Volume 22, No.2, 2017, pp. 93-104 DOI 10.6574/JPRS.2017.22(2).2
1國立中央大學土木工程學系 博士候選人 收到日期：民國 106 年 01 月 06 日
2國立中央大學太空及遙測研究中心 教授 修改日期：民國 106 年 05 月 05 日
3國立中央大學太空及遙測研究中心 助理教授 接受日期：民國 106 年 05 月 17 日
*通訊作者, 電話: 03-4227151 轉 57619, E-mail: ftsai@csrsr.ncu.edu.tw
廣域崩塌潛勢模型的空間分析
賴哲儇
1蔡富安
2*姜壽浩
3摘要
針對廣域崩塌潛勢模型空間分析，本研究於崩塌目錄中劃分崩塌源頭、拖曳帶與堆積區(後兩者稱之 Run-out)等細緻類別，並利用隨機森林演算法和崩塌潛勢相關的空間資料建立廣域的崩塌潛勢模型。使用 的空間資料圖層包含地形與植被等網格資料，以及斷層、水系、道路、地質和土壤等 GIS 圖資。流程上，
崩塌目錄的源頭與 Run-out 區域轉換至像元型態後，與隨機取樣而得的非崩塌地樣本一起萃取對應的崩塌 潛勢圖層，形成匯入隨機森林演算法的資料表。分析上，本研究探討不同樣本數、數值高程模型品質和 演算法差異，對於崩塌潛勢模型的影響。藉由上述流程與分析，證明 Run-out 獨立成單一類別的可行性，
並作為 Run-out 影響塌潛勢模型的先期成果。研究成果顯示，獨立 Run-out 類別的整體精度可達 85% ~95%，
Kappa 值約介於 0.8 至 0.9 間；在樣本足夠的情形下，Run-out 類別的使用者精度及生產者精度甚至可高 達 0.9。本研究亦證實 DEM 編修後配合隨機森林演算法，能得到較理想的模式化成果。藉由崩塌潛勢模 型，本研究進而產生研究區域的崩塌潛勢圖，以期作為後續崩塌災害、風險等評估任務的基礎，並輔助 崩塌災害相關的規劃和決策。
關鍵字：空間分析、莫拉克颱風、崩塌潛勢、隨機森林
1. 前言
2009 年八月莫拉克(Morakot)風災不但造成南 臺灣嚴重的水患，更導致大規模崩塌(landslide)與 土石流(debris flow)。官方報告(內政部消防署，
2009) 顯示，至少 769 人因此直接或間接失蹤或死 亡，以及高達 165 億新台幣的經濟和財產損失。
許多研究針對受災及週遭區域評估崩塌的成因、
機制(mechanism)、特性(characteristic)與災損範圍，
甚至建構崩塌或相關參數之物理或統計模型，希 冀未來能防範或減輕類似災害的影響。例如，
Mondini and Chang (2014)與 Mondini et al. (2011) 利 用 遙 測 影 像 的 光 譜 及 地 理 空 間 環 境 (geo-environmental)資訊萃取高屏溪流域的崩塌範 圍。Deng et al. (2016)和 Tsai et al. (2010)基於空間 資料產製小林村的崩塌目錄(inventory)並探討崩塌
特性與合理性。Tsou et al. (2011)及 Wu et al. (2011) 則以地質或大地工程角度探究崩塌與降雨、地質 結構、土壤及地形間的關係。Chiang et al. (2012) 利用物理模型模擬事件型崩塌與土石流行為。亦 有文獻估算 2001 至 2009 年間的平均崩塌沖蝕率 (average landslide erosion rate) (Chen et al., 2015)，
以及崩塌空間機率(Chang et al., 2014)。
就任務面而言，崩塌研究課題琳瑯滿目，Dai et al. (2002)系統性地提出崩塌風險評估與管理 (landslide risk assessment and management)架構，
並指出此為重要的任務與手段。另一方面，van Westen et al. (2006)及 van Westen et al. (2008)也提 出相似的框架。崩塌風險評估與管理架構中，有 許多子工作項目需要相互配合才能達成，其中評 估崩塌潛勢(landslide susceptibility)是最基礎與重 要的任務之一，其成果好壞將影響後續任務的正
確性(例如崩塌災害評估、崩塌風險評估等等)。
然而，目前研究對於崩塌潛勢的分析方法與流程 並沒有一致的看法。在本研究中，崩塌潛勢必須 滿足以下兩種條件：(1)此考量區域的潛勢因子 (causative or preparatory factor) (例如地形、環境等 等 條 件 ) 後 ， 求 得 空 間 上 崩 塌 發 生 的 可 能 性 (likelihood)或程度(degree) (Brabb, 1984)；(2)礙於 促發因子(triggering factor) (本研究為降雨量或強 度)可能短期劇變使得準確估計不易，並假設對相 同區域長期分析則可減低時空(spatio-temporal)變 異的影響，故不予考慮(Dai et al., 2002)。因此，
本研究探討的崩塌潛勢是假設降雨條件在能致災 的情形下，空間上崩塌發生的可能性(0~1)或程度 ( 如 低 、 中 、 高 潛 勢 ) 。 而 崩 塌 發 生 的 頻 率 (frequency)與規模(magnitude)是後端任務－崩塌災 害評估(hazard assessment)的成果(李錫堤，2009；
