執 行 單 位：國立成功大學
執 行 期 間：109 年 1 月 1 日至 109 年 12 月 31 日 計畫主持人 ：林冠瑋 副教授
行政院農業委員會水土保持局 編印 中華民國 109 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）
集水區尺度坡地土砂運動之地表振動訊號 監測研究
The study project of ground motion signals induced by mass movement in the
watershed scale
集水區尺度坡地土砂運動之地表振動訊號監測研究
摘要
塊體運動是常見的地表地質作用，不僅會改變地形，還可能對鄰近的人 民生活造成災害，其中大規模崩塌更可能對社會、經濟帶來重大傷害。大規 模崩塌產生的地表振動有機會被鄰近的地震儀接收並記錄，因此地動訊號 分析能被廣泛應用於邊坡塊體滑動的偵測，而使用機器學習建立地動訊號 分類器能夠加速且客觀的辨識具有崩塌特徵的地動訊號。
本計畫針對高屏溪流域內或鄰近地震站，統整 2009 年莫拉克颱風及 2015 年蘇迪勒颱風影響期間具有崩塌特徵之地動訊號共 251 筆，搭配相同 數量之地震事件及噪訊作為訓練樣本，以隨機森林演算法建立適用於不同 地震儀之地動訊號自動分類器。利用自動分類器對 10 場颱風影響期間的地 動紀錄進行地動事件偵測及分類，成功找出79 起具有崩塌特徵之地動事件，
定位結果位於高屏溪流域內之崩塌事件數為 15 起，再加上於前期計畫中獲 得的 37 起發生於高屏溪流域內之崩塌，共 52 起崩塌事件可用於進行促崩 水文條件分析。促崩降雨門檻分析結果顯示相較於全台灣，高屏溪流域的降 雨門檻較低，說明該流域在相同的降雨條件下有較高的潛勢誘發崩塌。此外，
長降雨延時、高有效累積降雨以及第三桶水對觸發大規模崩塌有較顯著的 影響，運用上述 3 項水文參數應有助於大規模崩塌警戒值的設計。
關鍵字：大規模崩塌、地動訊號、機器學習、高屏溪流域、促崩降雨門檻
The study project of ground motion signals induced by mass movement in the watershed scale
Abstract
A mass movement can change the landform and may result in the disaster for the people living around. Large-scale landslide is one of the most severe mass movement. Nearby seismometers can record ground motions generated by the large-scale landslide. Therefore, the analysis of ground motion signals is widely applied to monitor slope failure. A machine learning classifier of ground-motion signals can be used to identify signals with landslide features more efficiently and objectively.
This project collects 251 signal samples with landslide features from seismometers located in or nearby the Kaoping watershed recorded during 2009 Typhoon Morakot and 2015 Typhoon Soudelor. The project creates classifiers for different types of seismometers in the Kaoping watershed using the same amount of signals of landslide, earthquake, and noise. By detecting and classifying event using the ground motion signals recorded during 10 typhoon events from 2012 to 2015, 79 ground motion signals with landslide features are found successfully.
Located results of 15 events are in the Kaoping watershed. 37 landslides occurred in the Kaoping watershed recorded in the previous project are added in this project.
By using 52 landslides events, statistics of the triggering rainfall parameters and analysis of soil water index were obtained. The results reflect that the triggering rainfall thresholds for the Kaoping watershed are lower than that for the Taiwan.
During the same rainfall condition, the Kaoping watershed has the higher potential in occurrence. In addition, long duration, large effective cumulation, and the third water depth in the soil water index have significant influence in occurrence of large-scale landslide. These parameters can be used to design the triggering rainfall threshold of large-scale slope failure in the future.
Keywords: Large-scale landslide, Ground motion signal, Machine learning, Kaoping river, Triggering rainfall threshold
目次
摘要 ...I Abstract ... II 目次 ... IV 表次 ... VI 圖次 ... VIII 第一章 前言 ... 1-1 第一節 背景說明 ... 1-1 第二節 計畫目的 ... 1-2 第三節 期末檢核點 ... 1-2 第四節 前期研究及相關文獻回顧 ... 1-3 第二章 研究方法 ... 2-1 第一節 高屏溪流域描述 ... 2-1 第二節 地動訊號來源與地震測站分布 ... 2-1 第三節 地動事件偵測 ... 2-5 第四節 分類器訓練樣本及訊號特徵值 ... 2-7 第五節 自動分類器建立 ... 2-24 第六節 崩塌地動訊號定位 ... 2-30 第七節 促崩降雨統計與分析方法 ... 2-32 第八節 桶狀模式參數擬合 ... 2-36 第三章 地動訊號自動分類器成果 ... 3-1 第一節 演算法測試結果 ... 3-1 第二節 分類器正確度 ... 3-3
