本計畫對地層年代以地質及岩性因子概分為始新世、漸新世、中新世、上新世及更新世等，並將其概分為 G1(始新世~漸新世)、G2(中新世~更新世)兩個年代，定義如

(48)

表 2- 7 所示。坡面單元之定義則取各類地質面積比例最大者，即某坡面單元內計算 G1 及 G2 的面積，面積上相對多數者即作為該坡面單元地質分類(代表地質)。各集水區劃分完成之坡面單元地質分類如圖 2- 28 至圖 2- 30 所示。

(49)

表2- 7 本計畫選擇之地質分類

編碼年代岩性名稱

G1

始新世深灰色板岩和千枚岩質板岩、夾石英砂岩互層

始新世板岩、千枚岩夾石英岩質砂岩

漸新世硬頁岩夾薄至厚層砂岩

漸新世厚層或塊狀白色中至極粗粒石英岩及硬頁岩

G2

中新世硬頁岩、板岩、千枚岩夾砂岩

中新世中期砂岩及頁岩互層、煤層

中新世晚期砂岩及頁岩互層、煤層

中新至上新砂岩及頁岩互層、煤層

上新世頁岩、砂質頁岩、泥岩

上新世砂岩、泥岩、頁岩互層

上新至更新礫岩

更新世礫石、砂及粘土

圖 2- 28 陳有蘭溪坡面單元地質分類 圖 2- 29 荖濃溪坡面單元地質分類

(50)

圖 2- 30 旗山溪坡面單元地質分類

(51)

(二) 坡面之坡度分級(S)

坡面單元在坡度分級選擇方面，本計畫首先以水土保持技術規範(2013) 坡度分級定義為依據，使坡度自五級坡之上下界分三個分級，定義為 S1(緩坡)、S2(中坡)以及 S3(陡坡)，如表 2- 8 所示。再採用坡面斜率法來計算坡面單元坡度，其計算方式是把坡面單元最高點至最低點的高程差作為坡高，

及最高點至最低點水平投影下的水平距離作為坡長，計算該坡面單元之斜率即求得坡度分級。採用坡面斜率法不僅結果較佳，也具有其物理意義存在，

各集水區劃分完成之坡面單元坡度分級如圖 2- 31 至圖 2- 33 所示。

表2- 8 本計畫之坡度分級

編碼規範分級水土保持技術規範

坡度(S)分級範圍坡度(°) S1 三級坡 15%＜S≦30% 8.53＜S≦16.70

四級坡 30%＜S≦40% 16.70＜S≦21.80 S2 五級坡 40%＜S≦55% 21.80＜S≦28.81 S3 六級坡 55%＜S≦100% 28.81＜S≦45.00 七級坡 S＞100% S＞45.00

註：三級坡以下在網格中已刪除，但坡面單元計算仍可能有三級坡之坡度值。

(52)

圖 2- 31 陳有蘭溪坡面單元坡度分類 圖 2- 32 荖濃溪坡面單元坡度分類

圖 2- 33 旗山溪坡面單元坡度分類

(53)

(三) 坡面之距河道遠近分級(R)

本計畫依據前述距河道遠近之因子分析，發現距河道 300 公尺以下崩塌即相當明顯，過細之分類並無必要。因此，本計畫建議距河道遠近定義如表 2- 9，以 300 公尺為界分為 R1(鄰近)和 R2(非鄰近)二級。本計畫對於坡面單元距河道遠近之距離計算，並非直接採用坡面單元與河道之最近距離計算，而是採用坡面單元之最低點與河道之距離計算，避免坡面崩塌現象與河道遠近關係之誤判。河道範圍採用水利署公告之水系及河道範圍圖層，

並與影像裸露邊緣比對校對。各集水區劃分完成之坡面單元距河道遠近分級如圖 2- 34 至圖 2- 36 所示。

表2- 9 本計畫之距河道遠近分級

編碼定義距離(m)

R1 鄰近 300 以下

R2 非鄰近超過300

圖 2- 34 陳有蘭溪坡面單元距河道遠近分級 圖 2- 35 荖濃溪坡面單元距河道遠近分級

(54)

圖 2- 36 旗山溪坡面單元距河道遠近分級

(四) 坡面之坡向敏感因子(A)