Guzzetti et al., 2005；Guzzetti et al., 2006)，不在本 研究探討的範疇中。
就資料分析而言，可參考賴哲儇等(2013) 與 Tsai et al. (2013)總覽與比較崩塌潛勢分析的 方法。另一方面，空間資訊技術與資料逐漸成 熟和普遍，且時間解析度(temporal resolution) 顯著提升，適合長期協助監測及調查大範圍的 崩塌災害，實作上已達不錯成果(如 Aksoy and Ercanoglu, 2012；Dou et al., 2015；Mondini and Chang, 2014；Mondini et al., 2011)；對於廣域 (regional)崩塌潛勢分析而言，這些技術與資料 產製的崩塌目錄與潛勢因子不但是必要的輸入 資訊，更降低以往資料蒐集所花費的時間和成 本。從相關文獻中亦可發現空間資料或 GIS (Geographic Information Systems) 導 向 (van Westen et al., 2008；Wang et al., 2005)及事件型 (event-based) (Guzzetti et al., 2012；Lee et al., 2008)崩塌潛勢分析受到重視，且後者能進一步 連 結 崩 塌 災 害 、 易 損 度 (vulnerability) 和 風 險 (risk)評估(Guzzetti et al., 2012)。不過礙於空間 資料龐大、格式不一等特性，造成整合困難及 現有演算法的效能問題，恐無法直接萃取有用 的資訊(林岑彧，2010)。資料探勘(data mining)
能從大量且複雜資料中萃取有用的、可能的、
或是之前未知的資訊或知識(Tan et al., 2006)，
是處理多元且複雜資料有效的分析方法(Miller and Niu, 2001)。隨機森林(random forests)是近 期新興的演算法之一，Belgiu and Dragut (2016) 已回顧該法在空間資訊領域中的成效。然而，
目前仍鮮少文獻探討該法在崩塌研究的成效。
就崩塌機制而言，自然坡地的崩塌可概分成 源頭(source)、拖曳帶(trail)及堆積區(deposition)等 三個重要特徵(Dai and Lee, 2002；吳宗樺，2004)；
源頭是發生崩塌的主因，其餘兩者則是後續反應，
統稱為 Run-out (Mondini et al., 2011)。圖 1 為自然 坡地典型崩塌特徵實例，其中紅色處為崩塌源頭，
土黃色區為 Run-out。一般而言，除了地質專家藉 由航照(立體)影像及輔助資料來剔除 Run-out 外，
以自動或半自動方法偵測廣域的崩塌地通常沒有 分離源頭與 Run-out，僅是評估崩塌的影響範圍。
因此，僅以前述偵測成果建置崩塌潛勢模型有可 能產生偏差(biases)或不具代表性。
圖 1 自然坡地典型崩塌特徵實例(紅色為崩塌源 頭，土黃色為 Run-out)
綜合以上分析，本研究結合崩塌相關的 GIS 資料與隨機森林分類器，建構廣域尺度下降雨促 發的事件型崩塌潛勢模型，並考慮崩塌源頭、
Run-out 及非崩塌等三個類別，進而驗證模型的可 靠度。使用的崩塌目錄由航空立體照片及輔助資 料判讀而得，且已劃分崩塌源頭、Run-out 與河流 等三個目標。潛勢因子則考慮坡度、坡向、高程、
曲率、地質、土壤、正規化植生指標(Normalized Difference Vegetation Index, NDVI)、斷層距離、
道路距離與水系距離等十項因子。透過以上條件 設定，本研究希冀證明 Run-out 獨立成單一類別的 可行性，並作為日後探討 Run-out 影響崩塌潛勢模 型的先期成果。
2. 研究區域與資料
本研究區域位於荖濃溪流域，占地約 117 平方公里，如圖 2 所示。根據數值高程模型 (Digital Elevation Model, DEM)、地質與土壤 GIS 圖資得知，研究區域正高介於 258 至 1,666 公尺之間，坡度平均值及標準差為 26 和 12 度，
其中 60%的坡度介於 20~40 度間；地質種類涵 蓋盧山層、三峽層及頭嵙山層；土壤類別包含 沖積土、崩積層、石質土和壤土。該區一月與 七月的平均溫度為攝氏 17 及 26 度。年平均降 雨量約為 2,200 釐米，幾乎由颱風登陸挾帶豐 沛降水所致。竹林與闊葉林是主要的土地覆蓋 物，以及少數農作。
資料蒐集上，本研究採用十種崩塌潛勢因 子，詳列如表 1；其中，前五項屬於 DEM 和衛 星影像的衍生資訊；地質與土壤圖層由向量 (vector)轉至網格(raster)格式，其像元大小為 10 公尺；運用空間分析(spatial analysis)則得到後 三項因子，此即每個像元至最鄰近特徵(斷層、
道路或水系)的距離。關於本研究的 DEM 資料，
Chiang et al. (2012)曾對其編修，降低因樹木孤 立與河川地勢驟變造成光達點雲產製地形的不 連續性，該研究亦證實編修後的 DEM 能合理 計算土石流的路徑。另外，根據 Lee et al.