第三節 自動分類器測試結果 ... 3-6 第四節 特徵值分類效能比較 ... 3-15 第五節 崩塌地動訊號偵測及定位配對結果 ... 3-19 第四章 高屏溪流域鄰近地震測站分布 ... 4-1 第一節 高屏溪流域地震測站分布及架站成本 ... 4-1 第二節 大規模崩塌潛勢區地動訊號觀測規劃 ... 4-8 第五章 崩塌警戒水文因子 ... 5-1 第一節 雨量分析結果 ... 5-1 第二節 雨量因子間相關性分析 ... 5-8 第三節 土壤水分指數分析結果 ... 5-15 第四節 河川水位與崩塌發生時間的關聯性 ... 5-19 第五節 鄰近高潛勢大規模崩塌邊坡之歷史案例的水文條件分析 ... 5-23 第六章 結論及建議 ... 6-1 參考文獻 ... 參-1 附錄 ... 附錄-1 附錄一、地動訊號自動分類器之崩塌事件訓練樣本目錄 ... 附錄-1 附錄二、地動訊號自動分類器之地震事件訓練樣本目錄 ... 附錄-9 附錄三、15 處高屏溪流域內崩塌地動訊號圖 ... 附錄-15 附錄四、52 處高屏溪流域崩塌目錄 ... 附錄-30 附錄五、期中審查意見回覆 ... 附錄-34 附錄六、期末審查意見回覆 ... 附錄-40 附錄七、公文 ... 附錄-48 附錄八、研究紀錄 ... 附錄-71
表次
表 1.1 地動訊號自動分類器相關研究 ... 1-6 表 1.2 本計畫與 Lin et al., 2020a 研究內容之比較 ... 1-8 表 1.3 促崩降雨分析前人研究 ... 1-11 表 2.1 本計畫使用 27 座地震站資訊 ... 2-2 表 2.2 寬頻地震儀 24 項訊號特徵值 ... 2-17 表 2.3 短週期地震儀 18 項訊號特徵值 ... 2-18 表 2.4 寬頻地震儀訓練樣本之 24 項特徵值平均數值... 2-18 表 2.5 短週期地震儀訓練樣本之 18 項特徵值平均數值 ... 2-20 表 2.6 混淆矩陣 ... 2-28 表 2.7 日本氣象廳使用之土壤水分指數計算參數 ... 2-39 表 2.8 各集水區桶狀模式參數 ... 2-45 表 3.1 寬頻地震儀 22 種演算法測試結果 ... 3-1 表 3.2 短週期地震儀 22 種演算法測試結果 ... 3-2 表 3.3 寬頻地震儀自動分類器混淆矩陣 ... 3-4 表 3.4 短週期地震儀自動分類器混淆矩陣 ... 3-5 表 3.5 颱風事件目錄 ... 3-6 表 4.1 高屏溪流域鄰近寬頻地震網地震站目錄 ... 4-3 表 4.2 高屏溪流域鄰近井下地震網目錄 ... 4-5 表 4.3 高屏溪流域鄰近 Smart24 地震網目錄 ... 4-7 表 4.4 大規模崩塌潛勢區地動訊號監測站目錄 ... 4-9 表 5.1 52 處崩塌基本資訊表 ... 5-1 表 5.2 設計降雨模擬結果 ... 5-12
表 5.3 鄰近河道崩塌發生時之流量與水位紀錄 ... 5-20 表 5.4 鄰近高潛勢大規模崩塌歷史案例促崩水文資料... 5-26
圖次
圖 1.1 地震事件地動訊號圖 ... 1-4 圖 1.2 雪崩事件時頻圖 ... 1-4 圖 1.3 山崩事件時頻圖 ... 1-5 圖 2.1 高屏溪流域內及鄰近地震站分布 ... 2-4 圖 2.2 MASB 測站 STA/LTA 小林村崩塌事件偵測 ... 2-6 圖 2.3 SGSB 測站 STA/LTA 小林村崩塌事件偵測 ... 2-7 圖 2.4 不同類型地動事件之移動平均及閃爍指數波形... 2-10 圖 2.5 不同類型地動事件平均頻譜圖 ... 2-13 圖 2.6 地動事件能量分布之劃定 ... 2-15 圖 2.7 地動訊號處理流程 ... 2-16 圖 2.8 地動事件特徵值分布 ... 2-22 圖 2.9 短週期地震儀訓練樣本特徵值分布 ... 2-23 圖 2.10 決策樹演算法架構示意圖 ... 2-25 圖 2.11 隨機森林演算法架構示意圖 ... 2-26 圖 2.12 5-fold Cross Validation 示意圖 ... 2-27 圖 2.13 地動訊號分類器建置與應用 ... 2-30 圖 2.14 CrazyTremor 執行崩塌地動訊號定位之操作介面 ... 2-32 圖 2.15 雨場切割與降雨參數計算示意圖 ... 2-33 圖 2.16 常見的雙參數雨量門檻曲線 ... 2-35 圖 2.17 桶狀模式概念 ... 2-38 圖 2.18 桶狀模式參數 ... 2-38 圖 2.19 高屏溪流域之流量站與雨量站分布圖 ... 2-40
圖 2.20 桶狀模式之計算與參數擬合程式 ... 2-41 圖 2.21 旗山溪 2010 年至 2018 年觀測流深與桶狀模式預測流深 ... 2-43 圖 2.22 荖濃溪、濁口溪及隘寮溪觀測流深與桶狀模式預測流深 ... 2-44 圖 2.23 2019 年各集水區域測流深與觀測流深 ... 2-46 圖 2.24 荖濃溪參數與日本參數預測流深的比較 ... 2-47 圖 3.1 WTP 短週期地震儀測站成功分類之崩塌事件 1 ... 3-7 圖 3.2 ALS 短週期地震儀測站成功分類之崩塌事件 1 ... 3-8 圖 3.3 MASB 寬頻地震儀測站成功分類之崩塌事件 2 ... 3-9 圖 3.4 SLG 寬頻地震儀測站成功分類之崩塌事件 2 ... 3-10 圖 3.5 TPUB 寬頻地震儀測站成功分類之崩塌事件 3 ... 3-11 圖 3.6 ELD 寬頻地震儀測站成功分類之崩塌事件 3 ... 3-12 圖 3.7 ELD 短週期地震儀測站成功分類之崩塌事件 3 ... 3-13 圖 3.8 ALS 短週期地震儀測站錯誤分類之崩塌事件 1 ... 3-14 圖 3.9 CHN5 短週期地震儀測站錯誤分類之崩塌事件 1 ... 3-15 圖 3.10 寬頻地震儀 24 項特徵值分類效能比較 ... 3-17 圖 3.11 寬頻地震儀特徵值分類效能疊加分析 ... 3-17 圖 3.12 短週期地震儀 18 項特徵值分類效能比較 ... 3-18 圖 3.13 短週期地震儀特徵值分類效能疊加分析 ... 3-18 圖 3.14 具崩塌特徵地動訊號偵測及配對成功範例 ... 3-20 圖 3.15 79 起配對成功之具有崩塌特徵地動事件定位結果... 3-21 圖 4.1 高屏溪流域鄰近寬頻地震網分布 ... 4-2 圖 4.2 高屏溪流域鄰近井下地震網分布 ... 4-4 圖 4.3 高屏溪流域鄰近 Smart24 地震網分布 ... 4-6 圖 4.4 高屏溪流域高潛勢大規模崩塌優先辦理分布 ... 4-10