集水區在不同颱風事件由於山脈走勢、地形等不同方向會有不同的易崩特性，同時也與臨災時颱風的走勢有關，不同的路徑造成同一個坡面上有著迥異的降雨量。因此，崩塌與否除了與該地區地貌型態的變化有著顯著的關係，也與風向有關，這也表示坡面的迎風或背風並不是固定不變的，而是每次事件可能不同。所以坡向因子在災時應變時其實是動態的變化，這也使得坡向分級難以定義。為定義坡向的強弱差別，本計畫將坡向定義為變動之環境因子，稱之為坡向敏感因子。也就是說針對各事件必須獨立的考慮其坡向分級定義，本計畫對於易崩程度概分為 A1 和 A2 二級，如表 2- 10 所示，

分別為弱面向及強面向。地形對於風向的弱面向對來說具有較易崩塌的情形。強面向則相對表示較不易崩塌。

在坡向數值計算上，本研究利用坡面單元內網格之高層最高點 X 座標

(55)

Y 座標與高層最低點 X 座標與 Y 座標計算方位角，實際地計算出該坡面單元方向，包含北向(337.5°~360°；0°~22.5°)、東北向(22.5°~67.5°)、東向 (67.5°~112.5°)、東南向 (112.5°~157.5°)、南向為(157.5°~202.5°)、西南向 (202.5°~247.5°)、西向(247.5°~292.5°)、西北向(292.5°~337.5°)，如圖 2- 37 所示。坡面單元坡向分級如圖 2- 38 至圖 2- 40 所示。

表2- 10 本計畫之坡向敏感因子

編碼分級定義

A1 弱面向：各集水區取事件崩塌率較高之四方向

A2 強面向：各集水區取事件崩塌率較低之四方向

圖 2- 37 方位角角度示意圖

(56)

圖 2- 38 陳有蘭溪坡面單元坡向分級 圖 2- 39 荖濃溪坡面單元坡向分級

圖 2- 40 旗山溪坡面單元坡向分級

(57)

(五) 坡面之崩塌植生指標(N)

本計畫提出以「崩塌植生指標」描述坡面單元之變動因子，係考量僅藉由 NDVI 判斷一個坡面單元之植生狀況及易崩特性並不容易。而「崩塌植生指標」即是考量前期裸露地與植生狀況皆是由影像得到，對於易崩特性之影響應同時考量。因此，把植生分為低植生地(-1＜NDVI≦NDVIc)和中高植生地(NDVIc＜NDVI≦1)兩類，其中 NDVIc 為植生條件門檻值；再把事件前期影像判釋之裸露地與非裸露地予以綜合考量，得到崩塌植生指標二種定義，分別為 N1(崩塌植生差)和 N2(崩塌植生佳)，如表 2- 11 所示。

本計畫對於坡面單元崩塌植生指標之計算，首先藉由各網格之NDVI 值與裸露地判釋結果計算每個網格之崩塌植生指標，再計算坡面單元中 N1 和 N2 比例來定義分級。本研究以 N1 面積達 30%以上時該坡面單元定義為崩塌植生指標差之坡面。各集水區劃分完成之坡面單元崩塌植生指標分級如圖 2- 41 至圖 2- 43 所示。

表2- 11 本計畫之崩塌植生指標分級

代號定義低植生地中高植生地

-1＜NDVI≦NDVIc NDVIc＜NDVI≦1

前期影像裸露地 N1 N1

非裸露地 N1 N2

(58)

圖 2- 41 陳有蘭溪坡面單元崩塌植生分級圖 2- 42 荖濃溪坡面單元崩塌植生分級

圖 2- 43 旗山溪坡面單元崩塌植生分級

(59)

二、坡面之雨量定義

前述已說明雨量因子的推估，本研究對於坡面單元之雨量因子，採用坡面單元內之平均雨量。使用平均雨量是因為若採用坡面單元內最大雨量值，

會放大坡面單元的雨量值，會有較多高降雨低崩塌之事件產生；若採用最小雨量值，則易產生低降雨高崩塌之事件。

對於

I

1－

R

te 雨量推估，辛樂克颱風在陳有蘭溪、荖濃溪和旗山溪集水區中之坡面單元雨量分布如圖 2- 44 至圖 2- 46 所示。莫拉克颱風在陳有蘭溪、荖濃溪和旗山溪集水區中之坡面單元雨量分布如圖 2- 47 至圖 2- 49 所示。

應用人工智慧技術發展坡地崩塌風險 評估模式