(2004)及 Palamakumbure et al. (2015)等人分析，
DEM 網格大小介於 10 至 30 公尺亦適合作為崩 塌潛勢模型的地形因子。因此，本研究使用原 始和編修後的 DEM 個別衍生表 1 的四項地形因 子(坡度、坡向、高程、曲率)，並比較兩者在 崩塌潛勢評估上的成效。除此之外，崩塌目錄 是潛勢評估另個重要的輸入資訊。本研究使用
的崩塌目錄是專家依據福衛二號影像與航空立 體照片判釋而得，並劃分崩塌源頭、Run-out 及 河流區域，如圖 3 及表 2 所示。表 2 顯示，
Run-out 的最大多邊形面積、平均面積及面積標 準差皆大於崩塌源頭，其反映 Run-out 涵蓋拖 曳帶及堆積區使得前述統計成果較大或不一，
亦間接呈現崩塌源頭與 Run-out 實屬不同機 制。
圖 2 研究區域位置
表 1 崩塌潛勢因子
原始圖資 使用因子(網格形式)
10 公尺 DEM 坡度
坡向 高程 曲率
福衛二號影像 NDVI
地質圖 地質
土壤圖 土壤
斷層圖 斷層距離
道路圖 道路距離
水系圖 水系距離
(a) 福衛二號影像 (b) 崩塌目錄 圖 3 研究區域之福衛二號影像及莫拉克颱風崩塌目錄
表 2 崩塌目錄資訊
崩塌源頭 Run-out
多邊形數量 5,336 1,080
最大多邊形面積(平方公尺) 250,493 385,381
最小多邊形面積(平方公尺) 10 13
總面積(平方公尺) 10,389,920 6,349,667
平均面積(平方公尺) ~1,947 ~5,879
面積標準差(平方公尺) ~8,066 ~23,355
3. 研究流程與方法
3.1 資料前處理
本項工作之目的為整合不同的空間資料，產 生 待 分 析 的 資 料 表 ， 作 為 崩 塌 潛 勢 模 式 化 (modeling)的輸入因子。前處理主要包含資料整合 及樣本挑選等兩個項目。首先，將表 1 原始圖資 的向量資料轉換成網格形式，其像元大小為 10 公 尺。之後 DEM、斷層、道路和水系圖資則藉由空 間分析計算地形(坡度、坡向、高程與曲率)與距 離資訊。另一方面，將崩塌目錄的源頭和 Run-out
範圍(polygon)轉至像元(pixel)型態，並以此為基本 單元(或稱為樣本)萃取對應的潛勢因子。針對非 崩塌區域，本研究採隨機取樣方式產生非崩塌樣 本，亦以此萃取潛勢因子。崩塌目錄的河流區域，
則進行遮罩(mask)處理，設定其崩塌潛勢為零。
整合源頭、Run-out、非崩塌樣本和對應的潛勢因 子，形成如表 3 的資料表。表 3 中，每筆樣本皆附 帶 崩塌 目錄 的類 別(class or label) ， 即源 頭、
Run-out 或非崩塌地，此欄又稱決策屬性(decision attribute) ； 對 應 的 潛 勢 因 子 則 稱 為 條 件 屬 性 (condition attributes)。
表 3 資料前處理後之資料表 樣本
編號
條件屬性(順序同表 1) 決策屬性
坡度 … 水系
距離
崩塌目錄 類別 1 A1 B1~I1 J1 K1
⋮ ⋮ … ⋮ ⋮
N AN BN~IN JN KN
整合不同的空間資料後(表 3)，本研究隨機挑 選三分之二的樣本作為選訓練(training)資料，剩餘 當作檢核(check)樣本。因此，下節介紹的隨機森林 演算法將依據訓練資料的條件與決策屬性模式化 崩塌潛勢，再以檢核樣本評估成效(3.3 節)。此外，
研究區域涵蓋的潛勢因子轉換成樣本形式，逐一代 入潛勢模型，進而產製崩塌潛勢圖(3.3 節)。
3.2 隨機森林
隨 機 森 林 (Breiman, 2001) 是 整 合 決 策 樹 (decision trees) 的 監 督 式 分 類 法 (supervised classification)，不需要假設樣本的機率分佈，
屬於非參數式(non-parametric)的資料探勘分類 器。由於此法隨機挑選訓練樣本產生多棵決策 樹模型並整合之，故稱作“隨機森林”。關於 隨機森林的執行過程，盧佑樺等(2016)詳列以 下五個步驟：
(1) 決定訓練區資料 n 組，分類特徵參數 m 種(即崩 塌潛勢因子)。
(2) 於 m 個輸入分類特徵參數中，選出 T 個子集合，
T<m。
(3) 運用 bootstrap 抽樣，從訓練資料重複抽樣形成 InBag。
(4) 對每一個 InBag，隨機選擇 m 個分類特徵參數，