圖 5.1 52 處流域內崩塌分布圖 ... 5-4 圖 5.2 崩塌事件之降雨延時統計 ... 5-5 圖 5.3 崩塌事件之累積雨量統計 ... 5-7 圖 5.4 崩塌事件之降雨強度統計 ... 5-8 圖 5.5 I-D 降雨門檻 ... 5-10 圖 5.6 小林崩塌數值分析剖面 ... 5-10 圖 5.7 數值模擬帶入之設計雨型 ... 5-11 圖 5.8 Re-D 降雨門檻 ... 5-14 圖 5.9 I-Re 降雨門檻 ... 5-15 圖 5.10 引發大規模崩塌之土壤水分指數及三桶水深的數量統計 ... 5-17 圖 5.11 土壤雨量指數與各桶水深深度之分布 ... 5-18 圖 5.12 旗山溪流域內 2009 年崩塌發生時間與水位變化紀錄的關係 ... 5-21 圖 5.13 荖濃溪流域內 2015 年崩塌發生時間與水位變化紀錄的關係 ... 5-22 圖 5.14 隘寮溪流域內 2009 年崩塌發生時間與水位變化紀錄的關係 ... 5-23 圖 5.15 高屏溪流域崩塌分布圖 ... 5-25 圖 5.16 歷史崩塌案例雨量組體圖 ... 5-26 圖 A.1 KP201201 崩塌地動訊號 ... 附錄-15 圖 A.2 KP201302 崩塌地動訊號 ... 附錄-16 圖 A.3 KP201303 崩塌地動訊號 ... 附錄-17 圖 A.4 KP201304 崩塌地動訊號 ... 附錄-18 圖 A.5 KP201305 崩塌地動訊號 ... 附錄-19 圖 A.6 KP201406 崩塌地動訊號 ... 附錄-20 圖 A.7 KP201407 崩塌地動訊號 ... 附錄-21 圖 A.8 KP201408 崩塌地動訊號 ... 附錄-22
圖 A.9 KP201409 崩塌地動訊號 ... 附錄-23 圖 A.10 KP201410 崩塌地動訊號 ... 附錄-24 圖 A.11 KP201511 崩塌地動訊號 ... 附錄-25 圖 A.12 KP201512 崩塌地動訊號 ... 附錄-26 圖 A.13 KP201513 崩塌地動訊號 ... 附錄-27 圖 A.14 KP201514 崩塌地動訊號 ... 附錄-28 圖 A.15 KP201515 崩塌地動訊號 ... 附錄-29
第一章 前言
第一節 背景說明
崩塌為一種常見的地質災害，當坡地上不穩定的地質材料受到如降雨 事件、地震事件或人為開發活動影響時，便容易誘發坡地塊體崩塌(Chang et al., 2007; Huang et al., 2012; Liu et al., 2018)。臺灣位於副熱帶季風氣候區，
每年平均約有 4 至 5 個颱風侵襲並帶來豐沛的降雨，使臺灣丘陵地及山區 的崩塌事件頻繁(Wu and Kuo, 1999; Shieh, 2000)。崩塌發生時常因難以快速 得知發生時間與地點，而難以救援或發生後續災害(Chen et al., 2017; Hung et al., 2019)。
崩塌發生的確切時間點是一項相當重要但不容易獲取的資訊，近年來 的 研 究 已 經 指 出 地 震 儀 能 夠 記 錄 下 大 規 模 塊 體 運 動 產 生 的 地 表 振 動 (Suriñach et al., 2005; Dammeier et al., 2011; Kuo et al., 2018; Lin et al., 2020a)。
透過機器學習技術分析地震儀所記錄的地動訊號，能夠自動地分類不同類 型的地動事件，在前期研究中已經成功運用全國尺度的寬頻地震網建立臺 灣的崩塌地動訊號自動分類器(Lin et al., 2020b)，不僅可以獲得較客觀的崩 塌發生時間資訊，也能進一步運用於分析促崩降雨條件。然而受限於地震站 的密度，全國尺度的觀測網難以觀察到規模較小的崩塌，且振動來源的定位 也常不易收斂獲得可靠的振源位置。因此，本年度計畫開始嘗試運用更多類 型之現有地震站，規劃集水區尺度觀測網，以及建立其崩塌地動訊號自動分 類器，並將歷史崩塌地動訊號偵測結果應用於分析區域型促崩降雨門檻。
第二節 計畫目的
前期計畫著重於全國尺度的崩塌地動訊號觀測，以及崩塌發生時間的 獲取，而未針對特定區域規劃崩塌地動訊號觀測網絡並分析區域尺度的促 崩雨量。由前期計畫中建立之全國尺度崩塌地動訊號自動分類器的經驗可 知，僅依賴現有寬頻地震網可能受到地震站密度及分布狀況的限制，而不易 偵測獲得更多的崩塌地動訊號。同時，在前期計畫中所分析之大規模崩塌促 崩降雨條件已能作為大規模崩塌警戒值設立之參考，但若期望能運用於特 定區域，更大量的歷史崩塌發生時間資訊就更加重要。因此，本年度計畫針 對高屏溪流域內及鄰近的各類型地震站建立自動化崩塌地動訊號分類器，
並應用分類器所辨識出的歷史崩塌資訊分析促崩降雨門檻，以建立區域尺 度大規模崩塌之降雨基準值。計畫整體目標如下：
一、 綜整高屏溪流域內及鄰近之地震站，歸納出集水區尺度之地震觀測 網。
二、 建置區域尺度崩塌地動訊號自動分類器，並進行自動分類器驗證。收 集各尺度地表振動觀測網紀錄，進行崩塌地動訊號專家訓練，建立機 器學習分類器，並驗證自動分類器之可靠度。
三、 利用現有雨量及地表流量觀測記錄，搭配崩塌發生時間，分析區域尺 度促崩水文條件。
第三節 期末檢核點
於期末階段，本計畫已完成預定進度之期末檢核點：
一、 建置區域尺度適用於不同類型地震儀之崩塌地動訊號自動分類器。
二、 將崩塌地動訊號自動分類器應用於 2012 年至 2015 年共 10 場颱風期間 中央氣象局觀測之連續地動訊號紀錄，從中偵測疑似為崩塌產生之地 動訊號，並將偵測結果配對及定位。
三、 區域尺度崩塌促崩水文條件分析。
第四節 前期研究及相關文獻回顧
一、地震事件及崩塌事件事件產生的地動訊號特徵
Burtin et al. (2016)討論了不同類型事件於地動訊號紀錄上的差異，地質 構造產生的天然地震具有以下特徵(圖 1.1)：(1)時間域波形上有明顯的 P 波 及 S 波的區分，甚至能夠觀察到體波及表面波的差異；(2)地動訊號的頻率 帶較寬，同時具有高頻訊號及低頻訊號；(3)時頻圖上能量分佈成直角三角 形，高頻率能量由於頻散而快速衰減。
崩塌塊體在邊坡上的運動過程中會產生地表振動，並且能夠被周遭鄰 近的地震測站有效記錄，因此地動訊號的分析已被廣泛應用於邊坡塊體運 動的研究。Suriñach et al. (2005)將雪崩事件的地動訊號繪製成時頻圖後，發 現其時頻圖中能夠觀察到三角形的高能量區塊(圖 1.2)；而 Dammeier et al.
(2011)在山崩事件的時頻圖也觀察到類似的三角形特徵(圖 1.3)。經過許多前 人研究的經驗整合，山崩事件產生的地動訊號可被歸納具有下列特徵：(1) 無明顯P 波及 S 波的區分；(2)波形呈現雪茄型(Suriñach et al., 2005; Dammeier et al., 2011; Lin et al., 2020b)。
對於崩塌訊號在不同頻率段的能量來源，Huang et al. (2007)及 Schneider et al. (2010)認為崩塌塊體內部顆粒的撞擊或摩擦會產生頻率數赫茲到數十 赫茲的較高頻震波，而 Kanamori and Given (1982)及 Eissler and Kanamori (1987)認為崩塌塊體在坡面上加速及減速的過程，會產生週期數十到數百秒
的長週期震波。在 2009 年莫拉克颱風過後，Lin et al. (2010)使用全臺的寬 頻測站資料，以週期20~50 秒的長週期訊號，成功判釋並定位出 52 處位於 陸上的崩塌地；Kao et al. (2012)則是使用 0.5~5 Hz 做為判釋崩塌的主要頻 帶。Lin et al. (2020a)以 1~5 Hz 做為判釋崩塌的主要頻帶，從臺灣寬頻地震 網紀錄中偵測出 89 處大規模崩塌。
圖 1.1 地震事件地動訊號圖(Burtin et al., 2016)
圖1.2 雪崩事件時頻圖(Suriñach et al., 2005)
圖1.3 山崩事件時頻圖(Dammeier et al., 2011)
二、機器學習演算法在地動訊號分析上的應用
對於崩塌、火山活動及人為爆破等地動事件的監測，地表振動觀測是一 種非常有利的工具。但由於地動事件及噪訊的種類繁多，在建立可靠的自動 分類器前，事件的偵測多仰賴人工判釋的方式，往往需要耗費大量的時間，
且判釋結果受制於判釋者的經驗及主觀判斷。利用機器學習技術建立地動 訊號的自動分類器能夠有效減少人工判釋的不確定性及工作量，對於崩塌 地動事件的偵測提供了應用價值。然而，若要將機器學習技術應用於即時監 測，過大的訊號特徵值運算量會使計算時間過長，因此常採用降維度的方法 找出具有較佳辨識度的特徵值，以減少分類器的運算量。地動訊號自動分類 器的相關研究彙整如表 1.1。
表 1.1 地動訊號自動分類器相關研究(依年度排序)
作者 年份 事件類型 演算法 正確度
Tian and Wang 2002 兩種軍事車輛 k-NN 90%
Del Pezzo et al. 2003 火山活動、
水下爆破
Neural
Networks 91%
Scarpetta et al. 2005
火山構造地震、
水下爆破、
石灰岩礦場爆破、火 山岩屑礦場爆破、
閃電
Neural
Networks 94%
Esposito et al. 2006 火山活動、崩塌、
微震
Neural
Networks 97%
Benítez et al. 2007
長週期事件、
火山構造地震、
火山微震、
綜合型事件、噪訊
HMM 90%
Kortström et al. 2016 地震、礦場爆破 SVM 94%
Provost et al. 2017
邊坡內部破裂、
落石、地震、
人為噪訊
Random Forest 93%
Parihar et al. 2018 地震、噪訊
k-NN ML SVM
87%
86%
99%
作者 年份 事件類型 演算法 正確度 ANN 88%
吳昱杰 2018 崩塌、地震、噪訊 SVM 98.1%
Lin et al. 2020 崩塌、地震、噪訊 Random Forest 91.3%
三、與前期計畫之崩塌地動訊號分類器的比較
前期計畫建立機器學習於地動訊號分類應用之範例流程，其使用隨機 森林(Random Forest)演算法作為分類器的基礎，運用分類器對崩塌、地震及 噪 訊 等 三 種類 別的 地 動 訊 號加 以分 類 。 計 畫成 果已 經 發 表於 Applied Sciences 學術期刊(SCI)(Lin et al., 2020a)。
在前期計畫中採用了 9 種時間域特徵值，分別為 MA 之平均值、MA 之 標準差、MA 最大值與平均值之比值、MA 標準差與平均值之比值、SI 之平 均值、SI 之標準差、SI 最大值與平均值之比值、SI 標準差與平均值之比值 及地動訊號本身之平均振幅，9 種時間域特徵值分類效果良好，因此本年度 計畫沿用所有時間域特徵值。
頻率域特徵值的部分，前期計畫使用了15 種頻率域特徵值，分別計算 了 7 個不同頻帶上的功率譜密度(Power Spectral Density, PSD)、5 組不同頻 帶的 PSD 比值(Ratio of Power Spectral Density, RPSD)及能量集中頻率等共 15 種特徵值。由於前期計畫中僅使用臺灣寬頻地震網(Broadband Array in Taiwan for Seismology, BATS)提供之連續地動訊號紀錄，而本年度計畫有使 用 中 央 氣 象 局 Smart24 地 震 網 (CWB_SMT)及 中 央 氣 象 局 井 下 地 震 網 (CWB_BH)提供之連續地動訊號紀錄。考慮各個地震網使用的是不同的儀器，
因此本年度針對寬頻地震儀計算了 3 個不同頻帶的 PSD，分別為 0.01-0.1 赫
茲、0.1-1 赫茲及 1-8 赫茲，並分別計算不同頻率段之間的 RPSD，還加以考 慮線性及對數兩種不同的情況，針對短週期地震儀計算了 2 個不同頻段的 PSD，分別為 1-5 赫茲及 5-8 赫茲，同樣也計算了不同頻率段之間的 RPSD 及分別考慮線性及對數的情況，兩種儀器皆沿用前期計畫採用的能量集中 頻率，最後本年度計畫使用於寬頻地震儀及短週期地震儀的頻率域特徵值 數目分別為 15 種及 9 種。
在前期計畫中，藉由連續計算每 5 分鐘時間窗格內的特徵值，再輸入 到分類器中獲得分類結果。本年度計畫則重新規劃事件的偵測流程，採用傳 統的短窗格平均與長窗格平均之比值先偵測地動事件訊號的開始與結束，
接著定義涵蓋地動事件訊號的 5 分鐘偵測時間窗格，後續計算偵測窗格內 的特徵值並輸入分類器獲得分類結果。兩期研究的整體差異如表 1.2 所示。
表1.2 本計畫與 Lin et al., 2020a 研究內容之比較
本計畫 Lin et al., 2020a
訓練樣本種類 崩塌、地震及噪訊
地動訊號來源 BATS、CWB-BH、
CWB-SMT BATS
研究區域 高屏溪流域 台灣本島
訓練樣本數
寬頻
崩塌：215 地震：215
噪訊：215 崩塌：214
地震：214 噪訊：214 短週期
崩塌：251 地震：251 噪訊：251
本計畫 Lin et al., 2020a
偵測時間窗格定義
偵測地動事件的開始與 結束，定義動態5 分鐘偵 測時間窗格
依照固定時間間隔劃分 5 分鐘偵測時間窗格
演算法 Random Forest
特徵值
時間域 MA、SI 及平均振幅等共 9 種
頻率域
線 性 及 對 數 各 頻 帶 之 PSD、RPSD 及能量集中 頻旅等
寬頻地震儀：15 種 短週期地震儀：9 種
各頻帶之 PSD、RPSD 及 能 量 集 中 頻 率 等 共 15 種
分類器正確度 寬頻地震儀：98.29%
短週期地震儀：97.21% 91.3%
四、促崩雨量分析
崩塌降雨因子統計分析是現今最常被應用於探討促崩條件之方法。
Caine (1980)首次針對世界上 73 處山崩資料進行促崩降雨分析，其探討了降 雨強度(I)及降雨延時(D)兩個因子得到 I-D 關係曲線(𝐼 = 14.82 𝐷−0.39)，並 將此曲線應於山崩發生的降雨門檻。Keefer et al. (1987)參考 Caine 的方法，
額外加入累積雨量(R)因子，建立適用於舊金山灣區崩塌雨量預警系統，並 且成功地預警了幾次山崩事件。Saito et al. (2010)使用了 I-D 法分析日本地 區 2006 年 至 2008 年 間 發 生 的 崩 塌 事 件 ， 得 出 降 雨 門 檻 公 式 為𝐼 = 2.18 𝐷−0.26，此外該文獻還使用了年平均降雨量(MAP)對降雨量進行常態化 來與世界上其他區域做比較，結果顯示日本地區的地質條件較其他地區易 發生坡地災害。Chen et al. (2015)使用 2006 年至 2012 年發生於台灣地區 263 處坡地災害事件進行降雨門檻分析，得到的 I-D 降雨門檻公式為𝐼 =
18.10𝐷−0.17，此門檻高於世界上其他地區之門檻值，若以年平均降雨量進行 常態化，台灣地區之門檻值亦是高於其他地區，該結果與台灣地區雨量充沛 有關。此外在喜馬拉雅山區，Dahal & Hasegawa (2008)使用 55 年的長期紀 錄，分析結果顯示本區域崩塌多發生於長時間(D > 100 hours)的累積降雨，
僅少數事件發生於短延時(D < 10 hours)的強降雨(I > 12 mm/hr)條件下。余 姿瑩(2019)使用 2001 年至 2016 年發生於台灣地區之大規模崩塌案例，進行 促崩降雨分析，除了常使用的時序列雨量法，該研究還提出無因次雨量法進 行分析，基於邊坡穩定分析的安全係數衍伸無因次雨量(R/D)及無因次坡度 (Ф/ϴ)兩項參數來說明邊坡材料之條件，得到之單一新生崩塌臨界發生雨量 公式為𝑅 = (0.16956Фϴ − 0.0394)𝐷，應用於歷史大規模崩塌案例具有良好 成效。水土保持局「潛在大規模崩塌區影響範圍調查劃設及堰塞湖災害潛勢 技術評估」便嘗試採用無因次雨量法作為建置大規模崩塌警戒值之方法。