根據這些分類特徵參數，計算決策樹，最後進 行投票(vote)選出最佳的成果。
(5) 每棵決策樹都不需要進行修剪、完全生長。
在第(4)步驟中，每顆決策樹必須先後產生 節點(node)，最終連結至根部(root)；節點代表 條件屬性(潛勢因子)的判斷條件，根部表示決 策 屬 性 ( 崩 塌 目 錄 類 別 ) ， 此 路 徑 即 可 成 為 IF-Then 的分類規則。如何優先選擇崩塌潛勢因 子作為節點，必須計算每個條件屬性的資訊獲
利(Information Gain, IG)或 Gini 指標，值高者代 表以該因子作為條件較無異議，故優先使用之；
重複此流程，可產生多組 IF 規則並連結單一根 部。若崩塌潛勢因子為離散資料，採用資訊獲 利評估，公式如式(1)至(3)；如果是數值資料，
改用 Gini 指標，如式(4)及(5)。式(1)至(2)中，
E(A)代表訓練資料整體的亂度(entropy)；j、k、
N 個別為類別數(本研究的 j 等於 3)、某類別和 所有訓練資料的筆數；E′(a)是某因子或特徵 (以 a 表示)的亂度；v 為因子 a 的子集合數量；
E(ah)是因子 a 之某子集合的亂度，算法同式(1)。
資訊獲利則由式(1)扣除式(2)而得，前者屬固定 項，後者隨不同潛勢因子變動，如式(3)所示；
因此，資訊獲利大者代表式(2)的亂度小，以此 作為優先條件較無異議。而式(4)及(5)中，C 表 示數值資料離散化的切割點；N1及 N2個別為 a≦C 和 a>C 的訓練資料筆數。同理，Gini 指標 大者代表因子 a 的亂度小，故優先作為條件。
E(A) = − ∑ log ... (1)
E′(a) = ∑ E(a ) ... (2)
IG(a) = E(A) − E′(a) ... (3)
Gini(a ≤ C or a > ) = 1 − ∑ ... (4)
Gini(a, C) = Gini(a ≤ C) + Gini(a > C) .... (5)
3.3 成果評估與崩塌潛勢圖
為了評估崩塌潛勢模型的成效，本研究將檢 核資料代入，並比對輸出成果與地真資料(ground truth) 的 差 異 ， 產生 誤 差 矩 陣 (confusion or error matrix)及計算整體精度(Overall Accuracy, OA)、
Kappa 係數、各類別的使用者精度(User's Accuracy, UA)和生產者精度(Producer's Accuracy, PA)等四種 指標。表 4 為誤差矩陣範例。統計地真資料與模 型輸出成果的差異後，即能得到矩陣所有元素，
再配合式(6)~(9)，則得前述四種指標。式(6)~(9)
中，Nc意指類別數量；i 和 j 為列(row)、欄(column) 的指標；M+表示某列或某欄的總和。由於 OA 僅 考慮正確的樣本數量，缺乏漏授(omission) (即 1-PA)與誤授(commission) (即 1-UA)資訊，恐過於 樂觀；而 Kappa 值已納入各類別的偵測(欄)與輸出 (列)數量，間接反映漏授與誤授資訊，故本研究 以此輔助整體成果評估。
OA = ∑
∑ ∑ = ... (6)
Kappa = ∑ ( )
∑ ( ) ... (7)
UA =∑ = ... (8)
PA =∑ = ... (9)
表 4 誤差矩陣範例 地真資料
非崩塌 崩塌源頭 Run-out 模型輸出 非崩塌 M11 M12 M13
崩塌源頭 M21 M22 M23
Run-out M31 M32 M33
若評估成果符合要求後，研究區域的涵蓋範圍 可轉換至像元形式(網格大小亦為 10 公尺)，並萃 取對應的潛勢因子，逐一代入崩塌潛勢模型。接續，
將每筆樣本隸屬崩塌源頭的機率輸出，作為崩塌潛 勢值，進而產製崩塌潛勢圖。
4. 研究成果與討論
基於前述的方法與流程，本研究建構廣域事 件 型 崩 塌 潛 勢 模 型 ， 且 考 量 ： (1) 崩 塌 源 頭 、 Run-out 及非崩塌類別，(2)樣本數的變化，(3)使 用原始或編修的 DEM，(4)採用所有或地形(坡度、
坡向、高程、曲率)潛感因子等條件，以誤差矩陣 計算的精度指標檢視成效。圖 4 至圖 7 個別顯示整 體精度、Kappa 係數、使用者精度和生產者精度。
從圖中可知，編修 DEM(紅色與紫色線段)的成果 較原始 DEM(藍色及綠色線段)佳，尤其是非崩塌 類別的使用者與生產者精度大幅改善。此外，所 有因子(綠色和紫色線段)的分類精度皆優於僅用 地形因子者(藍色與紅色線段)。值得一提的是，