除上述崩塌雨量統計法之外，菅原正巳(1972)提出桶狀模式，利用多層 桶模擬雨水經歷入滲、滲透及出滲成為地表逕流的水文過程，使用 3 桶水 的變化來推估河川的逕流模式。在桶狀模式中，殘留於桶內的雨量總和可以 視作儲存於土壤內的雨水，並將此定義為土壤雨量指數(SWI)。岡田憲治 (2002)分析不同土壤參數對於桶狀雨量模型的影響，發現不同成因之土壤的 桶狀雨量模型差異不顯著，說明地質條件對於降雨和地表逕流間的關聯影 響不大。陳樹群等人(2013)嘗試以桶狀模式來探討土壤雨量指數是否適合應 用於台灣的邊坡土砂災害，並探討筒狀模式中各桶水運用於建立警戒門檻 之可行性。上述有關促崩降雨分析之文獻整理於表 1.3。
表 1.3 促崩降雨分析前人研究(依年度排序)
作者 年度 相關研究
菅原正巳 1972 提出桶狀雨量模式推估河川逕流模式 Caine 1980
首位使用降雨強度(I)和降雨延時(D)建立山崩 發生降雨門檻值。
Keefer et al. 1987
沿用Caine 的方法並加入累積雨量(R)因子，建 立適用於舊金山灣區之崩塌預警系統。
岡田憲治 2002
分析不同土質對土壤雨量指數的影響，發現不 同地質條件對地表逕流影響不顯著。
Dahal & Hasegawa 2008
統計喜馬拉雅山區崩塌雨量資料，發現崩塌多 發生於長時間降雨(D > 100 hr)的狀況。
Saito et al. 2010
以 I-D 法分析 2006 年至 2008 年發生於日本地 區的山崩事件，並考慮年平均降雨量對雨量值 進行常態化。
陳樹群等人 2013
將桶狀雨量模型用以探討邊坡災害和土壤雨 量指數的關係。
Chen et al. 2015
沿用 H. Saito 的方法分析台灣地區的崩塌事 件，發現台灣地區的門檻值高於世界其他地 區。
余姿瑩 2019
基於邊坡穩定分析的安全係數衍伸無因次雨 量(R/D)及無因次坡度(Ф/ϴ)兩項參數來建立大 規模崩塌無因次降雨崩塌門檻。
第二章 研究方法
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
ALS BATS CWB 120.8134 23.5083 ELD BATS CWB 121.0250 23.1871 SCZ BATS CWB 120.6282 22.3703 MASB BATS IES 120.6327 22.6119 TPUB BATS IES 120.6296 23.3005 TWGB BATS IES 121.0799 22.8176 ECL CWB_BH CWB 120.9617 22.5958 LONT CWB_BH CWB 121.1299 22.9064 SCS CWB_BH CWB 120.4938 22.8856 SLG CWB_BH CWB 120.6463 22.9934 SMG CWB_BH CWB 120.6448 22.7054 SSP CWB_BH CWB 120.5681 22.4835 ALS CWB_SMT CWB 120.8134 23.5083 CHN1 CWB_SMT CWB 120.5285 23.1850 CHN5 CWB_SMT CWB 120.6776 23.5973 EAS CWB_SMT CWB 120.8564 22.3820 ECL CWB_SMT CWB 120.9617 22.5958 ELD CWB_SMT CWB 121.0250 23.1871 SCZ CWB_SMT CWB 120.6282 22.3703 SGS CWB_SMT CWB 120.5908 23.0804 SSD CWB_SMT CWB 120.6402 22.7443
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 有 36 筆樣本來自短週期地震儀。考慮儀器對於低頻訊號敏感度的差異，將 訓練樣本分為二資料集，一為扣除短週期地震儀之樣本，僅使用 215 筆樣 本來製作適用於寬頻地震儀之地動訊號分類器，一為使用全部 251 筆樣本 來製作適用於短週期地震儀之地動訊號分類器，相關資訊整理於附錄一。
為了公平反映分類器對不同類型地動事件的分類效果，在製作分類器 的過程中需要使用數量相近的不同類型訓練樣本，因此參考中央氣象局公 布的區域地震時間點，從兩場颱風影響期間挑選出 215 筆及 36 筆分別來自 寬頻地震儀及短週期地震儀之地震地動訊號作為地震訓練樣本，相關資訊 整理於附錄二。此外，背景噪訊樣本為人工隨機挑選分別來自寬頻地震儀 215 筆及短週期地震儀 36 筆。最終使用 3 種不同類型地動事件共 645 筆訓 練樣本來製作適用於寬頻地震儀之分類器，而適用於短週期地震儀之分類 器共使用 753 筆 3 種不同類型之地動事件樣本。每筆訓練樣本的訊號長度 均為 5 分鐘，所有地動訊號訓練樣本在計算特徵值前皆會先進行移除平均、
移除趨勢及去儀器響應等訊號前處理，接著分別計算時間域及頻率域的特 徵值。Kao et al. (2006)指出頻率段 1-5 赫茲能夠較清楚的觀察到崩塌事件產 生的地動訊號，因此本計畫時間域之特徵值在計算前會採用四階巴特沃斯 帶通濾波器進行 1-5 赫茲濾波。
二、時間域特徵值
Kao et al. (2007) 使 用 移 動 平 均 (Moving Average, MA) 及 閃 爍 指 數 (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)
移動平均的目的是對地動訊號進行平滑化，使其能夠反映訊號整體隨 時間的變化趨勢。該項特徵值雖無法反映出地動事件之物理量規模，卻能反 映地動事件隨時間的振動能量演變。在計算移動平均前，先將地動訊號之振 幅取絕對值，接著除以5 分鐘時間窗格內前 8 個最大值的平均值作標準化，
然後再放大 10 倍。標準化的目的在於減少訊號內異常值造成的影響。本計 畫計算每一時間窗格內訊號振幅絕對值的平均值，作為計算窗格中央時間 點之數值。移動平均的計算方式如下：
𝑖 |𝑦|𝜇 =
⎝
⎛ ∑ |𝑦(𝑗)|
𝑗=𝑖+𝑁−12
𝑗=𝑖−𝑁−12 ⎠
⎞ 𝑁⁄ 式(2.1)
其中 𝑖 |𝑦|𝜇 表示為第i 個計算窗格的移動平均值；y 為窗格內振幅值；|𝑦(𝑗)|代 表第𝑗個數據點的振幅絕對值；𝑁代表以𝑖為中心點的時間窗格內的資料點總 數。一般來說，時間窗格的長度必須能夠完整反映出波形的變化趨勢，因此 本計畫使用的計算窗格長度為 60 秒，而訊號採樣率為 20 赫茲，即每個計 算窗格內有 1200 個資料點。
地震、崩塌及噪訊等三種類型地動事件之移動平均範例計算如圖 2.4 所 示，噪訊本身的地動訊號由於起伏不明顯，因此整段訊號的移動平均數值較 大；而在地震及崩塌地動訊號的部分，由於有明顯的事件訊號段，因此除了 事件本身的波段，其餘背景噪訊段的移動平均數值皆會被壓低。
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 功率譜密度，還加以考慮線性數值及對數數值兩種不同的條件，最終分別得 到 6 組及 4 組功率譜密度，分別如下：
(1) 0.01-0.1 Hz (線性) [寬頻地震儀]
(2) 0.1-1 Hz (線性) [寬頻地震儀]
(3) 1-8 Hz (線性) [寬頻地震儀]
(4) 0.01-0.1 Hz (對數) [寬頻地震儀]
(5) 0.1-1 Hz (對數) [寬頻地震儀]
(6) 1-8 Hz (對數) [寬頻地震儀]
(7) 1-5 Hz (線性) [短週期地震儀]
(8) 5-8 Hz (線性) [短週期地震儀]
(9) 1-5 Hz (對數) [短週期地震儀]
(10) 5-8 Hz (對數) [短週期地震儀]