當使用編修的 DEM 後，採用所有與地形因子之間 的差異(紅色與紫色線段)小於採用原始 DEM(藍色 及綠色線段)，此即反應 DEM 品質的影響。以上 成果亦可呼應 Chiang et al. (2012)編修 DEM 的理 由與重要性，當去除樹木孤立與河川地勢驟變造 成光達點雲產製地形的不連續性後，後續的地形 相關運算將更為合理。圖 5 即顯示編修 DEM 大幅 地降低非崩塌跟其他類別的混餚，且擁有絕佳的 使用者與生產者精度；此與過去文獻的成果相似 (例如李錫堤，2009；賴哲儇等，2013；Tsai et al., 2013)，證實非崩塌地通常較崩塌區域容易模式化。
另外，圖 7 也證實 Run-out 獨立成單一類別的可行 性；若使用所有因子，漏授與誤授誤差甚至可保 持在 10%以內。從成果趨勢來看，圖 4 至圖 7 並無 明顯驟降或驟升，此可說明本研究隨機取樣與模 式化的穩定與客觀。
(a) 整體精度(OA)
(b) Kappa 係數 圖 4 整體成果評估
(a) 使用者精度(PA) (b) 生產者精度(UA) 圖 5 非崩塌類別(N)成果評估
(a) 使用者精度 (b) 生產者精度
圖 6 崩塌源頭類別(L)成果評估
(a) 使用者精度 (b) 生產者精度
圖 7 Run-out 類別(R)成果評估
為進一步比較隨機森林與決策樹分類器的成 效，本研究採用所有因子及每類別 60,000 筆樣本 的條件設定，觀察兩者的整體精度與 Kappa 係數。
圖 8 顯示隨機森林演算法優於決策樹，且編修 DEM 衍 生 的 地 形 因 子 提 供 較 佳 的 類 別 區 別 性 (distinguishment)。從演算法角度探討，可證實隨
機森林以 bootstrap 抽樣增進決策樹的成效，亦表 示建置的決策樹模型穩定性不足(即過度擬合)，
才使得多次隨機抽樣方式降低原始模型的錯誤率 (Tan et al., 2006)。另外，分類器的成果差異也因 DEM 的品質而降低(綠色和紫色圖例)，證實 DEM 品質確實影響崩塌潛勢評估的成果。將研究區域
所有樣本代入崩塌潛勢模型後(同圖 8 綠色圖例的 條件設定)，成果如圖 9 所示。崩塌潛勢圖顯示研 究區域的北方和東方屬於高潛勢區。後續可根據 此圖及其他資訊評估崩塌災害與風險，並輔助崩 塌災害相關的規劃和決策。
圖 8 不同分類器之成果比較 (RF：隨機森林；DT：決策樹)
圖 9 崩塌潛勢圖
過往文獻針對 Run-out 特徵通常是濾除(地質 與地工領域，例如 Guzzetti et al., 2012；Lee et al., 2008)或視為崩塌(遙測領域，例如 Liu, 2015；
Wang and Niu, 2010)，因此傳統崩塌目錄不存在此
一類別。然而，就發生機制而言，雖然 Run-out 不 是崩塌主因，卻有因果關係，其特性應與崩塌源 頭、非崩塌有所區隔。為了證實以上假設，本研 究使用的崩塌目錄將 Run-out 獨立成單一類別，並 據此模式化(modeling)確認可行性。而模式化方法，
崩塌潛勢評估可概略分成知識(knowledge-based) 與資料導向(data-driven)兩類：前者考量物理意義 且適用多數區域，崩塌潛勢結果視為 Probability；
後者雖然可能喪失物理意義卻能彌補知識導向的 缺漏，但發展模式需要蒐集長時間資料且只能應 用特定地區，崩塌潛勢結果視為 Likelihood。隨機 森林雖然屬於資料導向的方法，輸出成果為容易 理解的 IF-Then 條件式，可是這些條件式目前仍難 成為知識。因此，本文不著重崩塌目錄的劃設，
亦 非 發 展 通 用 崩 塌 潛 勢 評 估 模 式 ， 而 是 提 出 Run-out 類別有獨立的可能性並評估模式化之精度，
助於日後探討 Run-out 視為崩塌或非崩塌類別的影 響，甚至建議崩塌目錄應考慮 Run-out 類別。而模 式化過程，DEM 是重要的因子，故許多文獻探討 其網格大小對於崩塌潛勢評估的影響(例如 Lee et al., 2004；Palamakumbure et al., 2015)。但是網格 大小不是 DEM 品質的唯一變數，故本研究以原始 與人工編修 DEM 評估兩者對於崩塌潛勢評估的影 響。關於崩塌與非崩塌樣本數量，Heckmann et al.