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 值作為頻率域特徵值，分別考慮儀器的不同、線性數值及對數數值兩種條件，
最後分別得到 6 組及 2 組功率譜密度比值，分別如下：
(1) 0.01-0.1 Hz (線性) / 0.1-1 Hz (線性) [寬頻地震儀]
(2) 0.01-0.1 Hz (線性) / 1-8 Hz (線性) [寬頻地震儀]
(3) 0.1-1 Hz (線性) / 1-8 Hz (線性) [寬頻地震儀]
(4) 0.01-0.1 Hz (對數) / 0.1-1 Hz (對數) [寬頻地震儀]
(5) 0.01-0.1 Hz (對數) / 1-8 Hz (對數) [寬頻地震儀]
(6) 0.1-1 Hz (對數) / 1-8 Hz (對數) [寬頻地震儀]
(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
時間域 頻率域
1. μMA 2. σMA 3. MAR
4. σMA/μMA 5. μSI
6. σSI 7. SIR 8. σSI/μSI 9. 平均振幅
10. 0.01-0.1 Hz PSD(線性) 11. 0.1-1 Hz PSD(線性) 12. 1-8 Hz PSD(線性)
13. 0.01-0.1 Hz / 0.1-1 Hz RPSD(線性) 14. 0.01-0.1 Hz / 1-8 Hz RPSD(線性) 15. 0.1-1 Hz / 1-8 Hz RPSD(線性) 16. 0.01-0.1 Hz PSD(對數)
17. 0.1-1 Hz PSD(對數) 18. 1-8 Hz PSD(對數)
19. 0.01-0.1 Hz / 0.1-1 Hz RPSD(對數) 20. 0.01-0.1 Hz / 1-8 Hz RPSD(對數) 21. 0.1-1 Hz / 1-8 Hz RPSD(對數) 22. F_max
23. F_high 24. F_low
表 2.3 短週期地震儀 18 項訊號特徵值
時間域 頻率域
1. μMA 2. σMA 3. MAR
4. σMA/μMA 5. μSI
6. σSI 7. SIR 8. σSI/μSI 9. 平均振幅
10. 1-5 Hz PSD(線性) 11. 5-8 Hz PSD(線性)
12. 1-5 Hz / 5-8 Hz RPSD(線性) 13. 1-5 Hz PSD(對數)
14. 5-8 Hz PSD(對數)
15. 1-5 Hz / 5-8 Hz RPSD(對數) 16. F_max
17. F_high 18. F_low
表2.4 寬頻地震儀訓練樣本之 24 項特徵值平均數值
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
1 μMA 0.73 1.12 1.86
2 σMA 0.27 0.35 0.20
3 MAR 2.27 1.91 1.26
4 σMA/μMA 0.55 0.40 0.12
5 μSI 0.94 0.85 0.82
6 σSI 0.29 0.14 0.05
7 SIR 2.02 1.46 1.24
8 σSI/μSI 0.28 0.15 0.06
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 10 PSD(線性)
0.01–0.1 Hz 0.32 0.10 0.07 11 PSD(線性)
0.1-1 Hz 0.18 0.40 0.32 12 PSD(線性)
1-8 Hz 0.04 0.03 0.05
13 RPSD(線性)
0.01-0.1 / 0.1-1 1.85 0.40 0.29 14 RPSD(線性)
0.01-0.1 / 1-8 4928.70 2989.26 678.76 15 RPSD(線性)
0.1-1 / 1-8 2117.31 1733.36 1785.22 16 PSD(對數)
0.01-0.1 Hz -0.71 -1.18 -1.26 17 PSD(對數)
0.1-1 Hz -0.80 -0.44 -0.54 18 PSD(對數)
1-8 Hz -3.05 -2.33 -2.89 19 RPSD(對數)
0.01-0.1 / 0.1-1 0.89 3.69 2.93 20 RPSD(對數)
0.01-0.1 / 1-8 0.56 0.71 0.81
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 21 RPSD(對數)
0.1-1 / 1-8 0.46 0.20 0.23
22 F_max 0.18 0.22 0.22
23 F_high 0.38 0.43 0.36
24 F_low 0.05 0.08 0.08
表 2.5 短週期地震儀訓練樣本之 18 項特徵值平均數值
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
1 μMA 0.74 1.14 1.93
2 σMA 0.27 0.35 0.19
3 MAR 2.24 1.87 1.24
4 σMA/μMA 0.54 0.38 0.11
5 μSI 0.94 0.85 0.81
6 σSI 0.28 0.13 0.05
7 SIR 1.97 1.45 1.21
8 σSI/μSI 0.27 0.15 0.05
9 平均振幅 0.07 0.11 0.19
10 PSD(線性)
1–5 Hz 0.06 0.04 0.09
11 PSD(線性) 0.05 0.01 0.01
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 值具有最高的鑑別度，如圖 2.10 的 Feature B。通常在以下三種情況下，決 策樹便不再進行分支：(1)子節點內的每筆資料都屬於同一類別、(2)子節點 內只包含 1 筆資料、(3)繼續進行分支對於資料庫內同質性的改善有限，即 節點內雖然有不同類別的樣本，但在各項特徵值的數據上無太大的差異。在 一層一層的將訓練資料庫內的樣本做分類之後，最終目的是讓每個子集的 資料全屬於同一類別或某一類占壓倒性的多數。決策樹的優點是決策階段 明確且易於視覺化(圖 2.10)，缺點則是若沒有對分支層數做限制或進行後續 的剪枝，很容易產生過度擬合的情況(Quinlan, 1987)。一個分類器只要夠複 雜，即使資料品質不佳也能達到百分之百的分類正確度，但卻無法應用到未 來資料的預測，如此便是所謂的過度擬合。
圖2.10 決策樹演算法架構示意圖
隨機森林演算法的概念便是將多棵決策樹結合(圖 2.11)，以達到更穩定 的分類效果(Breiman, 2001)。在訓練過程中，會先將訓練樣本隨機取樣，產 生 k 個訓練子集，每個子集再各自訓練，產生 k 棵決策樹。建構子集的過 程為依次隨機抽選，每一次抽到的樣本都會放回，因此有機會在一個子集內 抽選到重複的樣本，同時某些樣本是沒有被抽到的。若原始資料庫內含有N 筆資料，則每個訓練子集也會重複抽選放回直到含有 N 筆訓練樣本，這種 方法稱為 Bagging (Breiman, 1996)，不僅使每個子集內的樣本具有差異性，
也確保每一棵決策樹使用的都不是全部的訓練樣本。除了訓練樣本，每棵決 策樹使用的特徵值也是隨機取樣，從 M 個特徵值中，選擇 m 個(m < M)做 為分類依據。透過對訓練樣本及特徵值的隨機取樣，每棵決策樹皆是使用不 同的訓練樣本及訊號特徵值建構分類器，因此訓練出來的決策樹皆是互相 獨立的。實際運算時，每棵決策樹都會得出各自的分類結果，而最終分類結