(2014)指出，1:1 與 1:10 是常用比例。然而，本研 究亦考慮 Run-out 類別，其與前兩者比例仍未定論，
故先採用同比例取樣，後續仍有討論空間。
5.結論與建議
崩塌目錄是崩塌風險評估與管理架構中的基 礎資料，其品質將影響後續任務的可靠程度。如 果以自動或半自動化方式直接偵測遙測影像中的 崩塌地，僅能得知崩塌的影響範圍。就自然坡地 而言，這些範圍又涵蓋崩塌源頭、拖曳帶與堆積 區等重要特徵，其機制也大不相同。若不將這些 特徵區隔，直接模式化崩塌特性，恐產生偏差的 結果。但是遙測影像提供的訊息不及現場調查細 緻，從崩塌影響範圍分離源頭與 Run-out 已是極限。
0.7 0.8 0.9 1
OA Kappa
原始DEM+RF 原始DEM+DT 編修DEM+RF 編修DEM+DT
根據前述條件產生的崩塌目錄，本研究以空間資 料導向(data-driven)的分析方法為基底，納入不同 的崩塌機制，建構出單一降雨事件促發的廣域崩 塌潛勢模型。此外，本研究考量不同的樣本數量、
DEM 品質和分類器，突顯這些設定條件對於模式 化的影響。
研究成果顯示，崩塌潛勢模型獨立 Run-out 類 別的整體精度可達 85% ~95%，Kappa 值約介於 0.8 至 0.9 間；在樣本足夠的情形下，Run-out 類別 的使用者精度及生產者精度甚至可高達 0.9。另外，
本研究證實 DEM 編修後配合隨機森林演算法，能 得到較理想的模式化成果。藉由崩塌潛勢模型，
本研究進而產生研究區域的崩塌潛勢圖，可作為 後續評估任務的基礎，並輔助崩塌災害相關的規 劃和決策。另一方面，崩塌目錄的取樣(sampling) 方式及 Run-out 視為崩塌或非崩塌類別對於崩塌潛 勢模式化的影響，值得相關研究進一步探究。
致謝
本研究承蒙中華民國航空測量及遙感探測學 會與科技部(計畫編號：MOST-105-2922-I-008-153) 補助筆者赴捷克布拉格參加第二十三屆國際攝影 測量及遙感探測研討會(The XXIII International Society for Photogrammetry and Remote Sensing Congress)，並發表本研究成果，特此致謝。
參考文獻
吳宗樺，2004。空間資料探勘與知識產生-以建立 崩坍敏感性評估模式為例，碩士論文，國立 臺灣大學地理環境資源學系。[Wu, T.Y., 2004.
Geospatial data mining and knowledge generating - a case study of constructing a model of assessing landslide susceptibility, Master Thesis, National Taiwan University, Taiwan, ROC. (in Chinese)]
內政部消防署，2009。莫拉克颱風災害應變處置
報 告 第 74 報 ， URL
http://www.nfa.gov.tw/uploads/1/201110070258
%E8%8E%AB%E6%8B%89%E5%85%8B%E9
%A2%B1%E9%A2%A8%E7%81%BD%E5%A E%B3%E6%87%89%E8%AE%8A%E8%99%9 5%E7%BD%AE%E5%A0%B1%E5%91%8A%
20%E7%AC%AC74%E5%A0%B1.pdf ， 引 用 2016/11/22。[National Fire Agency, Ministry of Interior, Taiwan R.O.C.,2009. Typhoon Morakot Disaster Emergency Response Reports: No. 74,
Available at: URL
http://www.nfa.gov.tw/uploads/1/201110070258
%E8%8E%AB%E6%8B%89%E5%85%8B%E9
%A2%B1%E9%A2%A8%E7%81%BD%E5%A E%B3%E6%87%89%E8%AE%8A%E8%99%9 5%E7%BD%AE%E5%A0%B1%E5%91%8A%
20%E7%AC%AC74%E5%A0%B1.pdf ， Accessed 2016/11/22. (in Chinese)]
李錫堤，2009。山崩及土石流災害分析的方法學 回顧與展望，台灣公共工程學刊，5(1)：1-29。
[Lee, C.T., 2009. Review and prospect on landslide and debris flow hazard analysis, Journal of the Taiwan Society of Public Works, 5(1): 1-29.(in Chinese)]
林岑彧，2010。結合遙測影像與 GIS 資料以資料 挖掘技術進行崩塌地辨識-以石門水庫集水區 為例，碩士論文，國立中央大學土木工程學 系。[Lin, T.Y., 2010. Landslide identification from remote sensing and GIS with data ming-a case study in the shihmen reservoir watershed, Master Thesis, National Central University, Taiwan, ROC. (in Chinese)]
賴哲儇、蔡富安、林岑彧、陳偉堯、林唐煌，
2013。資料探勘技術於坡地崩塌之驗證與潛 勢評估，航測及遙測學刊，17(2)：149-160。
[Lai, J.S., Tsai, F., Lin, T.Y., Chen, W.W., and Lin, T.H., 2013. Verification and susceptibility assessment for landslides using data mining techniques, Journal of Photogrammetry and Remote Sensing, 17(2): 149-160.(in Chinese)]
盧佑樺、蔡富安、賴哲儇，2016。二次微分法於
空載全波形光達之高斯波形擬合與地物分類，
航測及遙測學刊，21(1)：13-30。[Lu, Y.H., Tsai, F., Lin, and Lai, J.S., 2016. Second derivative for gaussian waveform fitting and land cover classification with airborne full-waveform LiDAR, Journal of Photogrammetry and Remote Sensing, 21(1):
13-30.(in Chinese)]
Aksoy, B., and Ercanoglu, M., 2012. Landslide identification and classification by object-based image analysis and fuzzy logic: an example from the Azdavay region (Kastamonu, Turkey), Computers and Geosciences, 38(1): 87-98.
Belgiu, M., and Drăguţ, L., 2016. Random forest in remote sensing: a review of applications and future directions, ISPRS Journal of Photogrammetry and Remote Sensing, 114:
24-31.
Brabb, E. E., 1984. Innovative approaches to landslide hazard mapping, 4th International Symposium on Landslides, 16-21 September, Toronto, Canada, pp. 307-324.
Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32.
Chang, K.T., Chiang, S.H., Chen, Y.C., and Mondini, A.C., 2014. Modeling the spatial occurrence of shallow landslides triggered by typhoons, Geomorphology, 208(2014): 137-148.
Chen, Y. C., Chang, K.T., Lee, H.Y., and Chiang, S.H., 2015. Average landslide erosion rate at the watershed scale in southern Taiwan estimated from magnitude and frequency of rainfall, Geomorphology, 228(2015): 756-764.
Chiang, S.H., Chang, K.T., Mondini, A.C., Tsai, B.W., and Chen, C.Y., 2012. Simulation of event-based landslides and debris flows at watershed level, Geomorphology, 138(2012): 306-318.
Dai, F.C., and Lee, C.F., 2002. Landslide characteristics and slope instability modeling
using GIS, Lantau Island, Hong Kong, Geomorphology, 42(2002): 213-228.
Dai, F.C., Lee, C.F., and Ngai, Y.Y., 2002. Landslide risk assessment and management: an overview, Engineering Geology, 64(2002): 65-87.
Deng, Y.C., Tsai, F., and Hwang, J.H., 2016.
Landslide characteristics in the area of Xiaolin village during Morakot typhoon, Arabian Journal of Geosciences, 9(332), 16 pages.
Dou, J., Chang, K.T., Chen, S., Yunus, A.P., Liu, J.K., Xia, H., and Zhu, Z., 2015. Automatic case-based reasoning approach for landslide detection: integration of object-oriented image analysis and a genetic algorithm, Remote Sensing, 7: 4318-4342.
Guzzetti, F., Gall, M., Reichenbach, P., Ardizzone, F., and Cardinali, M., 2006. Landslide hazard assessment in the Collazzone area, Umbria, Central Italy, Natural Hazards and Earth System Sciences, 6: 115-131.
Guzzetti, F., Mondini, A.C., Cardinali, M., Fiorucci, F., Santangelo, M., and Chang, K.T., 2012.
Landslide inventory maps: new tools for an old problem, Earth-Science Reviews, 112(1-2):
42-66.
Guzzetti, F., Reichenbach, P., Cardinali, M., Galli, M., and Ardizzone, F., 2005. Probabilistic landslide hazard assessment at the basin scale, Geomorphology, 72(1-4): 272-299.
Heckmann, T., Gegg, K., Gegg, A., and Becht, M., 2014. Sample size matters: investigating the effect of sample size on a logistic regression susceptibility model for debris flows, Natural Hazards and Earth System Sciences, 14(2):
259-278.
Lee, C.T., Huang, C.C., Lee, J.F., Pan, K.L., Lin, M.L., and Dong, J.J., 2008. Statistical approach to storm event-induced landslides susceptibility, Natural Hazards and Earth System Sciences, 8:
941-960.
Lee, S., Choi, J., and Woo, I., 2004. The effect of spatial resolution on the accuracy of landslide susceptibility mapping: a case study in Boun, Korea, Geosciences Jounral, 8(1): 51-60.