果則是由這 k 棵決策樹進行投票決定，以所有決策樹中相對多數的初步判 釋結果為最終結果。隨機森林演算法在訓練分類器時，會根據各項特徵值的 分類效果優劣進行權重分配，本研究讓演算法自動調整各特徵值的權重，因 人為調整權重易產生主觀判定，便喪失了使用機器學習演算法時的客觀性。
而透過隨機森林產生的決策樹也沒有必要進行剪枝，因為在訓練樣本 及特徵值取樣的過程中已經確保了隨機性，雖然單棵樹的架構可能是複雜 且有過度擬合的情況，但在多棵決策樹的運作下，只要一開始的抽樣具有足 夠的隨機性，便能避免整體演算法過度擬合的情形發生(Breiman, 2001)。若 隨機森林演算法產生過度擬合的情況，除了可能是抽樣時的隨機性不夠高，
另一個原因便是演算法內所包含的決策樹棵數不夠多，無法有效反映大數 法則(Bernoulli, 1713; Breiman, 2001)。本計畫最終使用之隨機森林演算法內 包含了 100 棵決策樹。
圖2.11 隨機森林演算法架構示意圖
二、分類器建構
本計畫在建立分類器時採用 K-fold Cross Validation 來評估訓練樣本的 分類效果。K-fold 是先將資料庫平均分成 K 個子集，每個子集中各種類的 資料會有相近的比例，然後每次使用其中 1 個子集做為測試集，剩下(K-1) 個子集則做為訓練集，反覆執行 K 次，每一次的測試都會得到 1 個分類正 確度，再將 K 次的結果平均後得到最終的分類效果(Schneider, 1997)，本計 畫最終採用的 K 數值為 5，圖 2.12 為 5-fold Cross Validation 的示意圖。
圖2.12 5-fold Cross Validation 示意圖
三、混淆矩陣
混淆矩陣是最常被用來呈現監督式機器學習演算法效能的工具，它能 夠有效且清楚的表示分類器的正確度及對於各種類事件的敏感度(Kohavi and Provost, 1998)。在混淆矩陣中(表 2.6)，True Positive (TP)代表實際屬於 A 類的樣本，演算法也判定為 A 類的數量；False Negative (FN)代表實際屬 於 A 類的樣本，卻被演算法判定為 B 類的數量；False Positive (FP)代表實
際屬於 B 類的樣本，卻被演算法判定為 A 類的數量；True Negative (TN)代 表實際不屬於 A 類的樣本，演算法也判定不為 A 類的數量。橫列代表的是 實際屬於該類別的樣本，即 TP 和 FN 的數量和即為 A 類事件實際數量；直 欄代表的是被演算法判釋為該類事件的樣本，即 TP 和 FP 的數量和即為被 判釋為 A 的樣本數。
表2.6 混淆矩陣 Predicted
A B
Actual
A True Positive
False Negative B False
Positive
True Negative
在混淆矩陣中，True Positive (真陽性)表示為預測為正，實際也為正；
False Positive (假陽性)表示為預測為正，實際為負；False Negative (假陰性) 表示為預測為負、實際為正；True Negative (真陰性)表示為預測為負、實際 也為負。而混淆矩陣中時常使用以下三項指標評估演算法效能：
(一) 正確度(Accuracy)：
代表所有被正確分類的樣本佔總體樣本數量的比例。其計算方式如下：
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 式(2.8)
(二) 敏感度(Sensitivity)
代表某一類別的樣本中，被正確分類的樣本的比例，又稱為召回率 (Recall)。其計算方式如下：
𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = 𝑇𝑃
𝑇𝑃 + 𝐹𝑁 式(2.9) (三) 準確度(Precision)
代表所有被分類為某一類的樣本中，實際屬於該類別的樣本的比例。其 計算方式如下：
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = 𝑇𝑃
𝑇𝑃 + 𝐹𝑃 式(2.10) (四) 協調分數(F1-score)
為敏感度和準確度的調和平均數，用以衡量分類器精確度的一種指標，
最大值是1，最小值是 0。計算方式如下：
F1 = 2
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 +1 1 𝑆𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦
式(2.11)
四、分類器運作過程
本計畫地動訊號分類器建置與應用流程如圖 2.13 所示，先蒐集欲自動 分類之地動事件訓練樣本，將訊號做基本前處理後計算時間域及頻率域之 訊號特徵值，由於時間域特徵值對於噪訊有較高的分辨率，因此僅使用時間 域特徵值搭配隨機森林演算法製作時間域分類模型(圖 2.13 分類模型一)，
接著加入頻率域特徵值，運用隨機森林演算法製作混合分類模型(圖 2.13 分 類模型二)，本計畫採用二階段分類，大幅提高分類之可信度，之後便可對 連續地動訊號做地動事件偵測，偵測地動事件後計算偵測窗格之特徵值並
輸入分類器內，快速得到各測站紀錄內疑似崩塌事件地動訊號的發生時間，
再做進一步的驗證。
圖2.13 地動訊號分類器建置與應用
第六節 崩塌地動訊號定位
計畫中採用的崩塌地動定位方法是由藉由對所有地震站對的理論與觀 測到時差之差值(ΔTi,j)的最小均方根(rms)進行網格搜索，來獲得動振源位置 (Peng and Chao, 2008; Peng et al., 2009; Chao and Yu, 2018)。如果使用 N 個 地震站紀錄來定位崩塌地動，則站對的總數為 n = N(N-1)/2。用於計算每個 網格點(x, y, z)的最小均方根公式如下：
𝑟𝑚𝑠(𝑥,𝑦,𝑧)= √ ∑ (∆𝑇𝑖,𝑗)2/𝑛
𝑛 𝑖=1,𝑗=2
= √ ∑ (∆𝑡𝑖,𝑗𝑡ℎ𝑒𝑜− ∆𝑡𝑖,𝑗𝑜𝑏𝑠)2/𝑛
𝑛 𝑖=1,𝑗=2
= √(∆𝑡1,2𝑡ℎ𝑒𝑜− ∆𝑡1,2𝑜𝑏𝑠)2+ (∆𝑡1,3𝑡ℎ𝑒𝑜− ∆𝑡1,3𝑜𝑏𝑠)2+ ⋯ + (∆𝑡2,3𝑡ℎ𝑒𝑜− ∆𝑡2,3𝑜𝑏𝑠)2+ ⋯ + (∆𝑡𝑁−1,𝑁𝑡ℎ𝑒𝑜 − ∆𝑡𝑁−1,𝑁𝑜𝑏𝑠 )2
𝑛 式(2.12)
其中∆𝑡𝑖,𝑗𝑡ℎ𝑒𝑜和∆𝑡𝑖,𝑗𝑜𝑏𝑠分別代表理論到時差和觀測到時差，ΔTi,j則為兩者間的差 值。對於每個站對間的理論傳播時間差∆𝑡𝑖,𝑗𝑡ℎ𝑒𝑜是根據一維速度模型，從共同 振源到不同地震站 i 和 j 的傳波時間計算得出的。觀測到時差∆𝑡𝑖,𝑗𝑡ℎ𝑒𝑜是對於 可觀察到崩塌地動訊號的地震站紀錄，計算低通濾波 10 Hz 後波形的包絡 線函數，同時比對時頻圖中崩塌地動能量開始時間點，於包絡線函數標定事 件到時，再計算共同振源到不同地震站的時間差。
崩塌地動訊號的最佳振動源位置(x, y, z)會對應於具有最小均方根的網 格，由於崩塌地動訊號理論上來自淺層地震源深度，因此在本計畫中僅在 0.01°的水平網格空間中進行最小均方根的搜索。在本計畫中採用 Chao and Yu (2018)撰寫於 matlab 程式語言中的開源程式 CrazyTremor，進行上述之 崩塌地動定位(圖 2.14)。
崩塌定位至少需要三地震測站於相近時間偵測到崩塌地動訊號及確實 被分類器判別為崩塌事件才能進行，地動訊號的分類與震源事件規模大小、