Liu, C.C., 2015. Preparing a landslide and shadow inventory map from high-spatial-resolution imagery facilitated by an expert system, Journal of Applied Remote Sensing, 9, 13 pages.
Miller, J., and Han, J., 2001. Geographic data mining and knowledge discovery, in: Geographic data mining and knowledge discovery, Taylor and Francis, London, UK.
Mondini, A.C., and Chang, K.T., 2014. Combing spectral and geoenvironmental information for probabilistic event landslide mapping, Geomorphology, 213(2014): 183-189.
Mondini, A.C., Chang, K.T., and Yin, H.Y., 2011.
Combing multiple change detection indices for mapping landslides triggered by typhoons, Geomorphology, 134(3-4): 440-451.
Palamakumbure, D., Flentje, P., and Stirling, D., 2015.
Consideration of optimal pixel resolution in deriving landslide susceptibility zoning within the Sydney Basin, New South Wales, Australia, Computers & Geosciences, 82(2015): 13-22.
Tan, P.N., Steinbach, M., and Kumar, V., 2006.
Introduction to Data Mining, Addison Wesley, USA, 769 pages.
Tsai, F., Hwang, J.H., Chen, L.C., and Lin, T.H., 2010.
Post-disaster assessment of landslides in southern Taiwan after 2009 Typhoon Morakot using remote sensing and spatial analysis, Natural Hazards and Earth System Sciences, 10:
2179-2190.
Tsai, F., Lai, J.S., Chen, W.W., and Lin, T.H., 2013.
Analysis of topographic and vegetative factors with data mining for landslide verification, Ecological Engineering, 61: 669-677.
Tsou, C.Y., Feng, Z.Y., and Chigira, M., 2011.
Catastrophic landslide induced by Typhoon Morakot, Shiaolin, Taiwan, Geomorphology, 127(3-4): 166-178.
van Westen, C.J., Castellanos, E., and Kuriakose, S.
L., 2008. Spatial data for landslide susceptibility, hazard, and vulnerability assessment: an overview, Engineering Geology, 102(3-4):
112-131.
van Westen, C., van Asch, T.W.J., and Soeters, R., 2006. Landslide hazard and risk zonation – why is it still so difficult, Bulletin of Engineering Geology and the Environment, 65(2): 167-184.
Wang, H., Liu, G., Xu, W., and Wang, G., 2005.
GIS-based landslide hazard assessment: an overview, Progress in Physical Geography, 29(4):
548-567.
Wang, X., and Niu, R., 2010. Landslide intelligent prediction using object-oriented method, Soil Dynamic and Earthquake Engineering, 30(2010):
1478-1486.
Wu, C.H., Chen, S.C., and Chou, H.T., 2011.
Geomorphologic characteristics of catastrophic landslides during typhoon Morakot in the Kaoping Watershed, Taiwan, Engineering Geology, 123(1-2): 13-21.
1 PhD Candidate, Department of Civil Engineering, National Central University Received Date: Jan. 06, 2017
2 Professor, Center for Space and Remote Sensing Research, National Central University Revised Date: May.05, 2017
3 Assistant Professor, Center for Space and Remote Sensing Research, Accepted Date: May. 17, 2017 National Central University
* Corresponding Author,Tel: 886-3-4227151 ext. 57619, E-mail: ftsai@csrsr.ncu.edu.tw
Spatial Analysis for Regional Landslide Susceptibility Modeling
Jhe-Syuan Lai 1 Fuan Tsai 2* Shou-Hao Chiang 3
Abstract
This study adopts a data mining-based algorithm, the random forests classifier, with geo-spatial data to construct a regional landslide susceptibility model on the basis of Typhoon Morakot in 2009. The developed model also takes account of landslide source, Run-out and non-occurrence signatures from the landslide inventory in order to increase the reliability of the susceptibility modeling. A total of ten causative factors were collected and used in this study, including topographic, vegetative, fault, geology, river, road, and soil data. This study transforms the landslide inventory and vector-based causative factors into the pixel-based format in order to overlay with other raster data for constructing the random forests based model. This study also uses different topographic data, numbers of samples and classifiers in the analysis to understand their impacts on the susceptibility modeling. Experimental results demonstrate that after identifying the Run-out signatures, the overall accuracy and Kappa coefficient have increased to be more than 85 % and 0.8, respectively. In addition, the user’s accuracy and producer’s accuracy of the Run-out class can reach 0.9 when the number of samples is sufficient to analyze. Correcting unreasonable topographic features of the digital terrain model and using the random forests algorithm also produce more reliable modeling results. According to the modeling results, a preliminary landslide susceptibility map of the study site is produced. Based on this map, future researches may further include other information to achieve landslide hazard and risk assessments as well as to assist land planning and policy marking.
Keywords: Landslide Susceptibility, Random Forests, Spatial Analysis, Typhoon Morakot