震波傳播路徑等有密切影響，現行方法於分類時仍有極限。震波傳播特性仍 為地球物理領域的熱門研究議題，考慮其複雜性，對於訊號特徵不明確的地 動事件，分類器仍無法達成 100%的分類正確度，必定會有特徵值的模糊導 致分類誤判的發生；本計畫運用上述定位條件篩選三測站以上分類為崩塌 事件之地動訊號進行定位，同時結合遙測影像與定位結果進行崩塌配對，減 少分類器誤判之影響，並有效提升分類器對於訊號特徵明確事件分類結果 的可信度。
圖2.14 CrazyTremor 執行崩塌地動訊號定位之操作介面
第七節 促崩降雨統計與分析方法
山崩產生的地動訊號完整記錄了大規模崩塌的發生時間，藉由成功的 判釋與配對，可以運用所得到的時間記錄準確計算出山崩發生時的雨量條 件。本計畫採用中央氣象局所架設的地面雨量站，崩塌警戒雨量分析所用之 雨量資料以直線距離崩塌地 3 公里內的雨量測站紀錄為原則，並且和崩塌 地坐落於同一集水區。
本計畫中所指的雨場是一次豪雨事件的開始與結束的時間，將雨場開 始的標準設定為當每小時降雨大於 4 mm 時；而當連續 6 小時時雨量開始 小於 4 mm 時，視為降雨事件結束(圖 2.15)。然而，因為本計畫研究的豪雨 事件多由颱風所造成，由颱風引致的降雨事件常可能在上述的雨場切割標 準下被切割為 2 個以上不同的降雨事件，導致降雨延時的統計出現低估的 狀況。因此，本計畫採用之雨場切割方法，修改為以日當作切割單位，當小
日 24 時作為雨場結束時間。採用修改後的雨場切割標準將使得完整降雨事 件不易被雨勢趨緩或是降雨短暫中止而切斷，而崩塌事件發生時的降雨延 時則是統計至崩塌發生的時刻，並不會有高估雨場的狀況存在。運用此方法 為基準，統計引發各崩塌的降雨強度、累積雨量、降雨延時等參數，做為降 雨門檻值分析之因子。其中，降雨延時(D)，單位為小時；累積雨量(Rc)，單 位為 mm；降雨強度(I)，單位為 mm/h。除了上述的三個因子之外，本計畫 根據前期經驗，同時將前期的降雨量 Ra納入計算。本研究也加入有效累積 雨量 Re進行分析，採用詹錢登(2002)提出的有效累積雨量模式：
𝑅𝑒 = 𝑅𝑎 + 𝑅𝐶 式(2.13) 上式中 Re為有效累積雨量，Rc 為統計至崩塌發生時的累積降雨量。前期降 雨為雨場開始前七日，每日累積雨量以 0.7 指數衰減(Ra = ∑7𝑖=10.7𝑖𝑅𝑖，i 為 雨場開始前的日數)。
圖 2.15 雨場切割與降雨參數計算示意圖
大規模崩塌門檻值降雨因子統計將依據不同的降雨參數選擇，會產生 不同的雨量關係式。本計畫分別分析了以下三種雨量關係式：
一、I-D 法
此方法以降雨強度 I 及降雨延時 D 作為雨量指標(Caine, 1980; Keefer et al., 1987; Arattano & Marchi, 2000)，I-D 法目前是最廣泛被討論及應用之促 崩降雨門檻分析方法。此方法主要利用引發該次崩塌的降雨事件，並未將前 期降雨所造成的影響納入考慮。將各山崩事件的 I 及 D 以對數座標作圖後，
所有資料點的下緣切線即為雨量門檻值曲線(圖 2.16a)，該曲線一般常用的 公式形式為：I=aD-b。為了有一致的I-D 門檻值計算方式，本計畫採用涵蓋 資料數 5%之曲線做為門檻曲線。採用之累積機率模型為高斯機率函數，以 乘冪回歸分析所得之曲線斜率為門檻曲線斜率，藉此獲得資料累積機率為 5%時之曲線公式，作為整體資料點之下緣曲線公式。
二、I-Re法
此方法使用降雨強度 I 及有效累積雨量 Re為雨量指標(圖 2.16c)，藉此 界定出山崩發生的臨界降雨線(謝正倫，2001；詹錢登，2004)。I-Re法將崩 塌發生的平均降雨強度 I 和有效累積雨量 Re作圖，以韋伯法取累積雨量機 率為 5 %的值記為 Re-I5。相對於 I-D 法取累積機率 5 %時之曲線公式為臨界 門檻，I-Re法同樣也以Re-I5作為I-Re 法之門檻值。
三、Re-D 法
此方法使用有效累積雨量 Re和降雨延時D 作為雨量指標(圖 2.16b) (青 木佑久，1980；范正成等人，1999，2002)。Re-D 關係式的分析方法和 I-Re
法雷同。在報告中將代表累積機率 5 %之 D 與 Re乘積值表示為 Re-D5。參 考 I-D 法之門檻值計算方法，以 Re-D5作為 Re-D 法之門檻值。
圖2.16 常見的雙參數雨量門檻曲線
第八節 桶狀模式參數擬合
桶狀模式是以數層概念水桶內的入流水與流出水來模擬雨水進入淺層 土壤，再入滲至深處地質材料的過程，最終可計算儲積於地層中的總水量 (圖 2.17)(Sugawara, 2009)。日本氣象廳便是採用三層桶狀模型來計算地層中 的含水狀況，又稱為土壤水分指數(Soil Water Index, SWI)(岡田憲治，2002；
陳樹群等人，2013; Lin et al., 2020b)。其計算過程為假設降雨量為 R (mm)，
蒸發散量為 ET (mm)，第 i 桶內的水深為 Si (mm)。第 i 桶內第 j 個管口水流 出的必要水深為 Lij (mm)，其流出水比為 aij，而流出量為 Qij (mm)。Zi (mm) 為第 i 桶水往下層水桶的入滲量，其入滲比為 bij。以上所有參數中，i 表示 為第 i 桶，j 表示為桶中第 j 個流出水管。
每桶中管口的流出量 Qij即為桶內水深 Si扣除出流水深 Lij，乘上出流 比 aij。在三桶水中，只有第一桶水含有兩個流出量Q11、Q12，分別為第一流 出量和第二流出量，第一出水量可視為側向伏流(lateral subsurface flow)，第 二流出水量則為無法進入土壤層的漫地流(overland flow)，Z1則是由第一桶 水流入第二桶水的總量；Q21是第二桶水的流出量，可視為中間流(interflow)；
Q31是第三桶水的出水量，可視為地下水滲出之基流(baseflow)(圖 2.18)。第 一桶水深 S1為土壤水，第二桶水深 S2為中間帶滲流水，而第三桶水深S3為 地下水。三桶水深的總和便為土壤水分指數 SWI (SWI= S1 + S2 + S3，單位為 mm)，而三桶水流出水量的總和便是會進入河川中之逕流，以單位集水面積 之流深表示。
桶狀模式發展於單一坡面之地表逕流與地下水流的模擬，然受限於不 易廣設地表及地下水觀測儀器，近年來陸續有國外研究將其運用於流域尺 度之河川逕流模擬，目的即在於獲得流域整體之平均計算參數。本計畫運用
狀況的時空分佈，因此所得之桶狀模式計算參數應為整體流域之平均參數。
有鑑於過去計算土壤水分指數多採用日本氣象廳公告之日本參數(表 2.7)，
難以評估是否確實適用於臺灣山區。本計畫利用 2010 年至 2018 年的河川 流量、雨量及蒸發散量的觀測資料，分別擬合出旗山溪、荖濃溪、濁口溪及 隘寮溪集水區之桶狀模式計算參數(圖 2.19)。其中蒸發散量的計算採用 Penman-Monteith 法(Monteith, 1965；Howell and Evett, 2004)，氣象觀測資料 取用自鄰近高屏溪流域之玉山、阿里山及高雄氣象站，其資料包括氣壓、溫 度、相對溼度、日照時數、風速及蒸發皿蒸發量等。各集水區之降雨量則是 以徐昇法求得每一雨量站在集水區內的代表面積，再以代表面積占有比例 為權重求得集水區之代表雨量。河川流量採用經濟部水利署流量站紀錄，並 且除以流域面積求得單位流深。桶狀模式計算參數的擬合則利用 Matlab 內 建 Simulink 功能，編寫單位流深及土壤水分指數計算程式(圖 2.20)，並以非 線性最小平方法進行參數評估(Coleman and Li, 1996)，待觀測流深與預測流 深間有最小均方根誤差時，獲得最佳參數組合解。本計畫針對旗山溪、荖濃 溪、濁口溪及隘寮溪進行桶狀模式計算參數的擬合，並以2019 年各集水區 觀測流深對計算參數進行驗證。後續將運用各集水區之桶狀模式參數來計 算土壤水分指數，作為崩塌警戒雨量分析之水文參數。
